检索结果-南通市图书馆

基于时序分解和SARIMA⁃DSR的台区可开放容量计算方法

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

现代电子技术 2024年第2期47卷 127-132页

作者：冯隆基楚成博方磊钱勇张法业王宁王金喜国网江苏省电力有限公司南京供电分公司江苏南京210000 山东大学控制科学与工程学院山东济南250061

合理地分析并准确计算台区可开放容量,能够优化配电系统的运行,提高线路利用率,保证台区配电变压器安全、经济、稳定运行。传统的可开放容量计算方法主要基于线路输电能力经验公式进行计算,未考虑高负荷运行台区的短时性及季节性,存在... 详细信息

合理地分析并准确计算台区可开放容量,能够优化配电系统的运行,提高线路利用率,保证台区配电变压器安全、经济、稳定运行。传统的可开放容量计算方法主要基于线路输电能力经验公式进行计算,未考虑高负荷运行台区的短时性及季节性,存在计算准确率和普适性低的问题。因此,提出一种基于局部加权周期趋势分解算法(STL)和季节性自回归滑动平均模型(SARIMA)与动态同时率(DSR)的台区可开放容量计算方法。该方法首先利用STL将历史台区负荷数据分解为趋势项、季节项和余项;其次,根据调整的历史台区负荷数据建立SARIMA台区负荷预测模型,预测未来台区负荷的变化及负荷峰值;同时,根据台区历史负荷数据建立台区DSR准则;最后,构建SARIMA‐DSR模型,合理调整可开放容量计算方法中的配置系数,实现台区的可开放容量的准确计算。

关键词：可开放容量 SARIMA 动态同时率 STL 时序分解负荷预测

基于时序分解与机器学习的非平稳径流序列集成模型与应用

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

水科学进展 2023年第1期34卷 42-52页

作者：张力王红瑞郭琲楠徐源浩李理谢骏北京师范大学水科学研究院北京100875 北京师范大学政府管理学院北京100875 中山大学土木工程学院广东广州510275 北京师范大学人工智能学院北京100875

揭示变化环境下非平稳径流序列波动特征,可为提高径流预测精度和涉水工程规划提供支撑。针对径流序列具有非平稳性、周期性和异方差性的特征,收集长江流域攀枝花、城陵矶和大通站2008—2018年实测径流资料,基于周期趋势分解法(STL)将原... 详细信息

揭示变化环境下非平稳径流序列波动特征,可为提高径流预测精度和涉水工程规划提供支撑。针对径流序列具有非平稳性、周期性和异方差性的特征,收集长江流域攀枝花、城陵矶和大通站2008—2018年实测径流资料,基于周期趋势分解法(STL)将原始数据分解为周期项、趋势项和剩余项,结合各子序列特征采用多模型集成获取未来径流的综合预测值,并将预测结果与Prophet、LSTM和GARCH等单一模型进行对比。结果表明:联合机器学习和时序分解的集成模型在多个评价指标上均优于单一模型,且对异方差效应显著的站点模拟精度提升明显;验证期内3个站点的纳什效率系数分别为0.96、0.95和0.93,表明该模型能有效模拟长江流域径流波动过程。

关键词：径流模拟时序分解机器学习异方差集成模型长江流域

维普期刊数据库博看期刊

基于时序分解与误差修正的新能源爬坡事件预测

在线全文

学校读者我要写书评

暂无评论

浙江大学学报（工学版） 2022年第2期56卷 338-346页

作者：童林官铮王立威杨文韬姚洋六盘水师范学院物理与电气工程学院贵州六盘水553004 云南大学信息学院云南昆明650091

为了提高以风电、光伏为代表的新能源的爬坡预测的准确性,提出基于主成分分析、时序分解与修正长短期记忆(LSTM)网络预测误差的爬坡预测模型.为了充分考虑功率的时序特性,采用时序分解方法将功率分解为周期、趋势和余项,结合多个特征因... 详细信息

