Recurring Multi-layer Moving Window Approach to Forecast Day-ahead and Week-ahead Load Demand Considering Weather Conditions

The incorporation of weather variables is crucial in developing an effective demand forecasting model because electricity demand is strongly influenced by weather conditions.The dependence of demand on weather conditions may change with time during a day.Therefore,the time stamped weather information is essential.In this paper,a multi-layer moving window approach is proposed to incorporate the significant weather variables,which are selected using Pearson and Spearman correlation techniques.The multi-layer moving window approach allows the layers to adjust their size to accommodate the weather variables based on their significance,which creates more flexibility and adaptability thereby improving the overall performance of the proposed approach.Furthermore,a recursive model is developed to forecast the demand in multi-step ahead.An electricity demand data for the state of New South Wales,Australia are acquired from the Australian Energy Market Operator and the associated results are reported in the paper.The results show that the proposed approach with dynamic incorporation of weather variables is promising for day-ahead and week-ahead load demand forecasting.

高精度传感器标定曲线的预测拟合

针对量程为0～0．5mm电容式位移传感器，采用运动范围0～80μm压电陶瓷微位移发生器，对其进行标定实验。通过对整个量程的分段标定，以待标定传感器测量数据为基准，并基于灰色预测模型G（1，1），分别对缺省的待标定量程，输入信号量以及标准传感器测量值进行预测计算填补，最后得到待标定传感器的整个量程的标定值。再经过曲线拟合得到待标定传感器的标定曲线，从而得到了该传感器的性能指标。本文对于量程较大的高精度传感器在标定过程无法一次性实验的情况下，用于分段等问距取标定量程，对缺省部分进行预测建模计算填补，最后拟合曲线，很好的解决了此类标定问题。

突发性大气污染监测与预报技术集成移动平台

为应对突发性大气污染事故科学决策和规范处置的需要,在国家"863"课题"突发性大气污染事件模拟与风险控制技术"资助下,我国首个突发性大气污染监测与预报技术集成(IMF)移动平台研发成功.2010年7月5日至8月6日在北京市阳坊地区的综合外场实验表明,IMF移动平台从燃油燃烧事故监测至应急预案发布需时约5min.采用逐次偏差订正法,有效改进了气象预报场,实验中近地面黑碳预报最大浓度较合理.

基于灰色模型的无线传感器网络动态功耗管理研究

传感器节点能量受限是制约无线传感器网络使用寿命的关键因素,为了节约传感器网络的能量,提出了灰色模型的动态功耗管理(DPM)方法。该方法利用传感器节点上的历史数据应用灰色模型预测未来值,预测过程中可以动态调整预测参数,实现自适应预测,和小波自回归预测算法相比,提高了预测的准确性。基本思想是根据S ink节点上的数据来决定整个传感器网络的工作模式,在下个周期内若传感器节点的观测值不超过预定的阀值则不向S ink节点发送数据,通过缩短传感器节点的工作时间,降低节点间数据传输量来减少传感器网络的能量消耗。理论分析和实验结果表明本文提出的方法无论在预测准确性方面,还是在节约能量方面都是有效的。

无线传感器网络自适应预测加权数据融合算法

为提高无线传感器网络监测系统的可靠性及寿命,提出了一种基于分簇的自适应的预测加权数据融合(AFWDF)算法。AFWDF算法依据数据在时间上的相关性,建立预测模型。源节点与簇头利用前期监测数据的变化态势自适应调整预测模型参数对后期数据进行预测,源节点通过预测值与测量值比较提取特征值和剔除异常值,簇头根据特征值和预测值还原监测值,并计算监测值可信度和权重进行加权数据融合。通过性能分析及仿真,得出AFWDF可靠性较高,且在模拟环境下网络寿命周期比SAEMDA和BPNDA算法提高了15%左右。

基于聚类模型预测的无线传感网自适应采样技术研究

该文利用无线传感网(WSNs)的数据空间相关性,提出一种基于数据梯度的聚类机制,聚类内簇头节点维护簇成员节点的数据时间域自回归(AR)预测模型,在聚类内范围实施基于预测模型的采样频率自适应算法。通过自适应优化调整采样频率,在保证数据采样精度的前提下减少了冗余数据传输,提高无线传感网的能效水平。该文提出的时间域采样频率调整算法综合考虑了感知数据的时空联合相关性特点,仿真结果验证了该文算法的性能优势。

基于模糊时间序列的传感器网络感知数据预测模型

传感器网络监控系统属于大型复杂系统,由感知节点以一定的时间间隔向sink节点发送感知数据,以实现对应用环境的监控。由于网络本身及应用环境的影响,得到的感知数据往往存在不确定性。此外,周期性报告数据模式影响到实时监控数据的精确性。本文应用时间序列模型预测传感器数据以响应用户查询,可有效降低网络通信量。通过对无线传感器网络的数据分析,引入多属性模糊时间序列预测模型,充分考虑了无线传感器网络时间序列中存在的趋势因素,并提出了适合于传感器网络的修正预测模型。实验结果表明模糊时间序列模型可有效预测传感器网络数据,且能提高预测精度。

基于JN5139的农田无线传感器网内数据融合研究

在无线传感器网络中,各个节点的存储能力、通信能力、计算能力及能源的供给都十分有限,因而运用网内数据融合算法消除冗余数据,减小数据传输量,从而达到节省功耗、延长节点生命周期、提高数据采集效率和准确度的目的。介绍了系统结构及主要模块JN5139,采用简单滑动平均法、指数平滑法及自回归滑动平均模型(ARMA),在分析大量WSN数据的基础上,利用时间序列对数据进行建模预测,提出了适合WSN的数据处理模型并用Mat Lab进行仿真,之后将程序烧写到节点中进行试验。试验表明:该方法在保证采集数据可靠性的前提下有效地减少了网络的耗能,延长了网络的生命周期。

