基于累积式自回归动平均传递函数模型的短期负荷预测

针对短期负荷预测,提出了累积式自回归动平均(auto-regressive integrated moving average,ARIMA)传递函数模型的简化建模方法。传递函数模型考虑了干扰因素对因变量的作用,体现了干扰因素中变量间相互影响的关系。其构造灵活,可用较少的参数建立阶数较高的模型;并且假定值较少,容易得到满足。该文还将温度因素考虑在内,通过算例将传递函数模型和ARIMA模型的预测结果与实际值进行了比较,结果表明采用传递函数改进后的ARIMA模型预测精度提高,预测误差减小,具有较强的实用性。

基于累积式自回归动平均法和反向传播神经网络的短期负荷预测模型

针对电力系统短期负荷的特点建立了将累积式自回归动平均法(autoregressive integrated moving average,ARIMA)和采用反向传播算法(back propagation,BP)的神经网络法相结合的短期负荷预测模型。该模型利用ARIMA方法对线性时间序列逼近能力强的特点首先对预测日负荷进行预测,然后应用BP神经网络方法对预测结果进行修正,因此克服了单一算法存在的不足。应用该模型对某地区电网进行负荷预测,结果表明该方法的预测效果较好。

基于自回归滑动平均模型和粒子群算法的地震子波提取

基于自回归滑动平均(ARMA)模型理论,对地震子波进行参数化建模,采用累积量拟合法精确估计参数,使地震子波提取问题最终归结为一个多参数、多极值的非线性函数优化问题。对基本粒子群算法进行改进,通过自适应参数调整和边界约束,克服基本粒子群算法易陷入局部极值的缺陷,同时提高算法寻优精度和计算效率。仿真数据试验结果验证了改进的粒子群算法在地震子波提取方法中的有效性和稳定性。

基于差分自回归—随机森林的动车组轮对旋修策略优化研究

基于动车组运行里程和轮对尺寸退化过程为非平稳时间序列的特点,将差分自回归移动平均模型(ARIMA)与随机森林算法相结合,对关键尺寸退化趋势影响下的轮对旋修策略优化进行研究。利用ARIMA对运行里程数据进行差分处理,运用基尼系数划分特征构建随机森林决策树,将轮对历史检测数据划分为训练集和测试集进行训练,以预测均值确定轮对尺寸预测值。以轮对几何尺寸和动力学性能为约束条件,以最长使用寿命、最少旋修次数和平稳性指标为优化目标,构建轮对旋修策略优化模型,并对轮对旋修量和旋修后轮径值进行预测。结果表明,当轮径旋修量为2.5 mm,轮缘厚度在HAi=28.5 mm和HBi=30 mm时旋修策略最佳,轮对寿命可提高31.4%。研究成果可为动车组轮对旋修策略优化提供理论支持。

短期负荷预测自回归动平均模型的辨识方法

介绍应用线性方程组因子表解法辨识自回归动平均（ＡＲＭＡ） 模型的方法。用最小二乘法辨识， 采用“加边”方法从低阶因子表获得高阶因子表， 由低阶向高阶逐阶辨识。通过对各阶模型预测误差的比较，

对整合模型和占优启发式模型的检验:基于信息加工过程的眼动研究证据

基于信息加工过程视角,本研究采用眼动技术检验风险决策整合模型和占优启发式模型。结果表明,自主决策任务条件下决策过程反应时及信息搜索模式均不同于期望价值(EV)迫选任务条件下的决策过程反应时及信息搜索模式;自主决策任务条件下决策过程反应时并未随着选项间整体值(CPT值)差值的变大而变快,且基于特征(attribute-based)的信息搜索多于基于选项(option-based)的信息搜索,不符合整合模型预期。此外,决策者亦未按照占优启发式模型所假定的决策步骤进行决策。基于信息加工过程的检验结果既不利于以累积预期理论为代表的整合模型,亦不利于占优启发式模型。文章建议从决策过程视角检验已有决策模型及建立新的启发式决策过程模型(processmodel)。