为了提高以风电、光伏为代表的新能源的爬坡预测的准确性,提出基于主成分分析、时序分解与修正长短期记忆(LSTM)网络预测误差的爬坡预测模型.为了充分考虑功率的时序特性,采用时序分解方法将功率分解为周期、趋势和余项,结合多个特征因素的主成分建立基于LSTM的趋势和余项预测模型,实现功率的时间特征与影响因素主成分的映射关系刻画.在采用LSTM对趋势和余项进行初步预测的基础上,引入误差修正算法计算拟合预测模型的动态误差并构建新的非平稳时间序列,获得准度性更佳的趋势和余项预测值.通过加法模型融合趋势、余项以及利用朴素法获得的周期,得到最终预测功率.结合风电和光伏爬坡事件定义,运用所提模型分别进行风电和光伏爬坡预测.实验结果表明,与其他预测方法相比,所提模型在功率直接预测和爬坡事件间接预测上均具有更优的精度,能够为电网调度提供更可靠的依据.

关键词：主成分分析长短期记忆网络误差修正新能源爬坡时序分解

基于时序分解的中国季度实物资金流量表的编制

在线全文

学校读者我要写书评

暂无评论

统计与决策 2018年第8期34卷 5-11页

作者：黄靖贵广西师范学院混合与缺失数据统计分析广西高校重点实验室中央财经大学统计与数学学院广西壮族自治区统计局

社会资金流量统计以宏观经济视野来观察实体经济与金融经济的数量依存关系具有特殊的作用,对中国而言,中国实物资金流量表为此研究提供了很多便利,但与其他主要国家相比,中国实物资金流量账户以年度为频率发布数据,时效性还很落后。为此... 详细信息

社会资金流量统计以宏观经济视野来观察实体经济与金融经济的数量依存关系具有特殊的作用,对中国而言,中国实物资金流量表为此研究提供了很多便利,但与其他主要国家相比,中国实物资金流量账户以年度为频率发布数据,时效性还很落后。为此,文章根据中国的统计现状,利用已知中国实物资金流量核算年度数据、部门行业季度数据及尝试使用Chow-Lin分解方法和Denton分解方法,建立一套适合中国实物资金流量季度表数据的测算体系,并对2006—2014年中国实物资金流量季度表进行测算。

关键词：时序分解 Chow-Lin分解方法 Denton分解方法季度资金流量表

在线全文

学校读者我要写书评

暂无评论

模糊自回归在网络流量时序分解模型中的应用

计算机应用 2004年第4期24卷 86-88页

作者：王伟韩维桓南开大学机器智能研究所天津300071

传统时序分解模型在去除网络流量序列中的趋势性和周期性成分后,用AR模型处理剩余序列,因而只适合处理粗时间粒度的流量,而无法处理具有长相关性的细时间粒度流量。本文用模糊自回归模型替代AR模型,使得改进的时序分解模型能够对任何时... 详细信息

传统时序分解模型在去除网络流量序列中的趋势性和周期性成分后,用AR模型处理剩余序列,因而只适合处理粗时间粒度的流量,而无法处理具有长相关性的细时间粒度流量。本文用模糊自回归模型替代AR模型,使得改进的时序分解模型能够对任何时间粒度的网络流量进行建摸和预测。

关键词：时序分解自回归自相似长相关模糊自回归

在线全文

学校读者我要写书评

暂无评论

基于时序分解的用电负荷分析与预测

计算机工程与应用 2018年第20期54卷 230-236页

作者：王旭强陈艳龙杨青刘红昌国网天津市电力公司信息通信公司天津300010

在智能电网普及的大数据背景下,对电力数据进行精准的分析和预测对电网规划和经济部门的管理决策具有重要的指导意义,但大多数模型都只是在单一的时间尺度上进行研究。针对这一问题提出一种基于时序分解的后向传播算法的循环神经网络预... 详细信息

