基于CEEMD-ITSA-BiLSTM组合模型的短期负荷预测

准确预测电力系统短期负荷有助于灵活规划系统资源、合理安排机组工作调度以及提高系统运行效率。针对负荷预测精度问题,文中提出了一种基于CEEMD-ITSA-BiLSTM(Complete Ensemble Empirical Mode Decomposition-Improved Tunicate Swarm Algorithm-Bidirectional Long Short-Term Memory)的短期负荷预测模型。对时序性负荷数据进行CEEMD分解,得到若干个平稳的IMF(Intrinsic Mode Function),并对每个IMF进行BiLSTM建模预测。为了提高BiLSTM的精度,采用ITSA算法对BiLSTM的隐含层节点数、学习率和训练次数等超参数进行参数寻优,建立CEEMD-ITSA-BiLSTM负荷预测模型。文中以实际负荷数据进行仿真实验,对比了单一BiLSTM和不同算法优化的BiLSTM模型,结果表明CEEMD-ITSA-BiLSTM模型的RMSE(Root Mean Square Error)、MAE(Mean Absolute Error)和MAPE(Mean Absolute Percentage Error)误差指标相比于BiLSTM模型分别提高了48.54%、51.32%和44.78%,显著低于其他对比模型。

基于CNN-LSTM的原煤产量预测模型

为了准确地预测原煤产量,本文选择结合卷积神经网络(convolutional neural network,CNN)与长短期记忆网络(long short-term memory,L-STM)算法,建立基于CNN-LSTM的原煤产量预测模型。使用2010年1月至2021年12月中国原煤产量的月度数据作为训练集,2022年1月至2022年12月的数据作为检验集。利用训练后的模型预测2023年1月至2023年12月的原煤产量。通过与其他两种单一模型进行对比,并根据绝对相对误差评估模型预测结果。结果表明:CNN-LSTM模型的原煤产量预测结果与实际值的绝对最大误差为4.98%,预测精度显著提高,得到了2023年一整年的月度原煤产量预测结果,为国家未来发展和企业规划提供了科学的指导依据。

基于ForGAN的高速电梯制动器失效预测方法

针对高速电梯制动器失效率及维护决策方面的研究目前仍存在明显的不足。为了解决目前高速电梯在制动器失效率预测上存在结果准确性和可靠性不足的问题,对高速电梯制动器失效模式和机理进行了分析,确定了影响制动器失效的主要原因和相关参数,提出了一种经贝叶斯超参数优化后的预测性生成对抗网络(ForGAN)模型。首先,采集了高速电梯制动器工作性能数据,并对其进行了归一化处理;然后,利用主成分分析法进行了理论失效率计算,并采用了基于BO+ForGAN的模型对制动器失效率进行了预测和分析;最后,将所得结果与SVM、BiLSTM等传统预测模型所得结果进行了分析对比,并选取绝对误差、均方根误差、决定系数(R2)对上述各个预测结果的精度进行了评估。研究结果表明:基于BO+ForGAN模型的制动器失效率预测效果最好,泛化能力最高,能适应不同的实验工况,且贝叶斯超参数寻优算法能够找到一组最优的超参数。评估结果显示,高速电梯制动器失效率预测值的准确率达到了98.1%,从而验证了基于BO+ForGAN模型(方法)的有效性。

基于EMD-Bayes-SVR组合模型的短期电力负荷预测

短期电力负荷是电力供需平衡的关键,针对短期电力负荷预测精度问题,文中提出了EMD(Empirical Mode Decomposition)-Bayes-SVR(Support Vector Regression)组合预测模型,即将原始电力负荷序列通过EMD方法分解为若干个IMF(Intrinsic Mode Function)和1个Res(Residual),依据Hurst指数将各IMF重构为高频分量、低频分量和残差分量,利用贝叶斯优化算法对SVR进行参数寻优,将寻优得到的最佳参数带入SVR并对重构后的3个分量分别进行预测,将3个分量的预测值相加得到最终预测结果。以美国内布拉斯加州的历史电力负荷数据为例,建立8种单一预测模型和7种组合预测模型作为参照模型,对该地的电力负荷序列进行预测。实验结果表明,EMD-Bayes-SVR组合预测模型能够有效预测短期电力负荷的变化趋势,其MAE(Mean Absolute Error)、RMSE(Root Mean Square Error)和MAPE(Mean Absolute Percentage Error)这3种误差评价指标数值相对于SVR模型分别降低了29.84%、32.05%和22%,并显著低于其它参照模型。

