短期预测

摘要： 针对单一气象预报源可能存在的误报和偏差问题,提出一种基于多源气象预报总辐照度修正的光伏功率短期预测方法。根据功率序列特征,采用自组织映射神经网络聚类算法实现历史数据广义天气类型划分。按照晴朗程度实现广义天气类型与公共气象服务天气类型预报的匹配对应,并计算不同广义天气类型总辐照度各等级之间的折算系数。在计算各广义天气类型系统误差的基础上,如果预测日数值天气预报广义天气类型分类结果与公共气象服务天气类型预报的一致,则叠加修正总辐照度系统误差;否则,采用树扩展朴素贝叶斯算法计算2种广义天气类型的转移概率,在修正系统误差后利用折算系数计算公共气象服务天气类型预报对应广义天气类型的总辐照度序列,并根据转移概率设定权重系数进一步修正总辐照度序列。建立预测模型,基于遗传算法优化的反向传播神经网络获得光伏功率短期预测结果。利用某光伏电站的实际运行数据和气象预报数据验证了模型的有效性。

摘要： 为了提高光伏功率预测的准确性和可靠性,基于相似日小波变换和多层感知机建立智能光伏功率预测模型;将小波变换的多分辨率特点和多层感知机的非线性拟合能力结合起来,以有效地提高预报的可靠性.首先,选取相似日数据并归一化,并用小波变换对数据进行预处理;其次,训练多层感知机模型学习气象因素与光伏功率之间的映射关系;最后,基于沙漠知识澳大利亚太阳能中心实际大型数据集进行对比实验.实验结果中的技能得分表明,本预测模型相较于其他对比模型,在预测准确性和可靠性方面具有更好的性能.

摘要： 以陆上风力发电负荷数据作为研究对象,将注意力机制引入双向长短期记忆与卷积神经网络(CNN)的混合模型来预测短期电力负荷.结果显示:1)注意力机制通过对不同时步的输入进行加权,能够显著提升双向长短期记忆网络的预测性能;2)双向长短期记忆网络-CNN结构比CNN-双向长短期记忆网络结构更适用于短期负荷预测,前者相较后者能够充分利用时序信息,不会在输入初期就丢失关键信息;3)基于注意力机制的双向长短期记忆网络-CNN混合模型的均方根误差(RMSE)、平均绝对百分比误差(MAPE)分别达到了575.35和7.02%,比次佳模型(基于注意力机制的双向长短期记忆网络-CNN混合模型)分别降低了2.75%和9.65%,其在风电短期负荷预测方面有很好的应用前景.

摘要： 通过对ARMA模型的理论知识展开介绍,再利用EViews10软件对时间序列数据进行建模,经过比较分析相关的统计量,最终选取相比来说最优的模型对股价的未来趋势进行预测。针对古井贡酒股票(000596)自2020年10月26日至2021年9月21日的开盘价格,对根据其时间序列数据所建立的ARMA模型进行估计检验,将预测的结果与真实的数据进行比较,结合误差比的结果,发现预测值与实际值相差较小。由此得出结论,使用该模型得到的预测序列拟合程度较高,因此适用于对股票的短期价格进行预测。

摘要： 文章结合部分零售商品的销售特征和影响销售的因素,采用改进神经网络模型进行预测分析。由于基本径向基(RBF)神经网络模型容易出现对训练样本过度拟合现象,因此使用粒子群(PSO)算法和随机梯度下降法(SGD)混合优化RBF模型,其中PSO能够降低算法陷入局部极小的可能性,SGD则可以保证算法的局部搜索能力。针对零售商品短期销量的预测,优化模型预测精度较高、预测稳定性好。

摘要： 日本是发达国家中国债和GDP的比值最高的国家。在过去的20年中,日本国债规模增长迅速。根据日本财务省官方公布的数据显示,截至2020年6月底,日本国债总额已达到1159.0289万亿日元。为了预估日本中央政府未来的债务风险,对日本国债规模进行预测是有必要的。研究利用权值和结构确定(WASD)神经网络对日本2017年3月—2020年6月一共14个季度的国债规模成功进行了预测,预测结果与官方数据的相对误差在4%以内。此外,利用校验误差最小的神经网络更进一步地完成了2020年9月—2022年12月一共10个季度的短期预测。结果表明,短期内日本国债规模仍将缓慢上升。

