基于周期自回归模型的短期负荷预测

通常，周期自回归（ＰＡＲ）模型适于处理短周期时间序列。故进行电力系统短期负荷预测时，由于周期长度大，阶数高，待估计的参数剧增，难以实现。本文在一定的假设条件下，建立了短期负荷的周期自回归预测模型，提出了相应的算法，并编制了计算分析程序。对一实际系统的负荷预测表明，本文的模型和算法具有很高的预测速度和良好的预测精度。

基于混合自回归滑动平均潜周期模型的短期电价预测

应用混合自回归滑动平均潜周期模型对短期电价序列进行了预测.对消除了趋势影响的电价序列,经离散傅里叶变换转换为复值潜周期模型,采用一种简单的周期图检测方法计算电价序列的周期特征参数.为了计及历史信息对当前状态的影响,采用自回归滑动平均模型拟合残差随机分量,采用赤池信息准则确定模型的阶数,参数则由矩估计得到.该模型不要求预先假设电价序列的周期尺度,周期的个数和大小由模型计算确定,方法简单.采用美国宾夕法尼亚、新泽西、马里兰电力市场的实际电价数据对模型进行了检验,验证了模型的有效性.

季节周期回归模型在预测肺结核发病率中的应用

目的探讨季节周期回归模型在肺结核预测方面的应用。方法收集2005～2010年肺结核的发病资料,利用Excel软件建立季节周期回归模型,对肺结核的发病率进行预测。结果肺结核的发病与时间序列存在明显的长期趋势,符合用季节周期回归模型进行发病趋势预测的条件;通过模型分析,预测出2011年1～3月份的发病率分别为293.07/10万、229.22/10万和362.89/10万。结论利用Excel软件建立季节周期回归模型预测肺结核的发病,简单实用,值得在基层推广应用。

一种包含周期变动的回归预测模型

众所周知，利用普通回归模型预测，误差往往很大。道理很简单，普通回归模型仅考虑长期趋势。本文建立了一种包含周期变动的回归预测模型，提高了拟合度，减少了预测误差。

利用周期自回归模型对宏观经济综合景气状况的预测与分析

本文介绍了周期自归模型的建模过程，并利用其对反映我国宏观经济综合景气状况的合成指数序列进行了预测与分析。

使用快速傅里叶变换优化周期参数的EMD-FFT-SARIMA光伏发电预测模型

根据分布式能源工业园区的光伏电力单元特点,对园区光伏发电功率预测模型进行优化,为后续的调度策略提供数据支持。针对经验模式分解(EMD)与季节性差分自回归移动平均模型(SARIMA)相组合的EMD-SARIMA预测模型中,原始数据经过EMD分解得到的各固有本征模态函数(IMF)分量周期计算问题,提出加入快速傅里叶变换(FFT)的周期计算方法,建立EMD-FFT-SARIMA光伏发电功率预测模型。再将每个IMF对应的预测结果进行叠加重构得到最终的预测结果。通过预测结果的误差计算可以发现,加入FFT环节后均方根误差(RMSE)从120.6 MW下降到19.3 MW,平均绝对误差(MAE)从52.87 MW下降到12.3 MW。

包含周期变动的回归预测模型及其应用

在包含周期变动的回归预测模型基础上,在趋势分量的估计中引入了多元线性回归估计,并将此模型应用于山东省城镇居民人均生活消费的预测,提高了拟合度和预测精确度.

基于线性相关分析的周期自回归短期负荷预测

对配电系统短期负荷预测的周期自回归模型和配电负荷的周期性进行了研究。采用相关分析法对配电负荷的周期特性作了深入地分析,研究结果表明配电负荷的日周期性比周周期性更明显;基于配电负荷的时刻相关性分析,挑选出对预测结果起决定性作用的特征输入量,据此提出了改进的配电负荷日周期PAR预测模型。实例研究表明,该模型较常规PAR预测模型的预测速度更快、精度更高。

医院季节性时间序列资料的周期自回归模型及其应用

本文利用周期相关序列和自回归模型等概念,对医院的季节性时间序列资料建立了周期自回归预测模型,其分析结果较为满意。

冻融囊胚移植周期临床妊娠影响因素分析及预测模型建立

目的研究冻融囊胚移植周期临床妊娠的影响要素,建立囊胚解冻移植(BM-FET)的妊娠率预测模型。方法选择2011年12月至2018年12月江门市中心医院生殖医学中心行BM-FET患者645例,进行回顾研究。跟据移植术后35 d超声检查结果,分为临床妊娠组(A组,n=355)和未妊娠组(B组,n=290)。比较两组患者的一般情况、基础内分泌、内膜情况和胚胎情况,行单因素及多因素分析,建立临床妊娠成功率预测模型。结果临床妊娠成功组移植优胚数大于临床妊娠失败组(P<0.05)。多因素Logistic回归结果显示,BM-FET临床妊娠的独立影响因素包括:LH、FSH、FSH/LH、女方年龄、不孕年限、BMI及移植优胚数。通过建模,得到BM-FET临床妊娠率预测方程(P)为:P=1/(1+y);y=exp[-(-0.619-0.049×年龄+0.069×体重指数-0.173×不孕年限+0.428×基础FSH-0.073×LH-0.307×FSH/LH+0.459×移植优胚数)]。根据预测概率与实际妊娠数据制作ROC曲线,求得曲线下面积为0.751,差异有统计学意义(P=0.000)。提示该方程在预测BM-FET临床妊娠的概率方面有较大的应用价值。结论影响BM-FET临床妊娠的独立风险因素包括患者LH、FSH、FSH/LH、女方年龄、不孕年限、BMI及移植优胚数。ROC曲线检验显示,根据上述风险因素建立的临床妊娠率预测模型具有一定的诊断价值。

