风电功率时间序列混沌特性分析及预测模型研究

为揭示风电功率序列内在的动态特性, 利用非线性方法对风电时间序列混沌特性进行识别, 为对风电功率进行预测提供了基础.首先对某风电场的风电功率时间序列的日相关性进行了分析;然后在相空间重构的基础上计算了风电序列的最大Lyapunov指数, 验证了风电时间序列的混沌特性;由于采用Volterra滤波器多步预测法对风电功率进行超短期预测误差较大, 利用局域多步预测法以及最大Lyapunov指数法的预测结果并结合加权马尔科夫链和有序算子对Volterra滤波器的预测结果进行校正.最后以某实际风电场的风电功率预测为算例, 仿真结果表明校正预测模型有效的提高了预测精度, 其为利用Volterra滤波器多步法进行风电预测提供了有益的参考.     

基于EEMD-近似熵和储备池的风电功率混沌时间序列预测模型

针对风电功率时间序列的混沌特性,提出了一种基于集成经验模态分解(ensemble empirical mode decomposition, EEMD)-近似熵和回声状态网络(echo state network, ESN) 的风电功率混沌时间序列组合预测模型.首先为降低对风电功率局部分析的计算规模以及提高预测的准确性, 利用EEMD-近似熵将风电功率时间序列分解为一系列复杂度差异明显的风电子序列; 然后对各子序列分别建立ESN、经过高频分量正则化改进的EEMD-ESN模型和最小二乘支持向量机预测模型; 最后以某一风电场实际采集的数据为算例,仿真结果表明EEMD-ESN模型在训练速度和预测精度上优于最小二乘支持向量机模型,为实现风电功率短期预测的在线工程应用提供了新的有益参考. 关键词： 混沌时间序列 风电预测 集成经验模态分解 近似熵     

基于优化核极限学习机的风电功率时间序列预测

针对时间序列预测,在单隐层前馈神经网络的基础上,基于进化计算的优化策略,提出了一种优化的核极限学习机(optimized kernel extreme learning machine,O-KELM)方法.与极限学习机(extreme learning machine,ELM)方法相比,核极限学习机(kernel extreme learning machine,KELM)方法无须设定网络隐含层节点的数目,以核函数表示未知的隐含层非线性特征映射,通过正则化最小二乘算法计算网络的输出权值,它能以极快的学习速度获得良好的推广性.在KELM的基础上,分别将遗传算法、模拟退火、微分演化三种进化算法用于模型的结构输入选择、正则化系数以及核参数的优化选取,以进一步提高网络的性能.将O-KELM方法应用于标准Mackey-Glass混沌时间序列预测及某地区的风电功率时间序列预测实例中,在同等条件下,还与优化的极限学习机(optimized extreme learning machine,O-ELM)方法进行比较.实验结果表明,所提出的O-KELM方法在预测精度上优于O-ELM方法,表明了其有效性.     

变参数混沌时间序列的神经网络预测研究

研究一类复杂变参数混沌系统时间序列的预测问题.首先构造一个变参数Logistic映射,分析变参数混沌系统的特点,指出动力学特征不断变化的这类系统不存在恒定形状的吸引子;结合Takens嵌入定理和神经网络理论,阐述神经网络方法预测具有恒定吸引子形状的混沌系统可行的原因,分析研究其用于预测变参数混沌系统的潜在问题.变参数Ikeda系统的神经网络预测试验验证了理论分析结果,试验还表明,简单增大预测训练样本数可能降低泛化预测精度,训练集的选择对这类系统的泛化预测效果影响极大,指出混沌时间序列预测实用化必须研究解决这类变参数混沌系统的预测. 关键词： 混沌 预测 神经网络 变参数系统     

基于局域相关向量机回归模型的小尺度网络流量的非线性预测

基于非线性时间序列局域预测法与相关向量机回归模型, 本文提出了局域相关向量机预测方法, 并应用于预测实际的小尺度网路流量序列. 应用基于信息准则的局域预测法邻近点的选取方法来选取局域相关向量机回归模型的邻近点个数. 对比分析了局域相关向量机预测法、前馈神经网络模型与局域线性预测法对网络流量序列的预测性能, 其中前馈神经网络模型的参数采用粒子群优化算法来优化. 实验结果表明: 邻近点优化后的局域相关向量机回归模型能够有效地预测小尺度网络流量序列, 归一化均方误差很小; 局域相关向量机回归模型生成的时间序列具有与原网络流量时间序列相一致的概率分布; 局域相关向量机回归模型的预测精度好于前馈神经网络模型的与局域线性预测法的. 关键词： 小尺度网络流量 非线性时间序列预测方法 局域预测法 相关向量机回归模型     