摘要： 短期货运量预测研究是铁路运输企业编制日常工作计划的重要依据,准确的货运量预测结果对铁路货运组织工作具有积极意义。针对铁路短期货运量预测,建立基于双向长短时记忆网络(Bi-LSTM)的短期货运量预测模型,以某铁路局集团公司4122 d、136个月的货运发送量为实验数据分别进行各月和每日货运发送量的预测,其误差分别为5.30%和6.92%,并在同样的训练集、测试集数据分集上,设置相同的超参数,与RF,SVM,XGBoost和LSTM 4种模型的预测结果进行比较,验证Bi-LSTM网络在铁路短期货运量预测上的精确度和泛化能力较好。

摘要： GDP是衡量一个国家经济发展的一个重要指标.通过选取江苏省1975年到2020年的GDP总量数据,通过运用spss和python软件数据分析的功能,对GDP数据进行平稳化处理、模型参数的确定和检验等综合分析、最终建立了ARIMA(0,1,1)模型,对江苏省未来两年的GDP数据进行了短期预测,为江苏省政府和江苏省经济发展战略和规划提供了重要的参考和依据.

摘要： 精确的光伏发电短期预测在微电网智能能源管理系统中起着至关重要的作用;文章提出一种基于注意力机制的CNN-BiGRU短期光伏发电功率预测模型;其核心思想是通过CNN提取光伏数据的空间特征,把CNN提取的这些空间特征送入到BiGRU神经网络中,利用BiGRU模型捕捉光伏时序数据集的双向信息流,学习光伏特征的动态变化规律,引入Attention机制为CNN-BiGRU的隐藏层输出赋予权重,减少因时序过长造成的信息丢失,并且突出强相关特征的影响,减少弱相关特征的影响;在美国俄勒冈州本德市公开数据集上做了验证,并与BP神经网络、GRU、BiGRU、基于Attention机制的BiLSTM以及基于Attention机制的BiGRU进行对比,实验结果表明所提模型在预测精度上更有优越性。

摘要： 目的分析2004—2020年四川省艾滋病监测数据,了解四川省艾滋病发病现状;构建ARIMA时间序列模型,描述四川省艾滋病报告发病数的时空流行病学分布特征,预测其短期内的变化趋势。方法收集2004—2020年四川省艾滋病报告发病资料,构建艾滋病发病时间序列ARIMA模型,分析艾滋病流行趋势并进行短期预测。结果四川省艾滋病报告发病患者主要集中在四川省西南区域,大多数病例集中分布于成都市及凉山州地区;四川省2004—2020年艾滋病报告发病人数持续增长,且增长幅度不断增大,全年呈上升趋势。结论ARIMA时间序列模型模拟的2021年四川省艾滋病发病数预测值与实际值基本符合,该模型能较好地对四川省艾滋病报告发病人数进行拟合和预测。

摘要： 区域共享单车停放量预测,是实现区域共享单车预警与运营调度的前提条件.采用层次聚类以及K-mean聚类结合的分析法对研究区域进行分类,分析不同类型区域共享单车停车特征,并以自回归求和滑动平均(ARIMA)与神经网络预测法为基础,建立区域共享单车停放量短期预测模型.结果表明,ARIMA与BP神经网络组合模型相比于传统的ARIMA模型拟合效果较好,组合模型较好地实现了共享单车停放量的预测,是实现短期预测的有效方法.

摘要： 目的:利用SARIMA模型预测未来山东省济宁市流行性腮腺炎发病情况,为流行性腮腺炎防控提供决策依据. 方法:收集山东省济宁市2009年1月至2013年7月流行性腮腺炎月发病数据资料,利用时间序列分析方法,构建SARIMA模型,并对2013年8月至12月的发病数资料进行预测. 结果:济宁市2009至2013年共报告流行性腮腺炎病例数8520例,且发病具有明显的周期性和季节性特征.最终建立的最优模型为SARIMA(0,1,1)(0,1,1)12,赤池信息准则(AIC)为74.45,且通过了统计学检验,模型残差为白噪声.实际月发病数与拟合月发病数进行相关性分析结果显示为显著性相关(r=0.75,P<0.0001),.对2013年8月至12月发病数进行预测,均在95％置信区间内,且与实际发病数变动的趋势一致,验证了模型合理性. 结论:SARIMA模型能较好地拟合济宁市流行性腮腺炎月发病数动态变化,可用于流行性腮腺炎的短期预测.

