纳米磨削分子动力学仿真Gear预测修正算法

纳米磨削是实现超精密加工的重要方法,纳米磨削能产生极其薄的切屑,实验证明纳米磨削的切屑厚度可以下降到1nm。因此可以使用分子动力学仿真来分析纳米磨削机理。运用Gear预测修正算法对磨粒原子和工件原子之间的相互作用进行了研究。建立了分子动力学仿真的运动方程,对其进行了数值求解,从而获得了工件原子变化后的位移和速度。

基于改进Cao算法的SSA与误差修正的超短期风电功率预测

针对风电历史信息运用不充分和未充分挖掘机器学习模型潜力的问题,提出一种特征奇异谱分析和模型误差修正的超短期功率预测。首先,利用随机森林分析不同特征对输出功率的影响程度,并利用累积贡献率进行特征提取。其次,通过改进的Cao算法确定奇异谱分析最佳嵌入维数,对提取的特征实现降噪处理,从而构建风电功率预测模型。最后,利用预测值与真实值的误差构建误差预测模型,通过预测的误差来修正功率预测的结果。以国内某小型风电场算例结果表明,所提方法较卷积神经网络-长短期记忆(CNN-LSTM)预测模型均方根误差(RSME)和均方误差(MSE)分别降低45%和53%,验证了所提模型的有效性。

基于考虑误差修正的非线性自适应权重组合模型的光伏发电功率预测

为了提高光伏电站光伏发电功率预测精度,解决极限梯度提升模型、长短期记忆模型2种传统单一模型及传统组合模型极限梯度提升-长短期记忆模型的光伏发电功率预测结果滞后、预测效果易突变、预测误差较大、线性拟合性较差等不足,基于极限梯度提升算法、长短期记忆算法和线性自适应权重,提出一种考虑误差修正的非线性自适应权重极限梯度提升-长短期记忆模型进行光伏发电功率预测;分别使用极限梯度提升算法和长短期记忆算法训练得到2种单一模型,将2种单一模型的初步预测值和真实值组成新的训练数据集,利用神经网络算法训练所提出的模型,对2种单一模型的初步预测值分配自适应权重系数,并根据训练时所提出模型的预测值大小分段统计预测误差的分布,预测时根据所提出模型的预测值在预测结果的基础上累加误差均值从而进行误差修正,进一步提高所提出模型的预测精度;利用Python语言分别对所提出的模型、传统组合模型和2种传统单一模型在晴天、阴天和雨天的光伏发电功率预测性能进行仿真。结果表明:与极限梯度提升-长短期记忆模型、极限梯度提升模型、长短期记忆模型相比,所提出模型的均方根误差分别减小28.57%、 39.39%、 49.79%,平均绝对误差分别减小44.25%、 53.33%、 64.8%,决定系数分别增大1.43%、 2.38%、 3.34%,所提出的模型更有效地减小了传统单一模型的光伏发电功率预测误差,优化了传统组合模型的权重系数;3种天气条件下所提出模型的光伏发电功率预测误差相对最小且稳健性最强,验证了所提出模型的有效性。

基于误差修正和VMD-ICPA-LSSVM的短期风速预测建模

精准的风速预测是将风能大规模应用到电力系统中的关键,而风速序列的随机性和波动性等特点使得风速预测难度增加.为增强风速序列的可预测性,采用Logistic混沌映射策略、自适应参数调整策略以及引入变异策略对食肉植物算法(CPA)进行改进,并提出了基于误差修正和VMD-ICPA-LSSVM的短期风速预测模型.首先将气象因子作为最小二乘支持向量机(LSSVM)的输入对风速进行预测,获得误差序列.再利用K-L散度自适应地确定变分模态分解(VMD)的参数,并对误差序列进行分解.结合改进食肉植物算法(ICPA)优化LSSVM可调参数的方法来预测分解的子序列.叠加各子序列预测结果后对原始预测序列进行误差修正,进而得到最终风速预测值.实验结果表明,与其他模型相比,所提模型有着更好的预测精度和泛化性能.

