Very Short-Term Generating Power Forecasting for Wind Power Generators Based on Time Series Analysis

In recent years, there has been introduction of alternative energy sources such as wind energy. However, wind speed is not constant and wind power output is proportional to the cube of the wind speed. In order to control the power output for wind power generators as accurately as possible, a method of wind speed estimation is required. In this paper, a technique considers that wind speed in the order of 1 - 30 seconds is investigated in confirming the validity of the Auto Regressive model (AR), Kalman Filter (KF) and Neural Network (NN) to forecast wind speed. This paper compares the simulation results of the forecast wind speed for the power output forecast of wind power generator by using AR, KF and NN.

基于时间序列聚类算法优化下的多变量短期负荷预测模型研究

为提高短期负荷预测的精度问题,针对短期负荷预测的特点,采用了对海量序列数做数据增强聚类操作,和外部输入变量(天气因素)并行处理,提出了基于时间序列聚类算法优化下的多变量短期负荷预测模型,并对某电力售电公司进行了实际操作。结果表明:该方法大幅提升了模型的预测精度和实用能力。

基于特征强化神经网络的交通流预测

为了解决挖掘特征能力不足的问题,充分提取不同出行高峰日特征来提高交通流预测的准确性,本文提出了基于特征强化的交通流预测模型——卷积神经网络(convolutional neural network,CNN)–特征增强(feature enhancement,FE)–门控循环单元(gate recurrent unit,GRU)(CNN-FE-GRU)神经网络模型。该模型首先采用CNN来挖掘不同时间序列下路口与车流量的潜在联系,有效地捕捉时序数据的特征;其次提出FE模块来增加模型聚焦能力,刻画不同时间节点对目标时间节点交通流的相关性,同时为每个时间节点赋予相应权重;最后采用GRU对输出的时序数据进行进一步的特征提取,并在全连接层的作用下实现交通流的预测。实验结果表明,CNN-FE-GRU模型的平均绝对误差(mean absolute error,MAE)、均方误差(mean-square error,MSE)和均方根误差(root mean square error,RMSE)平均值分别为0.229、0.1308、0.3388,相较于对比模型均有不同程度下降,CNN-FE-GRU模型在精确度和预测性能方面都有了显著提升。

基于机器学习的短期电力负荷预测方法比较及改进研究

针对电力系统对短期电力负荷预测精确性的需求,以长短期记忆算法为基础,采用差分自适应进化算法对其进一步改进,从而提出一种基于机器学习的混合算法(SaDE-LSTM)对电力负荷进行短期预测。基于我国2004—2018年间月度社会用电负荷数据,对改进后的混合算法进行性能测试,首先利用差分进化算法的自适应变异和交叉因子来优化长短期记忆算法的初始参数,在此基础上,运用寻优得到的参数训练长短期记忆算法从而得到优化后的预测结果。为证明其优越性,对同组数据采用支持向量机(SVM)、反向传播神经网络、自回归积分滑动平均等算法分别预测。各方法预测结果和真实结果对比分析证明,SaDE-LSTM算法对时间序列数据量要求较低,同时相比其他传统算法有更高的预测精度。该改进算法能够为参与电力系统调度的虚拟电厂、负荷聚合商等对小样本和高精度预测有需求的主体提供参考。

基于贝叶斯方法与可解释机器学习的负荷特性分析与预测

使用机器学习模型和方法进行短期负荷预测,虽能提升负荷预测的整体精度,但在极端天气、节假日等小样本预测场景中,对比基于专家经验的人工预测无明显优势。为充分结合预测业务人员的经验知识与机器学习的推理泛化能力,提出了一种基于贝叶斯时变系数(BTVC)与CatBoost模型的可解释负荷预测框架。首先,结合数据与专家知识,构建BTVC模型进行预测,获得各影响因子、趋势及周期因素的负荷分量。其次,将上述结果与常规特征进行组合,作为CatBoost回归模型的输入,进行最终预测。然后,使用事后模型解释框架(SHAP)进行归因分析,框架输出的定量关系可供负荷预测业务人员参考,使其开发出更有效的特征,进一步提高预测效果。最后,以某地区实际电网负荷数据为例,验证所提负荷预测与结果分析框架的有效性。

利用出租车GPS轨迹数据进行短时交通流量预测:以重庆市解放碑街区为例

交通流量预测是智能交通系统的重要组成部分。以重庆市解放碑街区为研究区域进行交通流量预测分析,基于研究区域内出租车GPS轨迹数据处理获取时间间隔为5、10、15 min的交通流量序列。同时为充分挖掘交通流量序列特征规律,减小序列非线性、非平稳性带来的影响,提出一种基于信号分解的预测模型LE-RL(linear regression model-empirical mode decomposition-random forest-long short-term memory network)。通过一般线性模型(linear regression model,LR)将原始序列分解成周期序列、趋势序列和残差,同时引入经验模态分解(empirical mode decomposition,EMD)方法对残差进一步分解以充分挖掘序列特征;模型预测方面,构建随机森林(random forest,RF)模型对周期序列和趋势序列进行预测,接着引入长短期记忆网络模型(long short-term memory network,LSTM)构建RF-LSTM残差模型对EMD分解的各分量进行预测,通过叠加各模型预测成果得到最终预测结果;为验证模型精度,设置对照模型进行比对。结果表明:所构建的LE-RL模型在预测精度上均高于对照模型,可以满足基于不同样本时间间隔的交通流量预测的需要。