基于混沌理论的太阳黑子数平滑月均值预报

太阳黑子活动长期预报对航天、通讯、防灾等具有重要的指导意义. 针对加权一阶局域法在多步预测时存在累积误差效应, 建立了基于相空间重构技术的径向基函数神经网络预测模型. 用该模型对第22, 23 太阳周黑子数平滑月均值进行逐月预报, 并与实测值进行比较. 结果表明, 预报的绝对误差可以控制在15.00 以内, 平均绝对误差分别为5.47, 2.83, 相对误差控制在15.00%以内, 平均相对误差分别为5.45%, 4.60%, 验证了该模型在预测太阳黑子数时具有较高的精度. 将该预测模型用于第24 太阳周黑子数平滑月均值预报, 做出了自2009 年1月到2019年12月共132 个月的黑子数平滑月均值的预报, 指出黑子数平滑月均值的最大值为104.77, 将出现的时间为2013年1月.     

一种基于误差补偿的多元混沌时间序列混合预测模型

针对多元混沌时间序列的预测问题, 考虑到单纯改进储备池算法无法明显地提高预测精度, 提出一种基于误差补偿的时间序列混合预测模型. 实际观测的数据既包含线性特征又包含非线性特征. 首先利用自回归移动平均模型预测线性特征, 使得残差数据仅含非线性特征; 然后, 建立正则化回声状态网络模型预测; 最后, 将非线性部分的预测值与线性部分的预测值相加, 以实现高精度的多元混沌时间序列预测. 基于Lorenz和太阳黑子-黄河径流量时间序列的仿真实验验证了本文所提模型的有效性. 关键词： 回声状态网络 混沌 多元时间序列预测 误差补偿     

基于EMD方法的非线性/非平稳时间序列的气候预测研究

目前，大多数统计预测模型均假设时间序列或观测数据是线性和平稳的。然而，自然界的观测资料是非线性和非平稳的，通常很难用这些数学模型预测它们。本文针对这一问题提出了一个新的预测方案，即首先利用经验模态分解方法将非线性/非平稳时间序列平稳化，得到一系列本征模函数(IMF)；其次用均生函数模型预测各IMF分量；最后以所有IMF的预测值为新样本对源序列作最优子集回归模型的拟合及预测。结果表明每个IMF，尤其是特征IMF(即特征层次)比源序列有更高的可预测性。该方案为气候预测开辟了一条新的有效途径。     

Forecasting daily passenger traffic volumes in the Moscow metro

In this paper we have developed a methodology for the medium-term prediction of daily volumes of passenger traffic in the Moscow metro. It includes three options for the forecast: (1) based on artificial neural networks (ANNs), (2) singular-spectral analysis implemented in the Caterpillar–SSA package, and (3) a combination of the ANN and Caterpillar–SSA approaches. The methods and algorithms allow the mediumterm forecasting of passenger traffic flows in the Moscow metro with reasonable accuracy.     

时间序列的变化点检测和趋势分析

趋势分析和变化点检测是时间序列分析中常用的工具. 变化点检测是识别过程行为的自然或人为的突然的变化,而趋势可以定义为对逐渐偏离过去的规范的估计. 本文使用了Cox-Stuart方法和变化点算法分析时间序列数据趋势的存在,并以澳大利亚的近地表风速时间序列为例. 澳大利亚的近地表风速趋势是根据研究出的新开发的风速数据集,通过使用局部表面粗糙度信息,以及不同高度收集的混合观测数据构建. 10 m处的风的速度趋势通常会增加,而2 m处则趋于减小. 假设检验测试,变化点分析和人工检查记录表明有几个因素可能是导致差异的原因,例如伴随仪器变化的系统性偏差,随机数据错误(例如累积日错误)和数据采样问题. 均质化以及基于变化点检测的技术和多期趋势分析阐明了风速趋势不一致的根源.     