在智能电网普及的大数据背景下,对电力数据进行精准的分析和预测对电网规划和经济部门的管理决策具有重要的指导意义,但大多数模型都只是在单一的时间尺度上进行研究。针对这一问题提出一种基于时序分解的后向传播算法的循环神经网络预测模型。通过对真实的居民用电消费数据以及外部因素数据统计处理,深入地分析了居民用电特点以及行为规律,并根据其数据的特征以及天气、节假日等外部因素对用户用电行为的影响建立预测模型,对用户未来时段的用电量进行预测。此外,考虑到居民用电消费数据的时序特征在不同时间尺度呈现不同的变化规律,通过时序分解建立预测模型来对用户用电行为的周期性和趋势性进行建模,并通过加权融合达到一起训练的效果,具有一定的协同性,提升预测精度。

关键词：预测模型后向传播算法循环神经网络时序分解电力数据

基于时序分解和SSA-LSTM-Attention模型的尾矿坝位移预测

在线全文

学校读者我要写书评

暂无评论

科学技术与工程 2023年第29期23卷 12753-12759页

作者：唐宇峰陈星红蔡宇杨泽林蒲顺哲杨超凡四川轻化工大学机械工程学院宜宾644005 重大危险源测控四川省重点实验室成都610045 四川省安全科学技术研究院成都610045

针对尾矿坝位移变形的动态特性和传统预测模型在进行尾矿坝位移预测中的不足,提出了一种基于时序分解和麻雀搜索算法-长短时记忆-注意力机制(sparrow search algorithm-long short-term memory-attention mechanism,SSA-LSTM-Attention... 详细信息

针对尾矿坝位移变形的动态特性和传统预测模型在进行尾矿坝位移预测中的不足,提出了一种基于时序分解和麻雀搜索算法-长短时记忆-注意力机制(sparrow search algorithm-long short-term memory-attention mechanism,SSA-LSTM-Attention)模型的尾矿坝位移预测方法。首先,通过改进的自适应噪声完备集合经验模态分解算法(improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN)将尾矿坝位移监测数据进行分解为趋势项和波动项;其次,一方面采用高斯拟合方法对趋势项进行拟合预测,另一方面通过灰色关联度进行波动项相关影响因子筛选,并将注意力机制与LSTM相结合,建立了基于注意力机制及LSTM的波动项位移预测模型,同时利用SSA对该模型的超参数寻优;最后,将趋势项与波动项叠加得到总的位移预测值。以攀西地区尾矿库为例对模型性能进行了验证,并与反向传播(back propagation,BP)、LSTM、LSTM-Attention等模型进行对比,结果表明,该方法得到的均方根误差、平均绝对误差和确定系数分别0.742 mm、0.553 mm和0.994,所提方法能较大幅度提高尾矿坝位移变形的预测精度。

关键词：时序分解长短时记忆注意力机制位移预测麻雀搜索算法

在线全文

学校读者我要写书评

暂无评论

基于时序分解与CNN的车间能耗预测方法

计算机应用与软件 2021年第6期38卷 339-344页

作者：陆应康盛步云张志瀚张燕强武汉理工大学机电工程学院湖北武汉430070 东风设计研究院有限公司智慧技术研究院湖北武汉430056

针对涂装车间能耗数据的复杂性以及动态性,仅根据历史能耗数据难以预测未来能耗的问题,提出基于贝叶斯估计的时序分解与卷积神经网络(TSDCNN)的车间能耗组合预测模型。该方法利用时序分解对车间能耗原始数据的周期和长期趋势成分进行建... 详细信息

针对涂装车间能耗数据的复杂性以及动态性,仅根据历史能耗数据难以预测未来能耗的问题,提出基于贝叶斯估计的时序分解与卷积神经网络(TSDCNN)的车间能耗组合预测模型。该方法利用时序分解对车间能耗原始数据的周期和长期趋势成分进行建模;采用贝叶斯估计算法对各成分模型参数进行最优估计,解决能耗数据的动态性和不确定性的问题。选取温度、湿度、节假日等3个因素与周期和趋势成分作为卷积神经网络输入量,得到最终预测结果。以某汽车制造企业涂装车间的能耗数据进行实验,通过与传统的回归方法ARIMA、SVM、LSTM等进行比较,结果表明,该组合预测方法在能耗预测准确率上有较大的提高。