基于非参数GARCH的时间序列模型在日前电价预测中的应用

电力市场中电价序列具有较强的波动性、周期性和随机性,以致经常出现价格尖峰,这在很大程度上影响了电价预测的精度。提出了一种基于小波变换和非参数GARCH(generalized auto regressive conditional heteroskedasticity)模型的时间序列模型对日前电价进行预测。利用小波变换将历史电价序列分解重构概貌序列和细节序列,分别建立累积式自回归滑动平均(auto-regressive integrated moving average,ARIMA)模型进行预测,采用非参数GARCH模型对电价序列预测残差的随机波动率进行建模,从而提高对价格波动性的预测能力和ARIMA模型的预测精度。将该模型应用于美国宾夕法尼亚—新泽西—马里兰(Pennsylvania-New Jersey-Maryland,PJM)电力市场的日前电价预测。算例结果表明,非参数GARCH模型可以更好地拟合电价序列剧烈波动的特性,该模型能够提高电价的预测精度。

基于信号模型参数辨识的变电站局部放电电磁波信号重构

抑制现场噪声干扰、有效提取信号特征是局部放电(PD)信号检测和分析的关键,为此,利用自回归–滑动平均(ARMA)模型对局部放电辐射的特高频(UHF)电磁波信号建模,给出了利用高阶累积量估计模型阶数和参数的理论依据和算法。以混有Gauss白噪声及定频干扰的双指数振荡衰减函数模拟局部放电辐射的UHF信号,利用ARMA模型参数重构信号的Fourier变换幅值,利用双谱估计重构其Fourier变换的相位,最终重构时域信号,以验证该算法重构信号的有效性。利用该方法重构变电站实测的局部放电辐射的UHF信号,验证了该算法在变电站现场干扰情况下,可从现场采集到的含有噪声的信号中重构出只相差常数因子和线性相移的有用信号。且算法辨识得到了信号的ARMA模型参数及重构得到的UHF信号频谱及时域信号,可以给局部放电类型识别等进一步处理提供参数。

计及温度影响的短期负荷预测时间序列模型

时间序列模型在国际和国内的短期电力负荷预测中得到了广泛应用。然而,这种方法的一个主要缺点是无法将影响负荷预测的主要因素之一即气象因素考虑进去。在此背景下,首先基于负荷和气温数据建立了负荷预测的回归模型,然后构造了回归模型残差累积式自回归—滑动平均模型并对回归模型进行修正。最后,用广东电力系统的实际负荷数据说明了所发展的短期负荷预测模型的实际预测效果。计算结果表明所提出的方法可以弥补现有时间序列模型的缺点,有效地提高负荷预测精度。

基于AR和ARMA模型的多变量非高斯风压模拟

基于多变量非高斯随机过程间的相关性,将发展的单变量非高斯过程自回归和自回归滑动平均(AR和ARMA)模型模拟算法扩展至多变量非高斯过程的数值模拟。通过AR和ARMA模型系数考虑多变量非高斯过程间的相关性,建立多变量非高斯过程AR和ARMA模型的模拟算法。多变量非高斯风压的数值模拟表明:AR和ARMA模型算法能有效地模拟低斜度、中斜度和高斜度的多变量非高斯随机过程。

基于改进VonKarman模型的风力机来流三维风速模拟

为准确表征风力机来流的三维脉动风场,基于改进Von Karman模型,分别采用谐波叠加法(harmony superposition method,HSM)和自回归滑动平均法(auto-regressive moving-average,ARMA)对某33 k W水平轴风力机来流风况进行脉动风速模拟,并采用现有软件在同等参数下模拟结果与2种方法的对比。结果表明,HSM法所模拟出脉动风速的功率谱与目标谱更加吻合;3种方法自相关性都随时间增大而减小,其中ARMA法和软件模拟结果的自相关性较好;HSM法互相关系数极差值在8.49、11.31、19.80 m的间距上分别为0.764 9、0.580 7、0.438 7,其互相关系数随间距增大而减小,更符合实测结果。研究不仅可为不同风场随机来流条件下风力机气动计算提供依据,也可为近地面其他农业机械及工程设施的风荷载计算提供参考。

基于自回归和神经网络算法加权组合的负荷预测

针对时间序列法的自回归动平均模型和神经网络算法在负荷预测中的不足,提出对这两种预测结果采用加权组合方法,在不同时期的负荷预测采用不同的加权值来提高预测结果的精确度。通过算例分析短期负荷预测和长期负荷预测,证明采用加权组合方法的预测结果比自回归动平均模型和神经网络算法分别预测要准确。