摘要： 研究目的:对区域内建设用地进行短期预测,得出厉山镇建设用地的发展方向和演变规律,为土地利用规划制定提供依据.研究方法:①运用转移矩阵构建CAMarkov模型.②利用空间叠置、数量对比分析、Kappa一致性系数等方法对模拟结果进行验证.研究结果:①厉山镇建设用地的面积数量在研究期内一直呈上升趋势.②新增的建设用地从转化类型上来看,是由耕地、草地、园地和裸地转化而来的;从空间分布上来看,主要分布在中部偏南地区的中心城镇和主要交通道路的两旁.这些变换与2009--2011年的建设用地变化基本一致.研究结论:①政策、交通等因素对建设用地发展的影响较大.②CA-Markov模型的精度经过验证,在可接受的范围内.可以应用该方法对乡镇尺度的建设用发展进行预测.

摘要： 基于构造应力场的变化,G-R关系式的b值可能发生非线性偏离.分析两者关联时间域出现的地震异常活动,以推进中强地震的短期预测研究.时间变异系数的前探性研究可能近似，但它能反映出未来时段构造应力场起伏变化的大致状态。利用这一前瞻性可求得关联时域中平均震级参数的最大推测值，再通过经验关系预估未来中强震的强度。

摘要： 本文分析强震附近地磁秒数据的超阈值数折合比值及25日步长累计频次结果显示,地磁异常现象在强震前曾反复出现.此现象至多在震前95天就已出现,且出现的频次随震级的增大而增大,地磁异常幅度随震中距的减小而增大.该特性对于地震短期预报及防震减灾具有一定意义.

摘要： 风电具有显著的不稳定性、反调峰性和随机性,因此风电接入电网需要由准确的预测技术作为基础.目前由于风电并网的困难,产生了大量的弃风现象,浪费了大量的可在生能源.将自回归移动平均模型(ARMA)和BP神经网络模型相结合,克服了预测下一预测点的风电功率值收敛速度缓慢的问题.通过对吉林省某风电场的数据进行实证分析和验证,证明了所提模型的科学性和可操作性,为风电功率的预测提供了一个新的研究方法.

摘要： 风力发电是技术较为成熟、具有大规模开发和商业化发展前景的清洁可再生能源利用方式,而目前,中国局部地区由于电源结构不合理导致调峰能力不足、跨区电网核准与建设滞后致使风电送出受限情况时有发生,难以通过功率预测系统提前进行限电设置,这对短期风功率的准确预测带来了极大的困难,因此寻求新的预测方法应对更多复杂情况是目前亟待解决的问题.本文以位于甘肃河西走廊地区四种地形的风电场为试点，并选用未限电的湖北九宫山风电场参与对比分析。首先采用统计方法对数值预报风速进行订正，以降低预测风速的误差;然后，分不同月份选用物理法、动力统计法、集合预测法和自适应偏最小二乘回归法进行预测效果分析，最终选取最适用于弃风限电条件下复杂地形风电场的短期功率预测方法。

摘要： 风力发电是技术较为成熟、具有大规模开发和商业化发展前景的清洁可再生能源利用方式,而目前,中国局部地区由于电源结构不合理导致调峰能力不足、跨区电网核准与建设滞后致使风电送出受限情况时有发生,难以通过功率预测系统提前进行限电设置,这对短期风功率的准确预测带来了极大的困难,因此寻求新的预测方法应对更多复杂情况是目前亟待解决的问题.本文以位于甘肃河西走廊地区四种地形的风电场为试点，并选用未限电的湖北九宫山风电场参与对比分析。首先采用统计方法对数值预报风速进行订正，以降低预测风速的误差;然后，分不同月份选用物理法、动力统计法、集合预测法和自适应偏最小二乘回归法进行预测效果分析，最终选取最适用于弃风限电条件下复杂地形风电场的短期功率预测方法。

摘要： 风力发电是技术较为成熟、具有大规模开发和商业化发展前景的清洁可再生能源利用方式,而目前,中国局部地区由于电源结构不合理导致调峰能力不足、跨区电网核准与建设滞后致使风电送出受限情况时有发生,难以通过功率预测系统提前进行限电设置,这对短期风功率的准确预测带来了极大的困难,因此寻求新的预测方法应对更多复杂情况是目前亟待解决的问题.本文以位于甘肃河西走廊地区四种地形的风电场为试点，并选用未限电的湖北九宫山风电场参与对比分析。首先采用统计方法对数值预报风速进行订正，以降低预测风速的误差;然后，分不同月份选用物理法、动力统计法、集合预测法和自适应偏最小二乘回归法进行预测效果分析，最终选取最适用于弃风限电条件下复杂地形风电场的短期功率预测方法。