基于预测的节能数据分发机制

为减少无线传感器网络的数据流量,提出了一种基于预测的数据分发机制。在源节点和sink节点分别配置相同参数的预测器,用以预测未来采样值。当在源节点处预测值和实际采样值的差异大于某门限值时,当前采样数据才会被传送到sink节点。预测器采用双指数平滑预测模型,根据历史数据去预测未来数据。实验表明,该节能的数据分发机制可以滤除83%的冗余数据而仍然保持较高的精度。

模糊神经网络语音数据融合算法的研究

针对高噪音环境中的语音识别问题 ,提出一种利用模糊神经网络进行语音数据融合的新算法。该算法按一定模糊规则对语音信号的特征参数进行模糊化 ,并通过神经网络对每个传感器语音信号的模糊特征参数进行分类和融合。仿真实验表明 ,该算法鲁棒性更强 ;与单传感器算法相比 ,语音识别率得到较大的提高。

汽车承载称重传感器故障准确诊断仿真

针对目前汽车承载称重传感器故障诊断上存在精度低、实时性较差、传感器故障随机性强以及数据样本有限等不足,提出了基于灰色支持向量机理论的汽车承载称重传感器故障诊断分析方法。首先利用灰色模型预测传感器输出信号,通过与设定传感器故障阈值比较实现对汽车承载称重传感器故障的实时诊断,再依靠支持向量机强大的非线性映射能力完成对故障传感器实时信号的恢复。仿真结果表明,将灰色理论和支持向量机原理用于汽车承载称重传感器故障诊断是可行的,经现场实测数据验证得到所建模型称量误差较小,故障诊断精度高且实时性强,研究结果为汽车承载称重传感器故障的实时监测提供了一种新思路。

基于多步预测的无线传感网络自适应采样技术研究

针对现有无线传感网节能算法计算量大、终端节点能耗高以及上位机数据更新实时性低的问题,提出一种基于多步预测的传感网络自适应采样算法。该算法在上位机和终端节点间建立自回归预测模型进行同步预测,同时通过比较预测模型的前向多步预测值与数据变化趋势拟合值,达到自适应改变采样步长的效果。为验证算法的节能性,基于ZigBee的船舶下水气囊气压监测系统平台进行实验。结果表明:所提算法在均方根误差为0.089 2的情况下,比固定周期采样节能36.252%,比传统自适应通信算法节能26.912%,具有更好的能耗表现。

基于状态预测模型的水声传感器网络簇间节能路由算法

针对水声传感器网络因节点移动而造成路由失效的问题,建立水声传感器的位置状态和能量状态预测模型,提出一种基于状态预测模型的水声传感器网络簇间节能路由算法。该算法首先利用前向网关适合度评估簇间交汇区节点的数据转发能力,再利用前向网关候选表维护多条通往Sink节点的路由,提高簇间路由稳定性,最终实现网络能量均衡。仿真实验证明,该算法能够在节点移动的情况下保证簇间路由的稳定性,延长网络的生命周期。

基于组合模型的时栅信号处理系统健康状况预测

为了保障时栅传感系统稳定性、提高测量精度,提出一种基于ELMAN神经网络和灰色模型组合预测的时栅信号处理系统健康状况预测方法。采用克朗巴哈系数法分析确定激励信号幅值、相位为预测参数。基于ELMAN神经网络及灰色模型,结合加权-比例-平均思想实现了组合模型建模。根据系统运行实际,以幅值和相位的相对误差为指标,制定健康诊断标准。实验结果表明,组合模型预测结果的相对误差、预测均方差和相对系数分别为0.101 6、0.011 9和0.988 5,预测误差小、相关性高。经健康诊断标准判定,健康状况预测结果与电路实际相符。该健康状况预测方法预测精度高,且明显高于单一模型,满足提前准确获悉电路系统健康状况的要求。

人工智能在5G无线网络优化中的设计与实现

采用了贝叶斯网络模型,建立了多层感知器预测模型,设计并实现了5G无线网络优化系统。该系统经过大量路测数据的采集和分析,给出了5G无线网络优化问题的解决方案,提高了工作效率,实现了5G无线网络优化工作的智能化,显著提高了社会效益和经济效益。

基于预测模型的WSN节点能量融合机制

分析节点能量衰减的过程,采用节点能量衰减预测模型描述节点能量损耗的规律,并建立基于该预测模型的节点剩余能量汇报机制,从而减少节点能量数据的汇报次数以及节点间的数据通信量,降低节点能耗。实验结果表明,在应用该预测模型后,Telosb节点的电池工作寿命延长1%～4.5%。

无线传感器网络中一种高效的能量汇报融合机制

通过对telosb节点能耗规律的分析，建立能量预测模型（EFM）采用差介阈值融合汇报机制（DTARM）能够显著减少能量数据汇报次数，提高数据收集效率，降低能耗。实验表明：预测模型的预测成功率为70％-85％，采用差分-阈值融合汇报机制后能使节点的寿命延长5％-11％。

基于红外传感器和BP神经网络的景区客流预测研究

介绍了通过红外双向传感器进行游客计数采集,并由各数据采集点把数据通过无线网络传输到景区服务器数据库的客流数据统计方式。在此基础上,构建了采用BP神经网络算法进行函数逼近的预测模型,探讨了短时客流预测的方法,给出了有效的客流预测方案。从实际应用出发,在预测模型中考虑了预测变量和动态调用功能,使得所设计景区客流预测模型具有了较强的自适应能力。