电力需求的非线性回归组合神经网络预测研究

电力需求同时具有典型的增长性和季节波动性二重趋势,从而显示出复杂的非线性组合特征。为了提高电力需求的预测精度,提出一种新的预测模型——非线性回归组合神经网络模型。该模型有效兼顾了非线性回归分析和人工神经网络的优点,与其他预测模型进行了比较,该模型明显提高了电力需求预测的精度。仿真实验表明了该模型用于电力需求预测的可行性和有效性。同时,该模型也可以作为其他类似季节型时间序列预测建模的有效工具。

改进非线性外源自回归网络的潮位实时预测

中国海域辽阔,海岸带面积约占全国总面积的13%,在沿海区域的交通运输及经济建设领域,都需要具备精确的潮位数据,因此实现精准快速的潮位预报具有重要的应用价值和实际意义。为了提高潮位预测精度和稳定性,提出了一种基于带外源输入的非线性自回归(nonlinear auto-regressive exogenous, NARX)神经网络的实时潮位预测方法,并在其基础上做了相应改进。首先采用了模块化潮位预测(modular tide level prediction)方法,将潮汐数据分为天文潮及非天文潮两部分,其次引入滑动时间窗(sliding time window, STW)概念构建出改进的MS-NARX神经网络预测模型。利用美国比斯坎湾(Biscayne bay)的实测潮汐值数据进行潮位预测的仿真试验,并与传统NARX神经网络及自适应粒子群算法优化的基本反向传播(SAPSO-BP)神经网络两种预测方法进行比较,结果表明在MAE、MSE及RMSE三项精度指标测算中,MS-NARX神经网络均为最小,可见其针对数据预测的精度和稳定性均优于SAPSO-BP神经网络和传统NARX神经网络,能够为提高船舶运营效率和保障船舶航行安全提供指导。

基于非线性自适应回归神经网络的GPS/IMU组合导航方法

车道级高精度定位导航是智能网联汽车的基本配置,全球定位系统(globlal positioning system,GPS)/惯性测量单元(inertial meansurement unit,IMU)组合导航是高精度定位的关键技术之一。根据汽车行驶过程中高精度定位要求,提出了应用于智能网联汽车的基于非线性自适应回归(nonlinear autoregressive exogenous,NARX)神经网络的GPS/IMU组合导航方法。首先,根据IMU传感器数据特性,建立了基于扩展卡尔曼滤波的惯性导航系统(inertial navigation system,INS)模型,其次,基于NARX神经网络,建立了GPS/INS组合定位训练和预测模型,然后,基于全球导航卫星系统(global navigation satellite system,GNSS)、实时动态差分技术(real-time kinematic,RTK)、INS等技术,设计了智能网联汽车RTK高精度定位数据采集实验系统,并收集了实验数据。最后,对NARX网络训练误差和GNSS信号长时间失效情况下定位预测误差进行了讨论与分析。实验结果表明,该方法在GNSS信号失效5 min情况下,定位预测误差在2.5 m以内,满足一般情况下,短、中、长隧道中智能网联汽车定位应用要求。

基于非线性自回归网络的民航货运量预测模型

应用基于非线性自回归神经网络的预测模型对民航货运量进行预测。选取不同的时滞，将季度国民生产总值作为外生变量，对1993—2010年的季度民航货运量进行预测。试验结果表明，当预测变量和外生变量的时滞均等于3时，预测效果最佳。

基于优化非线性自回归神经网络模型的水质预测

针对突发性水污染事件频发的问题,以上海市某支流具有代表性的监测断面为研究对象,通过优化调整输入数据段以及延迟阶数与隐含层神经元数等模型参数,构建基于历史水质时间序列的优化非线性自回归(NAR)神经网络模型,预测分析pH、溶解氧(DO)质量浓度和浊度3项水质指标的变化趋势。结果表明:优化后的NAR神经网络模型具有较好的非线性处理能力;当输入数据量为180,pH、DO质量浓度和浊度的神经网络模型的延迟阶数分别为2、3、9,隐含层神经元数为10时,NAR神经网络模型对pH、DO质量浓度和浊度的预测均方根误差分别为0.053、0.382 mg/L和17.300 NTU,平均绝对百分比误差分别为0.53%、3.97%和18.01%,预测效果较好。