基于FA-SVR-LSTM组合模型的短期电力负荷预测

短期电力负荷预测作为维护电网系统运行和分析的基础,为电网系统的经济调度、安全分析提供了判断依据和信息,对维护电网系统的正常运行具有重要作用。文中采用萤火虫算法(Firefly Algorithm,FA)将SVR(Support Vector Regression)模型的惩罚因子c、核参数g和LSTM(Long Short-Term Memory)模型的神经元个数m、学习率lr进行优化,利用寻优的最佳参数建立FA-SVR-LSTM组合预测模型,并对样本数据进行预测。以佛罗里达州电力负荷历史数据为例,建立LSTM、SVR、FA-SVR和FA-LSTM4种参照模型,对该地15天360 h的电力负荷进行预测,并与FA-SVR-LSTM预测结果作比较。实验结果表明,FA-SVR-LSTM模型与LSTM模型和SVR模型相比,预测精度分别提高了33.1849%、30.3265%,且MAPE(Mean Absolute Percent Error)和RMSE(Root Mean Square Error)两种误差指标评价值低于其它4种模型。相比于其他模型,FA-SVR-LSTM组合模型预测效果得到了显著提高。

风电功率预测技术研究综述

为了更好地开展风电功率预测的应用研究工作,以点预测、区间预测、概率预测以及场景预测为主线,对现有的风电功率预测技术进行了归纳、总结和梳理。首先,分析了风电功率预测的难点,按照不同的时空尺度、预测形式、预测对象以及预测模型对风电功率预测进行了分类;基于不同的分类,分别阐述了当前风电功率预测的模型、理论及方法;然后,分析了国内外主要的风电功率预测软件和系统,并总结了风电功率预测误差的评判标准和指标;最后,探讨未来风电功率预测的发展趋势。本文的研究工作,可为风电功率预测研究以及风电功率预测系统的开发应用,提供较为全面的参考信息。

Kappa系数在干旱预测模型精度评价中的应用——以关中平原的干旱预测为例

Kappa系数较多地用在评价遥感影像分类精度中。通过对分类影像和参考影像逐个像元统计,并建立误差矩阵,可以较准确地验证遥感影像分类的精度。将Kappa系数引入到关中平原地区加权马尔可夫和自回归移动平均两种干旱预测模型的精度评价中,基于标准降水化指数和条件温度植被指数两种干旱指标,对干旱监测数据和模型预测数据建立误差矩阵,得到了错估误差、漏估误差、总体精度和Kappa系数。综合应用4种评价指标分析模型的预测结果表明,错估误差和漏估误差能够验证预测模型的局部适用性,总体精度在一定范围内不能够直接反映模型的预测精度,Kappa系数可以较精确地评价不同时空间尺度的干旱预测模型精度。当参与预测的样本数目增加到一定程度时,Kappa系数和总体精度基本相等,可以更准确地评价模型预测精度。

基于聚类与非参数核密度估计的风电功率预测误差分析

针对实际风电场风电功率预测误差呈现出季节、时序和功率变化特性,提出基于聚类分析与非参数核密度估计的方法研究风电功率预测误差的概率分布特性。采用聚类分析的方法进行月份、时段的缩减,有效地将误差特性相似的误差数据归为一组,从而在考虑误差分布多样性的基础上兼顾误差分布的整体趋势。在此基础上,考虑功率特性,采用非参数核密度估计方法进行风电功率预测误差概率分布拟合并采取基于迭代的窗宽求解方法。通过拟合精度评价指标验证所提方法的适用性及有效性。