基于优化分解与误差修正的光伏发电功率预测

针对光伏发电功率预测精度不高的问题,提出一种基于优化分解降噪联合误差修正模型。该模型分为3个阶段,第一阶段,首先用基于全局搜索的鲸鱼优化算法(GSWOA)选取变分模态分解(VMD)的参数,之后运用优化后的VMD对原始数据进行分解;然后利用互相关分析重构高频分量,最后对高频分量进行小波软阈值降噪(WTSD);第二阶段,运用门控循环单元(GRU)对每个分量进行预测,将所有分量预测结果叠加起来得到初步预测结果;第三阶段,对初始预测结果进行误差修正(EC)。为验证模型的有效性,利用宁夏太阳山光伏电站2021年1、4、7、10月份的光伏实测数据进行实验,实验结果表明,相比于LSTM、GRU、VMD-LSTM,该混合模型表现出更好的性能。

基于改进SLIQ算法的用户侧短期负荷时间序列预测模型

配电网净负荷需求较大,环境敏感度高,短期负荷预测可靠性较差,由此,研究基于改进SLIQ算法的用户侧短期负荷时间序列预测模型。采用SLIQ算法,分类处理包含气候变化的海量负荷数据,分析用户侧需求响应的不确定性,将分类后的数据和用户需求响应率输入基于时间序列的组合预测模型,初步预测用户侧短期负荷结果;利用S型函数的神经网络模型,改进SLIQ算法求解过程,采用梯度搜索学习的方式,修正S型激发函数计算误差,调整用户侧需求响应的不确定性,输出用户侧短期负荷预测结果。测试结果显示,该模型结合气象条件因素后,完成历史负荷数据分类的可行性较高,日负荷预测准确率和拟合系数结果分别在0.95和0.94以上,能够可靠完成用户侧负荷预测。

基于误差修正和CEEMDAN-IGWO-ELM的股票价格预测建模

针对股票价格非平稳、非线性等特性引发预测精度低的问题,引入Halton Sequence搜索算法、莱维飞行与等级制度策略对灰狼优化算法(GWO)进行改进,提出一种基于误差修正和CEEMDAN-IGWO-ELM股票价格预测模型。首先将股票交易数据进行归一化处理,作为极限学习机(ELM)的输入对股票价格进行预测得到初始预测结果,进而得到误差序列。然后利用PE自适应地确定自适应噪声完备集合经验模态分解(CEEMDAN)的参数,对误差序列进行分解,利用IGWO算法优化ELM模型可调参数对每个子序列建模预测,叠加各子序列预测结果对初始预测序列进行误差修正,得到最终股票预测值。仿真实验与Diebold-Mariano检验结果表明,与其他预测模型相比,所建立模型具有更高的预测精度和优越性。

动态残差修正LSTM算法的突发型滑坡位移预测

针对突发型滑坡存在位移趋势突变性,传统长短时记忆(LSTM)神经网络方法存在位移预测精度不足的困难,提出一种基于动态残差修正LSTM算法的突发型滑坡位移预测方法。首先,采用动态流转训练,将由累计位移得到的变形速率通过经验模态分解(EMD)得到周期项及趋势项;其次,通过多项式预测趋势项、动态LSTM预测周期项,并由2项之和得到主预测变形速率;随后,通过对比实测速率与主预测变形速率,得到残差项,并建立动态流转训练的残差LSTM网络预测残差速率;然后,由主预测变形速率与残差预测变形速率之和得到最终预测速率,并进一步得到累计位移预测值;最后,以某突发型滑坡为例,验证该方法的科学性、有效性,以及预测精度和优势。结果表明:将变形速率序列作为预测对象并进一步得到累计位移预测值,比直接预测累计位移值具有更高的准确性;而基于动态残差修正LSTM算法预测的MAE、MAPE、RMSE及R 2指标分别为43.843、1.901%、79.394和0.960,相比于传统LSTM预测方法具有明显优势。