基于粒子群-变分模态分解、非线性自回归神经网络与门控循环单元的滑坡位移动态预测模型研究

以三峡库区八字门阶跃型滑坡为例,针对静态机器学习模型在周期项位移预测中的不足以及高频随机项位移预测困难等问题,提出了一种新的滑坡位移预测方法。基于时间序列分解思想,采用粒子群算法(PSO)对变分模态分解(VMD)进行参数寻优,并将位移时间序列分解为趋势项、周期项和随机项。趋势项主要受滑坡内部因素影响,采用傅里叶曲线进行拟合预测;周期项由外部因素导致,基于格兰杰因果检验进行成因分析,并引入一种对时间序列历史状态具有较高敏感性的非线性自回归神经网络(NARX)进行预测;随机项频率较高且影响因素无法判定,采用一维门控循环单元(GRU)进行预测。最后将各分量预测位移进行叠加重构,实现滑坡累计位移的预测。结果表明,提出的(PSO-VMD)-NARX-GRU滑坡位移动态预测模型精度较高,且各位移分量预测精度明显高于静态模型中BP神经网络、支持向量机(SVM)和传统自回归模型ARIMA,可为阶跃型滑坡位移预测提供参考。

基于改进非线性自回归网络的洪水预测算法

针对流域的洪水预测具有高度非线性和随机性的问题,提出了一种混合预测模型用于流域的洪水预测.该模型是一个集成了数据预处理模块的具有外部输入的非线性自回归神经网络,采用小波变换进行时间序列分解,利用多基因遗传编程进行细节缩放,以提高时域和频域特性的提取能力,进一步捕获时间序列的非平稳性,与NARX结合可以大幅提高洪水预测的准确性,利用栾川水文站15年中所测水文数据对所提模型进行验证和测试.实验结果表明,相比较于传统算法和其他预测算法,所提出的算法具有更高的预测准确度和性能,可广泛应用在洪水预测等领域.

基于小波非线性自回归网络的水文预测模型

不同时间尺度上的水文序列预测在水资源调配和防洪减灾决策中起着重要的作用。提出了一种基于小波分解和非线性自回归神经网络相结合的水文时间序列预测模型(WNARN)。运用Daubechies 5(db5)离散小波将水文序列数据分解为低频和高频子序列,作为非线性自回归神经网络模型(NARN)的输入变量,贝叶斯正则化优化算法用来泛化网络,训练模型对各子序列进行模拟预测,预测值经db5小波重构后得到原序列预测值。利用渭河流域三个水文站40多年的月径流量序列对所提出的WNARN模型进行验证和向前48步的预测能力测试,并与单一NARN模型的验证和预测结果进行对比。结果显示在相同的网络结构下所提出的方法能够显著提高水文序列的预测精度、预测周期及对重大水文事件的预测性,具有较高的泛化能力。

基于稀疏自编码非线性自回归网络的负荷电价预测方法

准确的电价和负荷预测对现代电力系统至关重要,但由于电价与负荷之间存在较强的相关性,若不考虑其相互影响,将导致预测的精度下降。为了提高现有方法的预测准确性,在考虑价格与负荷关系的前提下,提出了一种基于深度递归神经网络的价格与负荷预测模型,即基于外部输入的稀疏自编码器的非线性自回归网络,其功能包括特征提取和预测。首先针对特征提取环节,对原有方法进行改进,提出了稀疏自编码器,可以大大提高特征提取的有效性。其次,利用非线性自回归网络进行电价和负荷预测。使用电力市场大数据ISONE和PJM进行仿真验证,与级联Elam网络相比,ESAENARX在负荷预测方面将平均绝对误差降低了16%,在价格预测方面降低了7%。

基于非线性自回归神经网络的线路故障率预测

针对低压配电线路的安全运行问题,为保证电能的稳定供应和社会生产活动的正常运转,对线路的故障发生概率进行了预测,可为增强输配电线路的安全运行提供理论依据。首先分析了云南省某地区的低压配电线路运行数据,针对电压异常(失压、断相、电压过高、电压偏差异常、三相电压不平衡)、功率异常、功率因素异常等故障类型进行研究;其次对故障发生概率随时间变化的序列平稳性进行分析,绘制相应的自相关和偏自相关函数,确定自回归滑动平均模型的最优阶数,并建立ARMA预测模型;然后根据确立的预测模型输入延迟阶数,建立了非线性自回归神经网络预测模型,通过建立的模型预测了后168个时间点的线路故障发生概率。

