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IEA-ARIMA模型的微博信息传播效率研究

构建一种基于改进欧拉算法的时序模型(IEA-ARIMA),从复杂网络理论和路径两方面选取多个指标,对网络静态拓扑结构进行分析,探索不同网络结构下的微博信息传播效率。得出在球型网络、随机网络和微博网络三种不同结构中,球型网络是最优的传播环境,可显著提升微博信息的传播效率。文中深入探讨网络拓扑结构对信息传播效率的影响,并提供新的预测方法,对提高微博信息的传播效率具有重要意义。

基于改进决策树算法的变电站监控数据异常检测研究

为实现对变电站监控数据异常的精准检测,提高电气设备运行的安全性,本文研究了基于改进决策树算法的变电站监控数据异常检测。首先采集变电站中电气设备在运行中的状态数据,并对其进行零均值处理,在此基础上,建立变电站监控设备运行状态数据时序模型,统一管理设备运行数据;其次利用改进决策树中的树状结构,标注与分类数据,并在改进决策树中分割与记录模型数据,实现对变电站监控数据的分类;最后引进差分序列算法,感知变电站监控数据中的异常数据流,完成异常检测方法的设计。实验结果表明,该数据异常检测方法的应用效果良好,检测结果的平均绝对百分比误差最小,监控数据异常检测结果最为精准。

基于改进教学优化算法的Hermite正交基神经网络混沌时间序列预测

针对传统预测模型对混沌时间序列预测精度低、收敛速度慢及模型结构复杂的问题,提出了基于改进教学优化算法的Hermite正交基神经网络预测模型.首先,将自相关法和Cao方法相结合对混沌时间序列进行相空间重构,以获得重构延迟时间向量;其次,以Hermite正交基函数为激励函数构成Hermite正交基神经网络,作为预测模型;最后,将模型参数优化问题转化为多维空间上的函数优化问题,利用改进教学优化算法对预测模型进行参数优化,以建立预测模型并进行预测分析.分别以Lorenz系统和Liu系统为模型,通过四阶Runge-Kutta法产生混沌时间序列作为仿真对象,并进行单步及多步预测对比实验.仿真结果表明,与径向基函数神经网络、回声状态网络、最小二乘支持向量机及基于教学优化算法的Hermite正交基神经网络预测模型相比,所提预测模型具有更高的预测精度、更快的收敛速度和更简单的模型结构,验证了该模型的高效性,便于推广和应用.

利用人工鱼群算法对光纤陀螺随机漂移建模

利用历史数据,对光纤陀螺随机漂移进行准确建模,对提高光纤捷联惯导系统的精度具有十分重要的意义。文中详细介绍了人工鱼群算法(Artificial Fish Swarm Algorithm,AFSA)和改进人工鱼群算法(Improved Artificial Fish Swarm Algorithm,IAFSA),给出了AFSA对随机信号建模的详细步骤和方法,分别应用传统的时间序列分析方法、人工鱼群算法、改进人工鱼群算法对光纤陀螺的随机漂移进行了建模。建模结果表明,AFSA对光纤陀螺随机漂移建模准确,比传统时间序列分析建模精度提高1.5%,IAFSA建模精度比AFSA建模精度更高,其收敛速度也更快。无论是从建模复杂度上,还是在建模精度上,AFSA和IAFSA均优于传统的时间序列分析方法,IAFSA是一种收敛速度更快、建模精度更高的光纤陀螺随机信号建模方法。

基于置信规则库推理的过程报警预测方法

为了更加有效的利用流程工业中的各种历史报警信息,对未来时刻的系统安全性进行评判,提出了一种基于置信规则库推理的过程报警时间序列预测方法,利用过程变量的历史报警数据建立置信规则库模型,采取粒子群算法进行模型参数学习。该预测模型可以对未来一段时间过程可能产生的报警状态变化趋势进行预测。通过数值实例仿真及实际工业过程报警数据对该模型进行验证,得到了较为满意的预测结果。

基于二次分解策略和模糊时间序列模型的航空客运需求预测研究

提高航空客运需求预测的准确性对于航空公司以及整个航空运输系统的发展都具有重要的现实意义。以往研究普遍采用单一分解策略去处理航空客运需求时序中存在的复杂特征,以此提升组合模型的预测性能。然而传统的分解策略存在着特征提取不完全、分解方法带有固有缺陷等问题,导致组合模型预测效果不能得到充分的提升。为此,本文提出一种基于二次分解策略和模糊时间序列模型的航空客运需求预测方法。该方法首先利用季节调整模型(X12-ARIMA)将原始时序分解成季节成分序列与季节调整后序列,继而利用改进的自适应噪声集成经验模态分解方法(ICEEMDAN)将季节调整后序列分解成一系列不同时间尺度的本征模态函数(IMF)和残差序列(Residue)。然后使用基于模糊C均值算法(FCM)划分论域区间的FTS模型对季节成分序列、各IMF分量以及残差序列分别进行预测。最后将各分量序列的预测结果进行集成,重构出航空客运需求的预测值。实证结果表明,本文所提出的二次分解策略表现显著优于传统的分解策略,并且本文所提出模型对于航空客运需求预测有着较高的准确性。

一种新的神经树网络模型优化方法

神经树网络模型已成功应用于解决各类复杂的非线性问题,并且神经树网络模型的优化过程一般是先拓扑结构优化再参数优化,这种无参数信息的结构优化策略的缺点是干扰适应度的评价.鉴于此,提出一种改进的遗传规划(BGP)算法来综合神经树网络模型的两个优化过程.在两个时间序列预测问题上的仿真实验结果表明,所提出算法是一种有潜力且具备较好效能的方法.