基于GPS的弹道修正弹落点预测算法误差分析

利用GPS进行弹道测量进而预测落点偏差是弹道修正弹采用的一种常用方法,GPS测量误差对基于GPS的落点预测算法精度有直接影响,该文以摄动落点偏差预测算法为例分析了GPS误差对弹道修正弹落点预测算法误差的影响,确定了GPS误差引起的落点预测算法误差标准差与极限误差求解方法,这可为合理利用基于GPS的落点预测算法提供参考。最后进行的仿真实验表明,GPS误差是落点预测算法误差的主要来源,落点预测算法随机误差分布在GPS误差引起的落点预测算法预测误差极限误差内。

求解广义混合隐拟平衡问题的预测修正算法

引入和研究了一类新的具有四元函数的广义混合隐拟平衡问题·这类平衡问题包含了很多已知的广义平衡问题和广义混合隐拟变分不等式问题作为很特殊的情形·利用辅助原理技巧建议和分析了求解广义混合隐拟平衡问题的预测修正迭代算法·所建议算法的收敛性仅需要映象的连续性和部分松弛强单调性·

具有误差预测修正的DMC算法

ＤＭＣ（动态矩阵控制）是预测控制的典型算法之一，它具有建模简单，计算量少，鲁棒性强等特点。但是，现有的各种ＤＭＣ算法，在任一时刻的误差信息均是采用该时刻的实际输出与上一时刻的一步模型输出预测的差值，并以此补偿基于模型的预测，当模型失配较为严重时，其控制品质不太理想。为此，利用预测误差的历史数据建立误差预测模型，通过对误差的预测来修正基于非参数模型的过程预测输出，从而得到了具有误差预测修正功能的ＤＭＣ算法。仿真结果表明，该算法能够较好地克服建模误差的影响，提高了控制品质。

偏差修正算法的风电短期功率预测

结合风场实时数据以及风场气象数据,分析了实时数据并制定了数据清洗规则;针对风电功率预测领域预测精度低的问题,首先利用深度信念网络(DBN)、支持向量机(SVR)、BP神经网络和六次多项式拟合(ployfit)四种传统方法对风电功率进行了一次预测并计算一次预测偏差,利用气象背景相关性以及拟合法、中位数法、聚类法分析与寻找一次预测偏差特征分布,并在此基础上提出偏差修正算法(Error Correction Algorithm),通过仿真对比,验证了偏差修正算法的二次修正效果,偏差修正算法对一次预测偏差具有良好的修正效果,能更好的提升预测准确度;进一步利用风速与功率的相关性考察偏差修正算法的修正效果,结果显示相关性越低,偏差修正算法的修正效果越明显。

一种基于实时航迹的流量预测修正算法

本文针对民航班机在巡航阶段的直线运动轨迹和弧线运动轨迹进行了理论误差分析,在简化4D轨迹预测模型的基础上,提出了基于实时系统航迹数据的流量预测动态修正算法,试验结果表明该算法能够满足管制员的实际应用需要,可以为实际的空中交通流量管理方案实时提供更加准确的决策支持。

Newton迭代法的修正算法——预测式迭代法

基于Newton迭代法,给出了一种加快迭代速度的新算法———预测式迭代方法,它提供了一种加速迭代的新思想,具有很好的理论意义和实用价值.

基于Bootstrap误差修正的电力负荷短期预测深度学习模型

针对负荷数据非线性、强波动性等特点导致数据规律性较弱电力负荷预测模型不准确的问题,构建基于Bootstrap误差修正的TCN-WOA-Bi LSTM-Attention电力负荷短期预测模型。使用时序卷积神经网络(TCN)提取时序特征并通过注意力机制(Attention机制)对特征突出重要信息贡献度,通过鲸鱼优化算法(WOA)寻找双向长短时记忆(Bi LSTM)神经网络最优超参数以减少人工搜索超参数的负面影响后进行预测;基于Bootstrap分析预测区间误差分布,通过覆盖率(PICP)是否低于对应置信度判断对预测结果进行修正的必要性,并选取合理修正范围。仿真结果表明,基于Bootstrap方法进行误差修正避免了修正不足及修正过度的问题,对比将误差序列全部修正的方法更具有科学性,能最大程度提高模型预测精度。