基于非线性自回归神经网络的燃气轮机建模方法研究

针对燃气轮机机理建模因缺失设计数据而建模难的问题,研究了非线性自回归神经网络建模的方法,并利用某在役燃气轮机的运行数据,建立了燃气轮机非线性自回归神经网络仿真模型。结果表明:该方法可以较好地仿真燃气轮机的关键参数,验证了采用非线性自回归神经网络建立燃气轮机仿真模型的可行性。

隧道围岩变形的非线性自回归时间序列预测方法研究

针对传统时间序列预测模型的单一线性和忽略施工过程影响的静态局限性,提出非线性自回归(包括NARNN与NARXNN)时间序列预测模型.该模型通过引入动态施工影响因子作为附加的外部输入,同时结合模型本身的反馈结构和延迟单元,在结构和动态特性上更加符合实际系统,可以非线性动态地考虑隧道施工全过程.运用该模型对史家山2号隧道施工过程中的围岩水平收敛和地表变形进行预测.结果表明:1)非线性自回归预测模型比传统的ARMA预测模型的预测精度高、适应性好;2)通过多次预测并对结果取平均值,可以保证非线性自回归预测模型预测结果的预测精度和稳健性;3)通过优化动态施工影响因子的取值方法,可以进一步提高NARXNN时间序列预测模型的预测精度.

基于非线性多参数模型的软件老化检测

提出了一种软件系统的非线性有源自回归(Nonlinear AutoRegressive models with eXogenous Inputs,NARX)网络模型的老化检测方法。解决了目前软件老化方法未考虑多变量间关联性及历史数据的延迟影响的问题。该方法首先通过对实验采集的HelixServer-VOD服务器性能数据进行主成分分析,确定网络的输入维数,根据AIC准则确定最佳模型阶数,最终选取合理的网络模型结构;使用已知的未老化状态样本对NARX网络进行训练,建立系统的辨识模型;然后运用序贯概率比检验(Sequential Probability Ratio Test,SPRT)对NARX辨识模型的残差进行假设检验,判断系统的老化状态。实验分析表明,基于NARX网络模型的故障检测方法能够有效地应用于软件老化的检测。

自回归神经网络的电离层总电子含量预报

为了进一步提高TEC的预报精度,针对TEC时间序列高噪声、非平稳、包含线性和非线性动态序列的特性,运用经验模态分解和非线性自回归动态神经网络,基于分解-预测-重构的思想构建EMD-NAR预测模型;并对比分析EMD-NAR组合模型和单一模型的预报精度,同时运用EMD-NAR预测模型分析不同环境下的电离层TEC时间序列。实验结果表明EMD-NAR动态神经网络模型能很好地反映电离层TEC的变化特性,平静期和活跃期的预测平均相对精度分别为94%和88.3%,预报残差小于1个TECu的分别占71%和68.5%,小于3个TECu的分别占90.3%和87.5%。

基于PSO-NARX网络的司机驾驶行为分析方法

舒适性、准时性、节能性等是衡量高速铁路自动驾驶水平的重要指标,通过不断学习优秀司机的驾驶行为,可以优化列车自动驾驶性能,促进高速铁路自动驾驶技术的发展。基于现场列车运行数据,提出一种带有外部输入的非线性自回归(NARX)网络的列车司机驾驶行为分析方法。该方法构建了具有时序特征的NARX网络模型,并选取多项影响司机决策的参数作为输入,利用粒子群优化算法(PSO)确定网络的权重和阈值,对下一时刻列车运行情况进行预测。仿真结果表明:本文提出的PSO-NARX网络分析模型的预测效果优于前馈型神经网络(BP)、PSO-BP、NARX,相比于BP算法,迭代步数降低了373步,误差降低了8382%,相关系数达到了90117%。通过此预测,可以优化列车的自动驾驶设备性能指标,保障列车准时的同时,提高了乘客乘坐的舒适性。