多维ARMA的W-R递推式

本文讨论多维ABMA(pq)的系数阵矩估计法的W—R递推公式,并推广了AR(p)的相应结果。

基于ARIMA模型的短期电力负荷预测

电力负荷时间序列不平稳和受噪声污染严重,直接对负荷进行预测准确度不高。针对此问题,提出了一种结合小波变换与累积式自回归移动平均(ARIMA)模型的短期电力负荷预测新方法。首先,将历史负荷数据进行小波变换,以去除噪声干扰;然后,建立ARIMA模型进行负荷预测。通过实际负荷数据实验,证明了该方法的有效性。

非线性Black-Scholes模型下算术平均亚式期权定价问题

在非线性Black-Scholes模型下,研究了算术平均亚式期权定价问题.首先利用单参数摄动方法,将亚式期权适合的偏微分方程分解成一系列常系数抛物方程.其次通过计算这些常系数抛物型方程的解,给出了算术平均亚式期权的近似定价公式.最后分析了近似结论的误差估计,并通过数值算例验证了所得近似结论的合理性.

基于小波分析的短期电价ARIMA预测方法

电力市场中的电价具有特殊的周期性,以天、周、年为周期波动,且大周期中嵌套小周期。作者提出一种基于小波分析的累积式自回归滑动平均方法(WARIMA)用于短期电价预测,首先利用小波变换能将交织不同频率成份的混合信号分解成不同频带上的块信号的特性,将电价这一随机序列进行小波分解,得到低频上的概貌序列和高频上的细节序列,并在此基础上对各个子电价序列分别利用累积式自回归滑动平均模型(ARIMA)进行预测,然后在电价平稳时段用概貌序列预测结果直接作为电价预测结果,而在电价非平稳时段将各子序列预测结果重构作为最终的预测结果。为了对比分析,将直接使用ARIMA模型的预测结果和采用WARIMA方法的预测结果进行了比较,表明引入小波分析对提高预测精度是有益的。

基于多尺度估计理论的晶圆减薄工艺方差变化检测方法

晶圆减薄工艺是伴随芯片堆叠技术的发展而出现的新制造过程,其制造质量直接关系最终产品成品率。文章以堆叠芯片晶圆减薄工艺质量参数为研究对象,拟建立监控晶圆减薄工艺质量的完整方法。首先,以该道生产工序质量参数序列建立自回归滑动平均模型,用于表达该道生产工序的质量特征变化。然后,在此模型的基础上,使用多尺度估计理论对该模型进行滤波分解处理,获得质量参数时间序列的高频信号,提取该道质量变异的方差变化。最终,使用统计学上的累积和控制图对质量变异信号进行诊断分析,根据工序方差变化的起始位置,提前发现系统可能存在的质量变坏趋势。经试验数据验证,相比传统的检验方法,该方法有95%的概率可以提前预测产品质量发生变化。

一种新的基于DFNN的时间序列预测

对时间序列预测,利用自回归移动平均模型(ARIMA)给出了一种新的基于动态模糊神经网络(DFNN)的模型。该模型中主要是考虑了输出误差这个重要因素。将ARIMA模型产生的非线性特征用DFNN模型模拟,能够产生比DFNN和ARIMA单个模型更加精确的模型。因此,它可以作为一个适当的替代模型来预测任务,特别是当需要更高的预测精度的时候。最后用Mackey-Glass时间序列验证了模型的有效性。

网络异常点检测中性能指标阈值的动态确定方法

通过检测代表性能降质的异常点来实现故障的提前发现和快速恢复是提高通信网的可靠性的重要手段.采用基于统计假设检验的网络异常点检测方法,提出一种综合运用季节累积自回归滑动平均模型时间序列预测和置信区间计算来动态获取性能指标阈值的方法.利用累积自回归滑动平均模型在训练集上的拟合残差白噪声符合正态分布的假设,给出了一种通过构造满足t分布的随机变量来计算预测值在任意置信度1-α下置信区间的新算法.理论分析和实验结果表明,该阈值动态确定方法有效.

非洲裔美国人队列中长期空气污染与血压的相关性:Jackson心脏研究

非洲裔美国人不同程度地受到高血压的影响,可能与空气污染暴露有关,如细颗粒物和臭氧。方法:在非洲裔美国人Jackson心脏研究参与者中,采用log-binomial回归,研究1年及3年平均细颗粒物及臭氧浓度与第1次(2000-2004,5191例)及第2次随访(2005-2008,4105例)时高血压患病率及发病率的相关性。研究者采用线性回归和分层线性模型,在校正社会人口、行为和临床特征后,评估与收缩压、舒张压、脉压和平均动脉压的相关性。