Denoising Nonlinear Time Series Using Singular Spectrum Analysis and Fuzzy Entropy

We present a hybrid singular spectrum analysis(SSA) and fuzzy entropy method to filter noisy nonlinear time series.With this approach,SSA decomposes the noisy time series into its constituent components including both the deterministic behavior and noise,while fuzzy entropy automatically differentiates the optimal dominant components from the noise based on the complexity of each component.We demonstrate the effectiveness of the hybrid approach in reconstructing the Lorenz and Mackey-GIass attractors,as well as improving the multi-step prediction quality of these two series in noisy environments.     

降雨对C波段散射计测风的影响及其校正

传统观点认为C波段散射计工作波长大于雨滴直径,受降雨散射衰减的影响很小, 因此往往忽略降雨对C波段散射计测风的影响.本文基于降雨引起C波段散射计信号的衰减、 后向体散射及雨滴落入海面后的扰动作用,推导了降雨条件下的雷达方程, 构建了2010年全年的ASCAT散射计、降雨雷达和欧洲中期天气预报中心数值预报的匹配数据集, 定量分析了降雨对C波段散射计测风的影响,发现其信号衰减随降雨强度和入射角的增大而增强; 后向体散射和雨表面扰动作用随降雨强度的增大而增强、随入射角的增大而减小, 其中雨表面扰动作用对散射计测风的影响大于后向体散射.另外, 利用降雨条件下的雷达方程和匹配数据集,本文建立了降雨条件下的C波段主动微波辐射传输模型, 实验表明,该模型能够改善降雨条件下C波段散射计测风的精度.     

基于遗传神经网络的旋转机械故障预测方法研究

许多大型旋转机械运行工况恶劣,非平稳、非线性特征明显,以及各种突发性、偶然性因素的影响,给基于振动信号处理的状态预测和状态维护分析带来困难。神经网络以其强大的处理非线性系统的能力在故障预测中得到广泛的应用,但由于其在追求高精度训练目标时易陷入局部极值,且收敛速度慢甚至发散。针对这个问题,提出了采用遗传算法对神经网络连接权值和阈值进行优化,这样不仅发挥了神经网络广泛的映射特性也使遗传算法的全局搜索优势尽显无疑。通过组合这两种算法,在提升网络学习的准确度方面,优点尤其突出,最终提高对旋转机械故障预测和寿命估计的性能,这在某环境模拟试验系统动力风机的轴承磨损故障预测中得到了验证。     

Progress in ocean wave forecasting

Progress in ocean wave forecasting is described in the context of the fundamental law for wave prediction: the energy balance equation. The energy balance equation gives the rate of change of the sea state caused by adiabatic processes such as advection, and by the physical source functions of the generation of ocean waves by wind, the dissipation due to white-capping and the nonlinear four-wave interactions. In this paper we discuss the formulation of the physics source functions and we discuss the numerical scheme that is used to solve the energy balance equation (with special emphasis on the so-called Garden-Sprinkler effect). Improvement in ocean wave forecasting skill is illustrated by comparing forecasts results with buoy observations for different years. Finally, the promising new development of the forecasting of extreme events is discussed as well.     

Use of forecasting signatures to help distinguish periodicity,randomness, and chaos in ripples and other spatial patterns

Forecasting of one-dimensional time series previously has been used to help distinguish periodicity, chaos, and noise. This paper presents two-dimensional generalizations for making such distinctions for spatial patterns. The techniques are evaluated using synthetic spatial patterns and then are applied to a natural example: ripples formed in sand by blowing wind. Tests with the synthetic patterns demonstrate that the forecasting techniques can be applied to two-dimensional spatial patterns, with the same utility and limitations as when applied to one-dimensional time series. One limitation is that some combinations of periodicity and randomness exhibit forecasting signatures that mimic those of chaos. For example, sine waves distorted with correlated phase noise have forecasting errors that increase with forecasting distance, errors that are minimized using nonlinear models at moderate embedding dimensions, and forecasting properties that differ significantly between the original and surrogates. Ripples formed in sand by flowing air or water typically vary in geometry from one to another, even when formed in a flow that is uniform on a large scale; each ripple modifies the local flow or sand-transport field, thereby influencing the geometry of the next ripple downcurrent. Spatial forecasting was used to evaluate the hypothesis that such a deterministic process-rather than randomness or quasiperiodicity-is responsible for the variation between successive ripples. This hypothesis is supported by a forecasting error that increases with forecasting distance, a greater accuracy of nonlinear relative to linear models, and significant differences between forecasts made with the original ripples and those made with surrogate patterns. Forecasting signatures cannot be used to distinguish ripple geometry from sine waves with correlated phase noise, but this kind of structure can be ruled out by two geometric properties of the ripples: Successive ripples are highly correlated in wavelength, and ripple crests display dislocations such as branchings and mergers.     