基于WA-LSTM的短时交通流组合预测模型

为解决一维短时交通流数据难以提取特征而造成预测精度低的问题,引入小波分解对传统LSTM模型进行改进,构建一种基于WA-LSTM的短时交通流组合预测模型。首先通过小波多尺度辨析将一维短时交通流时间序列数据分解为低频趋势分量和高频细节分量,舍去最高频细节分量达到去噪效果;然后对剩余的分量使用LSTM进行建模和预测,将每个分量得到的预测结果重构,最终得到短时交通流预测结果;最后通过Pems系统实测数据对模型进行验证。研究结果表明,在以5 min为间隔的短时交通流预测中,WA-LSTM模型比传统BP、传统LSTM、WA-BP模型的预测精度更高。

基于小波分解与重构的时间序列预测法

一般的时间序列预测方法对非线性非平稳的信号不适用 .本文提出了一种基于多分辨率小波分解与重构的预测方法 .与一般方法相比 ,这种方法有效地提高了预测的准确度 .

基于ARIMA模型的短时交通流实时自适应预测

实时、准确的短时交通流量预测是智能交通系统(ITS)中的一个关键问题。基于采用ARIMA(p,d,0)模型结构的时间序列分析方法,提出一种短时交通流实时自适应预测算法。在该算法中采用带遗忘因子的递推最小二乘方法进行参数估计,采用基于线性最小方差预报原理的Astrom预报算法进行预报。针对大量实测数据进行仿真实验,结果表明:减小遗忘因子可以提高一步预测的性能。此外,将该算法分别应用于工作日和双休日的数据时,仿真实验都取得了较好的预测效果,说明该算法对不同交通流状况具有较好的适应性。

城市交叉口交通流特征与短时预测模型

时间尺度大于15 min的城市交通流预测模型已无法满足交通信号实时控制和交通信息实时发布的需求,通过对广州市中心区交叉路口交通流长期观察和数据采集,分析了各种时间尺度的交通流特性,提出以路口信号周期作为时间尺度,绿灯流率作为变量的ARIMA(p,d,q)短时交通预测模型。以1个和3个信号周期的时间尺度为例,对城市交叉路口不同时间段交通流进行建模和预测。结果表明ARIMA(p,d,q)预测模型结构稳定,算法简单,时间尺度为3个信号周期的预测模型可以很好地保持交通流特征,均方根误差为0.015 9,预测精度较高。

长江宜昌年最大洪峰周期分析和长期预报研究

基于小波变换研究了长江宜昌站年最大洪峰流量周期变化和长期预报.研究表明,宜昌站年最大洪峰流量存在多时间尺度特征,其主要周期有4.5a、9a、14a及30a;提出了基于小波变换的最近邻抽样回归组合预报模型并运用于年最大洪峰流量序列预报,效果较好,同时与谐波预报法进行了对比。本文研究成果对长江三峡水库防洪调度有着重要的参考价值。

基于小波分析的石油价格长期趋势预测方法及其实证研究

本文将小波方法引入到油价长期趋势的预测中 ,利用小波多尺度分析的功能 ,提出了一种可以较为准确地根据油价时序列预测其未来长期走势的方法。这种方法的优点在于可以准确地提取油价的长期趋势 ,从总体上把握油价的非线性波动特征 ,从而能够很好地利用油价时间序列的历史数据 ,开展对未来一段时期内的多步预测。实证研究中 ,对Brent油价开展了时间跨度为 1年的趋势预测 ,并将预测结果与ARIMA、GARCH、Holt winters等方法得到的结果进行了比较 ,表明了基于小波分析的长期趋势预测法的预测能力是其他方法所不能比拟的 。

应用混沌理论的电力系统短期负荷预测

应用混沌方法对电力系统历史负荷时间序列进行数理统计处理，并将这种混沌特性应用于短期负荷预测。不直接考虑气候等随机因素，只要根据过去负荷时间序列及计算所得的Ｌｙａｐｕｎｏｖ指数规律，就可得到较高的预测精度。对东北电网实际负荷时间序列进行预测，取得满意的结果。

短时交通流量两种预测方法的研究

实时、准确的完成短时交通流量预测是实现交通控制与诱导的关键。采用基于L-M算法的BP神经网络预测方法和基于混沌时间序列的预测方法对短时交通流量时间序列进行了预测研究,给出两种方法的基本原理及具体的预测步骤,并对一组实际的流量数据进行了预测。仿真结果表明:两种方法都能较准确的预测交通流量,但混沌时间序列方法的实时性更好一些,更适合于预测短时交通流量。