关键词：能耗预测时序分解贝叶斯估计卷积神经网络

基于时序分解与概率稀疏注意力的长时预测方法

在线全文

学校读者我要写书评

暂无评论

基于时序分解与概率稀疏注意力的长时预测方法

作者：罗佩武汉理工大学

学位级别：硕士

时间序列预测在工程、金融等领域已经有着广泛的应用,尤其长时预测,具体表现为预测时序长度较大,需要预测模型精确捕捉输入输出时序的长程依赖关系的时序预测。对于长期规划和预警都是非常有意义的,如电力能源消耗长期规划等实际应用。... 详细信息

时间序列预测在工程、金融等领域已经有着广泛的应用,尤其长时预测,具体表现为预测时序长度较大,需要预测模型精确捕捉输入输出时序的长程依赖关系的时序预测。对于长期规划和预警都是非常有意义的,如电力能源消耗长期规划等实际应用。然而,面向趋势和周期特征并存的非平稳时序做长时预测时,现有的模型很难在其复杂模式中捕捉到可靠的长程依赖关系进行学习,且长时预测对于模型运行的时间复杂度和内存消耗也有相应要求,容易出现内存溢出无法预测等问题。针对上述问题,本文提出了基于时序分解与概率稀疏自注意力的长时预测模型。主要工作如下:(1)提出了一种融合奇异谱分析的时序分解模型Robust SS。针对常规的长时预测模型,难以在非平稳时序的复杂模式下捕捉长程信息的问题,利用时序分解模型分解趋势和周期特征,降低时序的非平稳性,帮助后续长时预测模型更好地捕捉相关信息。首先,使用双边滤波去噪的方式,在保留趋势突变信息的前提下,去除异常数据,再用最小绝对偏差解决相应回归问题,提取趋势特征。提取趋势特征后,应用非局部季节滤波方法提取周期特征,迭代更新得到余项。最后,利用奇异谱分析方法对周期子序列做主要周期成分分析,将主要周期成分重构得到新的周期子序列。多组实验结果表明,本文提出的Robust SS模型相较于于基线模型Robust STL,在降低非平稳性方面平均提升了3.051%;在分解误差方面平均降低了1.950%。(2)提出了一种融合概率稀疏自注意力的长时预测模型SS-Informer。针对基于注意力机制的长时预测模型能从非平稳时序中学习捕捉长程信息,但时间复杂度高且内存消耗大的问题。使用Robust SS模型分解的非平稳时序作为输入,改进Transformer长时预测模型,对注意力机制的查询向量做稀疏性度量。然后,将逐步预测的动态解码器换成生成式解码器,一步完成预测长时预测所需长度。最后,对三组子序列进行结果重构,降低整体运行时间复杂度。多组实验结果表明,本文提出的SS-Informer模型相较于基线模型Informer,单变量预测误差平均降低了10.087%,多变量预测误差平均降低了2.877%。验证了SS-Informer模型降低了非平稳时序长时预测的误差。(3)提出了一种融合残差学习的长时预测模型SSL-Informer。对残差序列进行学习,挖掘SS-Informer做长时预测时遗漏的序列隐藏信息,以进一步降低SS-Informer的长时预测误差。利用原始输入时序和SS-Informer的拟合输入时序生成残差序列,再对残差序列进行纯随机序列检验,经过LSTM残差学习后的预测结果与SS-Informer预测结果重构,得到最终的预测结果。多组实验结果表明,SSL-Informer模型的长时预测误差相较SS-Informer模型,单变量预测误差平均降低了0.715%,多变量预测误差平均降低了1.250%。验证了SSL-Informer模型比SS-Informer具有更好的长时预测能力。

关键词：时序分解长时预测 Transformer模型概率稀疏注意力机制残差学习