Chaotic time series prediction using least squares support vector machines

We propose a new technique of using the least squares support vector machines (LS-SVMs) for making one-step and multi-step prediction of chaotic time series. The LS-SVM achieves higher generalization performance than traditional neural networks and provides an accurate chaotic time series prediction. Unlike neural networks‘ training that requires nonlinear optimization with the danger of getting stuck into local minima, training LS-SVM is equivalent to solving a set of linear equations. Thus it has fast convergence. The simulation results show that LS-SVM has much better potential in the field of chaotic time series prediction.     

基于时间序列符号化模式表征的有向加权复杂网络

时间序列复杂网络分析近些年已发展成为非线性信号分析领域的一个国际热点课题.为了能更有效地挖掘时间序列(特别是非线性时间序列)中的结构特征,同时简化时间序列分析的复杂度,提出了一种新的基于时间序列符号化结合滑窗技术模式表征的有向加权复杂网络建网方法.该方法首先按照等概率区段划分的方式将时间序列做符号化处理,结合滑窗技术确定不同时刻的符号化模式作为网络的节点;然后将待分析时间序列符号化模式的转换频次和方向作为网络连边的权重和方向,从而建立时间序列有向加权复杂网络.通过对Logistic系统不同参数设置对应的时间序列复杂网络建网测试结果表明,相比经典的可视图建网方法,本文方法的网络拓扑能更简洁、直观地展示时间序列的结构特征.进而,将本文方法应用于规则排列采集的自然风场信号分析,其网络特性指标能较准确地预测采集信号的排布规律,而可视图建网方法的网络特性指标没有任何规律性的结果.     

多参数背景场误差模型在散射计资料台风风场反演中的应用

利用散射计资料反演海面风场时, 台风区域普遍存在降雨使得风场反演误差很大, 引入降雨地球物理模型函数 (GMF+Rain) 及多解方案 (MSS), 结合二维变分(2DVAR) 模糊去除思想风速反演误差很大程度减小, 但风向反演误差仍有待进一步改善, 如何进一步减小风向反演误差有待进一步研究. 文章介绍了2DVAR模糊去 除方法的基本思想, 针对背景场误差较大时, 2DVAR模糊去除风向误差较大, 引入包含若干参数的背景场误差模型. 基于台风个例数值试验结果, 着重从理论分析角度讨论各参数关于2DVAR模糊去除效果的敏感性, 进而提出最优参数设置方案以改善风向模糊去除效果. 2006年“摩羯”台风QuikSCAT数据风场反演数值试验结果结合理论分析表明: 引入多参数误差模型, 通过设置粗糙误差概率等于0, 2DVAR风向模糊去除效果明显改善; 同时, 背景场的影响可通过增大背景场误差方差, 减小背景场误差相关尺度和减小粗糙误差概率而减小, 进而减小在背景场误差较大情况下的风向反演误差. 关键词： 台风风场反演 二维变分 多参数误差模型 散射计资料     

The application of neural networks to forecast fuzzy time series

Fuzzy time series models have been applied to handle nonlinear problems. To forecast fuzzy time series, this study applies a backpropagation neural network because of its nonlinear structures. We propose two models: a basic model using a neural network approach to forecast all of the observations, and a hybrid model consisting of a neural network approach to forecast the known patterns as well as a simple method to forecast the unknown patterns. The stock index in Taiwan for the years 1991–2003 is chosen as the forecasting target. The empirical results show that the hybrid model outperforms both the basic and a conventional fuzzy time series models.     

基于支持向量机方法对非平稳时间序列的预测

目前有关非平稳复杂系统及其在预测中的应用研究是一个较少被人理解并有重大科学意义的前瞻性研究课题.在大气运动中,气候正是一个典型的非平稳系统,但是现有的气候预测理论,包括统计预测理论和非线性预测理论,几乎都无一例外地建立在平稳性假定的基础之上,这有悖于气候过程的基本性质,它有可能是导致气候预测水平低下的重要的理论原因.因此以分析如何降低时间序列非平稳程度作为切入点来研究短期气候预测问题有着重要的理论意义.利用基于“升维”思想的支持向量机方法对时变控制参数条件下Lorenz系统产生的非平稳时间序列以及来自实际