基于WA-GRNN模型的年径流预测

针对传统的中长期水文预测方法由于缺乏对水文要素本身内部结构和变化特性的描述,往往导致建模过程中确定模型结构、参数等存在盲目性,而以往常用预测模型收敛速度较慢、模型结构及参数优化复杂等问题,将小波分析(WA)和GRNN神经网络联合使用,建立了中长期水文预测模型:即先应用WA揭示水文序列内部结构及变化特性,从而将原序列分为确定性成分和随机成分两部分,然后利用GRNN神经网络对确定性成分和随机成分分别进行模拟预测,最后将两部分结果叠加作为最终预测值。将该模型用于沱江中上游三皇庙水文站年径流的预测,并与传统方法进行对比。结果显示该模型预测效果较传统方法更好,能有效地揭示序列的时频结构和变化特性,对于生产应用具有较强的实际意义。

基于模糊聚类与函数小波核回归的短期负荷预测方法

短期负荷预测日益成为智能电网的重要课题。将历史日负荷序列表示成等负荷段组成的子序列集合,基于模式相似性方法,采用模糊聚类与函数型小波核非参数回归(FWKNR)相结合的组合预测算法。FWKNR将预测日负荷表示成历史日相应负荷段的加权平均值,将与参考段更相似的段赋予更高权重,并基于离散小波变换的形状相似性度量,采用N-WE计算权重;由预测日各分段预测快速完成日预测。模糊聚类针对单一用户历史负荷进行典型负荷模式的分类预处理,并识别与预测日有更相似行为模式约减的有效训练样本集合参与模型预测。基于某地区实际负荷数据,实验比较分析验证了组合算法的优越性。

融合BP神经网络与ARIMA的短时交通流预测

为了能在交通管理中提前采取措施规避可能存在的交通拥挤或堵塞,提出了一种高效可靠的短时交通流预测算法.首先采用BP神经网络与自回归求和滑动平均(ARIMA)两种方法分别建立单项预测子模型,再以BP神经网络作为最优非线性组合模型的逼近器,建立组合预测模型,对单项预测子模型的预测值进行融合,由此得到最终的预测结果.通过MATLAB与SPSS平台对实测交通流量数据进行了仿真分析,结果表明,该种组合预测方法是切实可行的.

短时交通量时间序列的小波分析-模糊马尔柯夫预测方法

基于短时交通量时间序列的随机波动特征,提出一种小波分析和模糊马尔柯夫结合的预测方法.首先对交通量时间序列进行多分辨率小波分解,然后对低频部分和高频部分分别进行重构,对重构后的基本信号和干扰信号建立模糊马尔柯夫模型,最后对多个预测结果进行合成,从而得到交通量的预测结果.此外,根据灰色系统理论的新息优先原理,实时更新马尔柯夫预测模型中的状态转移矩阵,进一步提高预测精度.通过对苏州某交叉口短时交通量预测,表明小波分析和模糊马尔柯夫结合的预测方法具有良好的抗干扰能力和容错能力.

基于混沌理论的电力系统短期负荷预测的局域模型

短期负荷预测是电力系统调度的基础,其预测精度直接影响系统运行的安全性和经济性。传统预测方法在对影响负荷的不确定因素的模拟方面主要采用概率方法和模糊集方法,有局限性。为此,仍然有必要探索新的、更合适的方法。在此背景下,考虑采用混沌时间序列来进行短期负荷预测。首先,利用混沌时间序列理论对负荷时间序列进行相空间重构,同时提取吸引子的分形维数,结果表明负荷时间序列具有混沌特性;并通过分析时间序列连续功率谱和计算最大Lyapunov指数,进一步证实了短期电力负荷时间序列具有混沌特性。之后,通过采用局域线性预测模型和广义自由度方法确定最近邻域点数,来进行短期负荷预测。最后,以某实际电力系统2007年3月1日至5月14日的负荷数据作为历史样本,对次日的负荷进行预测,说明了所提出的方法的基本特征。

基于WA、ANN和水文频率分析法相结合的中长期水文预报模型的研究

针对传统中长期水文预报方法模拟预测结果精度低、未考虑水文不确定性因素的影响等问题,本文将小波分析(WA),人工神经网络(ANN)和水文频率分析法联合使用,建立了不确定性中长期水文预报模型:即在应用WA揭示水文序列变化特性的基础上,将原序列分为主序列和随机序列两部分,然后利用ANN对主序列进行模拟预测,对随机序列进行水文频率分析,最后将两部分结果叠加作为最终预测值。将该模型用于黄河河口地区作中长期水文预报,并与传统方法作对比,进行模型验证。结果显示:该模型能同时揭示序列的时、频结构和变化特性;预报值结果精度高;且合格率高;能定量分析和描述水文不确定性因素对预报结果的影响,可得到不同频率对应水文序列的模拟预测值。因此该模型的预报结果更加合理有效,对实际生产应用更具有指导意义。