基于数据特征提取的风电功率预测误差估计方法

估计风电功率预测误差对电力系统的调度与控制、安全与防御等方面具有重要意义。从风电历史数据和日前预测数据特征提取的角度,研究了日前风电功率预测误差的估计方法。首先,提取并分析影响风电功率预测误差的主要因素,包括风电出力波动程度、风电功率幅值、预测方法等,并通过数据统计分析其相关性。然后,结合风电历史运行数据,采用多元线性回归方法建立风电功率预测误差的估计模型。最后,基于比利时电力运营商Elia公开的风电场实际运行数据,进行了仿真算例分析。所述方法也在中国西北部某省调度系统上应用于备用需求分析,并实现了试运行。

江苏省空气质量预报准确度及改进方法分析

介绍了江苏省重污染天气监测预报预警系统以及大气重污染预警会商流程,将2015年13个地级市的模式预报、人工预报结果分别与实际观测值进行比较。结果表明:人工预报更准确,PM_(2.5)日均值、臭氧日最大8 h平均值、AQI 3个指标人工预报和实况的相关性分别比模式预报高出12.8%、0.3%、11.4%,平均标准误差(MNE)分别低20.7%、3.1%、23.1%。依据国家空气质量预报技术指南评分办法,对各市2015年全年空气质量级别为"良"时进行评分。通过开展07∶00预报更新,使2015年上半年空气质量预报级别得分平均提高了0.9分,全年级别得分平均提高了2.6分;通过改进模式预报参数,使PM_(2.5)日均预报值、臭氧日最大8 h平均预报值、AQI预报值和实际观测值的相关性比上年同期分别提高26.0%、5.0%、33.9%,MNE分别降低3.6%、31.3%、7.6%。

基于影响因素分析和小波神经网络的供热量预测

基于统计方法分析了实测时间序列中各影响因素与供热量的相关性。应用小波分析有效提取序列中的局部信息,与神经网络相结合,可分析蕴藏在系统中的非线性动态特性。建立了小波神经网络预测模型,把影响供热量的因素分为与其相关性较大(系统循环流量、供水温度和回水压力)和较小(供、回水压力和回水温度)的2组数据,预测结果证实与供热量相关性较大的1组影响因素的拟合程度比相关性小的高。就预测结果的准确性与BP神经网络结构进行了比较。结果表明,基于影响因素分析和梯度修正的小波神经网络供热量预测方法具有良好的动态特性、较强的泛化能力和较高的预测精度,适用于系统供热量的短期预测。

基于改进灰色-周期外延模型的中长期水文预报

通过分析灰色系统理论和周期分析方法在水文预报中的各自特点,建立了灰色-周期外延组合预报模型。针对模型预报误差,采用AR(p)模型对误差序列进行拟合和预测,并据此对原模型预测值进行校正。将改进后的模型应用于中长期径流预报实例计算中,结果表明,改进后的模型更好地利用了实测系列的信息,具有更高的预报精度。

新标准下空气质量预报指导产品对比检验

为了解和掌握上级指导产品对石家庄市空气质量预报的适用性,进一步提高石家庄市空气质量预报的准确性,利用国家气象中心(NMC)、北京区域气象中心(BJ)和河北省气象局(HB)空气质量预报产品,对石家庄市夏季4种主要污染物PM_(2.5)、PM_(10)、O_3和SO_2的预报进行了对比检验,结果表明:1)NMC对4种污染物的预报效果均逊于HB和BJ的,对PM_(10)、PM_(2.5)和SO_2的预报值明显较实况偏大,尤其在发生重污染天气时,对PM_(10)和PM_(2.5)的空报率高达90%以上;2)HB对PM_(10)和SO_2的预报效果好于BJ的,对SO_2的预报值与实况值均在一个等级范围内,发生重污染天气时,对PM_(10)的预报效果好于BJ的,预报值更接近于实况,但对重污染向优、良转折天气的预报值偏高;3)BJ预报PM_(2.5)和O_3的效果好于HB的,对O_3的0级误差级别预报准确率高达90.5%,对PM_(2.5)优到轻度污染等级的预报效果较好,但对重污染天气的预报值低于实况。