基于在线相位角辨识的改进落点预测修正算法

针对目前弹丸在实际飞行过程中,二维弹道修正引信修正指令离线补偿存在相位角偏移量估计误差问题,提出了基于在线相位角辨识的改进落点预测修正算法。采用导航位置信息估计当前时刻实时过载,根据当前时刻时间,对落点预测弹道存储的预测弹道过载信息进行插值,得到预测弹道此时弹丸过载信息,通过计算当前过载估计值与预测弹道理论解算值之间误差,结合实际测量得到的修正翼面滚转角信息,对修正指令补偿项相位角进行在线辨识。仿真结果表明:基于在线相位角辨识的改进落点预测修正算法能够根据弹丸实际飞行状态在线估计出修正指令相位角偏移量,与离线补偿算法相比,能够有效补偿弹丸飞行过程中由于射击、气象等条件扰动所带来的对修正指令相位角偏移量的影响,克服修正指令离线补偿存在相位角偏移量估计误差问题,弹丸对目标打击CEP提升至少25%。同时该算法实现简单,具有较好的工程可实现性。

基于修正遗传算法的上市公司财务盈余预测模型构建

过去的财务盈余预测往往以统计方法进行,同时预测结果只能以增长或衰退的二元式模式输出,而类神经网络的预测方式也可能因变数的增加,使得网络较为复杂,不容易收敛。为提高上市公司财务预测的准确率,减少传统模型的训练样本数,在传统遗传算法的基础上,本文提出了一种以实际值编码方式代替二进制编码方式的修正遗传算法,构建了基于该修正算法的财务盈余预测模型。以中国电子行业上市公司数据为样本,对建立的财务盈余预测模型进行实验验证,结果表明:修正的遗传算法在每股盈余预测上是一个可行的预测工具,且具有预测实际值的能力,在对小样本的趋势预测上可达到95%的预测准确度,而在实际值的预测上误差比率不到10%。

基于BiLSTM网络与误差修正的超短期负荷预测

电力负荷预测对于电力系统电量供需平衡、经济运行具有重要意义,电力负荷具有随机性、波动性等不确定性特征且易受天气因素影响,负荷准确预测存在技术挑战。提出了一种基于双向长短期记忆(BiLSTM)神经网络与误差修正的超短期负荷预测模型,采用最大信息系数描述各影响因素与负荷的关系,并进一步对输入特征进行筛选;考虑负荷变量数值序列的时序性,利用BiLSTM网络建立负荷预测模型,针对预测结果误差,采用自适应噪声的完备集合经验模态分解(CEEMDAN)算法将误差结果序列分解为若干分量,每个误差分量分别再建立BiLSTM预测模型。以我国北方某地区配电网实际负荷数据为算例,采用不同神经网络模型进行对比测试,结果表明该模型具有更高的准确度。

基于比例因子的改进落点预测修正算法

针对以前的落点预测修正算法由算法误差引起的落点散布圆概率误差偏大的问题,提出了基于比例因子的改进落点预测修正算法。该算法以经典落点预测修正算法为基础,取二维弹道修正引信每秒纵向与横向最大修正能力的比值为比例因子,改进引信控制滚转角的计算。该算法和以前的落点预测修正算法相比,充分考虑了二维弹道修正引信修正能力变化情况,提高了算法精度,从而减小由算法误差引起的落点散布圆概率误差。仿真结果表明,该算法有效减小了由算法误差引起的落点散布圆概率误差。

基于时域特征的故障行波灰色残差修正组合预测算法

针对传统故障行波灰色残差修正组合预测算法存在行波检测性能较差的问题,设计一种基于时域特征的故障行波灰色残差修正组合预测算法,对故障行波数据实施预处理,包括数据平滑处理、归一化处理、空穴填补、平稳化处理、失真数据查找与修正,利用处理后的故障行波数据,基于故障行波的时域特征对故障行波实施故障行波波形变化跟踪,通过TEO能量算子实现波形变化跟踪,根据故障行波波形变化跟踪结果,构建故障行波灰色残差修正模型,实现故障行波灰色残差修正组合预测算法。仿真实验结果证明,该算法的行波检测性能优于传统算法,实现了传统算法的性能突破。