应用周期性回归法预测蜚蠊消长规律

医学昆虫一般有周期性季节消长的规律,建立预测昆虫消长规律的数学模型,可以使除害灭病工作未雨绸缪,有的放矢。我们采用1988年旅客列车德国小蠊密度测定资料,应用周期性回归的方法进行分析,建立了预测广州地区旅客列车德国小蠊密度的数学模型,取得了满意的效果。

考虑周期性的城市道路车流量预测模型

为提升城市车流量预测结果的准确性,基于某条道路的车流量数据,引入车流量的周期性特征,建立考虑周期性的差分自回归移动平均(Autoregressive Integrated Moving Average,ARIMA)模型。将该模型与不考虑周期性的ARIMA模型相对比,结果发现:不考虑周期性的ARIMA模型的拟合效果较差,模型中忽略了道路车流量可能存在的周期性规律;考虑周期性的ARIMA模型的拟合优度相比原模型有很大提升,能达到0.573,且预测的4 d车流量变化趋势与实际车流量较为吻合。由此可知,在建模时引入车流量的周期性特征,能提升车流量预测结果的准确性,从而为交通管理提供更可靠的数据。

基于SARIMA模型的城市道路短期交通流预测研究

以城市道路短期交通特征为基础,提出在使用季节自回归求和移动平均(SARIMA)模型进行预测时还应该考虑交通流日周期性特征,以提高模型的预测能力。预测研究不仅考虑了模型的样本内预测而且考虑了样本外预测,并通过两个预测误差统计量,即预测误差绝对值均值和预测误差百分比绝对值均值,来对模型预测表现进行衡量与比较。研究结果显示,虽然只考虑城市道路短期交通流数据中周周期性的SARIMA模型预测能力比只考虑日周期性特征的SARIMA模型好,但是却比既考虑交通流数据中周周期性又考虑数据中的日周期性的SARIMA模型表现差。

一种基于SARIMA-LSTM模型的电网主机负载预测方法

随着智能电网的不断发展,如何提高对信息设备运行状态的预测准确率以及设置适应数据变化的动态阈值区间是电网IT运维面临的巨大挑战。为了解决这些问题,提出了组合时间序列预测模型(SARIMA-LSTM),即在传统周期性ARIMA模型(SARIMA)的基础上,引入深度学习领域的LSTM模型,并摒弃了过去精度低、效果差的误差拟合方法,使用误差自回归方法来补偿预测结果。该模型可以学习到传统ARIMA模型无法捕捉到的误差波动规律,解决其无法预测非线性数据的问题。实验结果表明,在实际预测电网内存负载数据时,与ARIMA模型和SAIRIMA模型相比,SARIMA-LSTM模型可以实现更高的预测精度。

基于周期性成分分析的短期尖峰负荷预测

短期尖峰负荷预测对电力系统的发电计划制定和经济运行至关重要,依据短期负荷具有较强的周期性变化的特征,本文设计了一种基于周期性成分分析的混合预测模型。首先,设立星期周期和月份周期等19周期成分;再利用多元线性回归模型估计出上述各周期成分的影响值,从而为尖峰负荷的内在结构提供可解释性;最后,利用ARIMA模型建立短期尖峰负荷需求与其内在成分的关系模型。2012年江西省某县短期尖峰负荷的数值模拟检验了模型的有效性,研究成果可以为该县电网运行的可持续发展提供一定的参考价值。

混凝土坝变形Wavelet-EGM-PE-ARIMA组合预测模型

混凝土坝的总变形可以归结为由水压和温度变化引起的变形以及随时间发展的变形。其中,水压变形和温度变形体现为总变形中的周期性分量,而时效变形体现为总变形中的趋势性分量。借助复合建模思想,提出一种混凝土坝变形Wavelet-EGM-PE-ARIMA组合预测模型。首先利用小波多分辨分析功能,分解出大坝变形时间序列中的趋势性项、周期性项;其次,运用EGM模型实现对趋势性项的有效预测,采用周期外延模型实现对周期性项的有效预测,在此基础上,利用ARIMA模型实现对EGM模型和周期外延模型残差项的有效预测;最后通过某工程实例,检验所提出模型的有效性。计算结果表明:该组合模型充分考虑大坝各变形分量的变化规律,并基于此,实现对大坝变形时间序列有效的拟合和预测,且其拟合和预测精度均明显优于传统统计模型。

基于CNN-SVR的作业车间订单完工周期预测方法

经典作业车间生产环境包含多产品、多机器和多工序,提高其完工周期的预测精度对于企业提高客户满意度、优化生产调度等方面都具有重要意义。因此,针对作业车间订单完工周期预测问题提出一种卷积神经网络-支持向量回归(CNN-SVR)方法。首先,将订单完工周期影响因素分类为订单信息与车间实时状态信息,并分析得到其中的关键特征因素。进而,采用ReLU激活函数训练卷积神经网络,对生产数据特征进行自适应提取,并将结果输入至支持向量回归模型中进行预测。最后,设计FlexSim作业车间仿真模型生成车间订单生产数据,确定评价指标并进行试验验证。结果表明,相较于其他对比模型,CNN-SVR预测方法在拟合优度和预测误差等方面均有很好表现,能够得到理想的预测效果。

用多元混合门限回归进行汛期降水量预测试验

在综合考虑预测对象的周期变化和前期外部因子的共同作用后,给出带有周期分量的多元混合门限回归模型。通过青岛汛期降雨量的7年预报试验表明,该模型具有较为稳定的预报能力,值得进一步研究应用。