业绩预告历史、经济政策不确定性与企业投资

现有文献发现,宏观经济环境和管理层特质均可能影响企业投资,但对两者交互作用的研究比较少。以2003—2016年A股上市公司的季度数据为样本,检验管理层业绩预告历史所体现的预测能力(或特质)是否影响经济政策不确定性与企业投资之间的关系。研究发现,以往的业绩预告的准确度越高,本期的投资效率越高,但以往的业绩预告的准确度对经济政策不确定性与企业投资之间的关系无显著影响;以往的业绩预告的乐观偏差会降低本期的投资效率,而以往的业绩预告的乐观偏差越大,企业投资总量和投资效率对经济政策不确定性的敏感度越弱。研究结果表明,在企业投资的治理机制中应该考虑业绩预告历史所体现的管理层特质的影响。

粒子群神经网络混合算法在负荷预测中的应用

电力系统负荷预测结果的准确性关系到电力系统的调度运行、生产计划和供电质量,为此在研究短期负荷预测中应用了粒子群PSO和BP神经网络相结合的混合算法。该算法先应用粒子群优化算法算出BP神经网络的连接权向量和阈值,每次迭代求出最优粒子的权向量和阈值及BP网络在这组权向量和阈值的实际输出值,最后得出第i个粒子的适应度函数。与其他方法相比,该算法预测精度较高:平均相对误差≤1.48%,最大相对误差≤4.10%,而且收敛速度快,预测结果满足短期负荷预测误差要求。

其他综合收益、管理防御与分析师预测

以2009—2013年A股非金融上市公司为研究对象,基于管理防御视角,研究了其他综合收益(OCI)对分析师预测的有用性。研究发现,分析师盈余预测时更充分反映了正值其他综合收益,对负值其他综合收益反映不足;其他综合收益为负值时,分析师会向下修正预测值,且会造成预测误差;而其他综合收益为正值时,却没有向上修正预测值,也没有导致预测误差。进一步研究发现,相对于管理防御程度高的情况,仅在管理防御程度低时,其他综合收益才对分析师预测有用。

加工中心主轴热误差的灰色残差修正模型研究

介绍了一种基于灰色残差修正模型的加工中心主轴热误差预测的建模方法。仿真结果表明,这种新的建模方法具有较高的精度,为高度复杂的非线性模型化提供了一条新途经。此方法利用某一机床厂具体的数据进行检验,得到了满意的结果。

温特斯线性和季节性指数平滑法预测模型在医院管理中的应用探讨

目的探讨温特斯线性和季节性指数平滑法预测模型在医院管理中的应用价值。方法建立温特斯线性和季节性指数平滑法预测模型对成都市卫生局所属医院2009年1～4季度门急诊诊次进行季节预测,并评价该预测模型的预测精度。结果温特斯线性和季节性指数平滑法预测模型对成都市卫生局所属医院2009年1～4季度门急诊诊次的定量预测结果满意。通过计算机反复迭代试算,获得了一组最佳的平滑常数(α,β,γ),使预测模型的预测误差最小。该预测实例平均绝对百分误差(MAPE)为3.5703%<10%,预测精度较高。结论温特斯线性和季节性指数平滑法在医院管理中有实用价值。在建立预测模型时,结合计算机进行迭代运算,可建立最佳预测模型,进一步提高预测精度。

加权马尔可夫链理论在肉类产量预测中的应用

为准确反映肉类产量的波动特征,基于加权马尔可夫链理论提出了灰色残差修正模型,采用均值-均方差分级法,将残差灰拟合精度指标划分为4个状态,利用加权马尔可夫链理论对残差预测值进行修正。以1994—2011年郑州市肉类产量为基础,建立预测模型进行实证分析,并在模型中加入等维信息,结果表明,与传统的灰色预测相比,预测平均相对误差由21.88%降低为1.312%,较好地提高了预测精度。