用于数据预测的人工神经网络

考虑到股市情况通常受不同外部因素的影响,股票市场预测是时间序列分析中最困难的预测分析之一。本文的研究旨在调查在时间序列是非稳定状态下和最常见的情况下,研究人工神经网络（ANN）在解决预测任务中的潜力。我们使用前馈型神经网络结构,具有外部输入的非线性自回归网络。神经网络的训练函数用来跟新权重和偏差参数,神经网络模型的特点是具有反向传播算法的自适应学习速率的梯度下降算法。使用均方差（MSE）测量在评估模型的性能,通过对比使用这种技术和一些ARIMA模型得出的结果进行比较。比较分析得出的结论是,提出的模型可以成功应用于预测相关数据。

非线性自回归神经网络在肾综合征出血热流行趋势预测中的应用

目的 探讨非线性自回归（NAR）神经网络拟合及预测我国HFRS流行趋势的应用.方法 使用2004-2013年全国HFRS月报告发病数序列建立ARIMA模型和NAR神经网络模型,预测2014年HFRS月发病数,并比较两模型的拟合和预测效果.结果 对于拟合集,ARIMA模型的平均绝对误差（MAE）、均方误差平方根（RMSE）和平均绝对误差百分比（MAPE）分别为148.058、272.077和12.678％,NAR神经网络分别为119.436、186.671和11.778％;对于预测集,ARIMA模型的MAE、RMSE和MAPE分别为189.088、221.133和21.296％,NAR神经网络分别为119.733、151.329和11.431％.结论 NAR神经网络对于全国HFRS流行趋势拟合及预测效果优于传统的ARIMA模型,具有良好推广应用价值.

基于NARX网络模型的挖掘机液压系统故障检测

提出了一种针对挖掘机液压系统的非线性有源自回归(nonlinear auto-regressive with extrainputs,NARX)网络模型的故障检测方法。NARX网络模型是一种将有源自回归(auto-regressivewith extra inputs,ARX)模型与神经网络相结合的系统建模方法,具有很强的非线性辨识能力。该方法首先选取合理的网络模型结构,并根据AIC准则确定最佳模型阶数;使用正常状态样本对NARX网络进行训练,建立系统的辨识模型;然后运用序贯概率比检验(sequential probability ratiotest,SPRT)对NARX辨识模型的残差进行假设检验,检测系统的故障状态。实验分析表明,基于NARX网络模型的故障检测方法能够有效地应用于挖掘机液压系统。

基于EMD优化NAR动态神经网络的地铁客流量短时预测模型

为了能够更加准确地实现地铁客流预测,提出了一种基于经验模态分解算法(empirical mode decomposition,EMD)优化非线性自回归(nonlinear auto regressive,NAR)动态神经网络的地铁客流量短时预测模型.分析地铁客流量数据后发现日客流量具有一定的变化规律,为此使用了基于时间序列的NAR动态神经网络,该网络具有优秀的非线性动态拟合能力和反馈记忆的功能.结合EMD经验模态分解算法优化NAR动态神经网络预测模型,以此来减少预测误差,提高预测精度.结果显示,EMD-NAR神经网络组合预测模型适用于地铁客流的短时预测,预测精度可达93%,具有较好的应用价值.

EMD与NARX神经网络的风电场总功率组合预测

探索构建对风电场总功率进行直接预测的高精度组合预测算法。考虑到风速的非平稳性导致风电总功率表现为非平稳时间序列,采用NARX神经网络作为初步预测模型,提出了经验模态分解与NARX神经网络相结合的混合预测模型。对风电场总功率非平稳时间序列进行经验模态分解,得到不同频带本征模式分量的平稳序列。对不同频带的平稳分量建立相应的NARX神经网络预测模型,并将各分量模型的预测值进行等权求和得到最终预测值。此外,为研究不同时间间隔对预测结果的影响,采用某大型风电场时间间隔为5 min与15 min的数据进行实验。预测结果表明,提出的组合预测模型适合于总功率预测,其预测效果比传统模型的效果更佳,且时间间隔为5 min的数据比时间间隔为15 min的数据预测精度更高。