摘要： 风力发电是技术较为成熟、具有大规模开发和商业化发展前景的清洁可再生能源利用方式,而目前,中国局部地区由于电源结构不合理导致调峰能力不足、跨区电网核准与建设滞后致使风电送出受限情况时有发生,难以通过功率预测系统提前进行限电设置,这对短期风功率的准确预测带来了极大的困难,因此寻求新的预测方法应对更多复杂情况是目前亟待解决的问题.本文以位于甘肃河西走廊地区四种地形的风电场为试点，并选用未限电的湖北九宫山风电场参与对比分析。首先采用统计方法对数值预报风速进行订正，以降低预测风速的误差;然后，分不同月份选用物理法、动力统计法、集合预测法和自适应偏最小二乘回归法进行预测效果分析，最终选取最适用于弃风限电条件下复杂地形风电场的短期功率预测方法。

摘要： 本发明公开了一种基于小波长短期记忆网络的超短期风电功率预测方法，根据历史数据生成输入变量，以所对应的风功率历史数据作为输出，得到训练样本；采用小波分析方法对训练样本进行三级小波分解，得到四个小波样本，利用长短期记忆网络模型对四个小波样本分别进行训练，得到训练后的小波长短期记忆网络预测模型；根据四个小波样本的待预测时刻的实际数据生成测试输入数据，并输入到预测模型，其输出即为待预测的时刻的超短期风电功率预测值。本发明将小波分析方法与长短期记忆深度网络结合，可以同时实现数据的平稳化处理与深度学习，提高了预测的精度，增强了模型的泛化能力。

摘要： 提供一种短期负荷预测方法和短期负荷预测装置。所述短期负荷预测方法包括：获取过去时段的负荷数据和预测时段的外部参数；通过小波分解将过去时段的负荷数据分解为第二级细节分量、第三级近似分量和第三级细节分量；基于第二级细节分量，获取预测时段的预测负荷数据的第二级细节分量；基于过去时段的负荷数据的第三级近似分量和第三级细节分量以及所述外部参数，获取预测时段的预测负荷数据的第三级近似分量和第三级细节分量；通过小波重构将预测负荷数据的第二级细节分量、预测负荷数据的第三级近似分量和第三级细节分量重构为预测时段的预测负荷数据。根据短期负荷预测方法和短期负荷预测装置，能够准确地预测短期负荷。

摘要： 本发明公开了一种短期负荷预测方法、短期负荷预测模型训练方法、装置、可读介质及电子设备，该方法包括：获取待预测数据，待预测数据包括负荷时序数据和影响因素数据；基于负荷时序数据和已训练的预测模型中的长短期记忆网络，获取第一负荷时序特征；基于影响因素数据和已训练的预测模型中的全连接网络，获取影响因素特征；基于第一负荷时序特征、影响因素特征和已训练的预测模型中的输出网络，获取短期负荷预测结果。本发明提供的技术方案通过引入多源数据即负荷时序数据和影响因素数据，并利用长短期记忆网络和全连接网络准确学习到多源特征即第一负荷时序特征和影响因素特征，从而使得基于多源特征获取到的短期负荷预测结果准确性较高。

摘要： 本发明提供一种基于长短期记忆神经网络(Long Short‑TermMemory，LSTM)的规模风电超短期功率预测误差修正方法，包括：首先利用改进的核密度估计得出误差的概率密度曲线；其次，采用LSTM对预测误差数据进行深度学习，以风电的预测误差为输入，以下一时刻的误差为输出，得到误差的预测值；最后，根据粒子群算法得到合适的置信区间对误差进行合理分层，根据分层区间和误差预测值，结合风电预测误差的时序特征，制订预测误差的分层补偿策略，得到一种具有较强泛化性的预测误差补偿模型。

摘要： 本发明公开了一种基于长短期记忆网络的短期负荷预测方法，采集短期负荷数据，将所采集的短期负荷数据作为训练样本进行VMD分解，得到n个随机分量IMF；对于分解出的n个分量，每个分量构建对应的WOA‑LSTM模型，利用WOA对模型中的LSTM参数寻优，找出最合适的参数；采用最优参数的LSTM分别对分量数据IMF进行训练，得到各个分量的预测结果；基于分别寻优后构建的LSTM模型，分别利用LSTM模型对短期负荷数据进行测，每个LSTM模型输出相应的预测结果；通过将所有预测结果进行相加得到最终的负荷预测结果。

摘要： 本发明公开了一种基于改进长短期记忆神经网络的短期光伏发电预测方法，该方法对短期光伏发电预测需要数据进行数据分析得到训练数据集；构建长短期记忆神经网络，并将训练数据集输入长短期记忆神经网络进行训练；采用麻雀算法优化长短期记忆神经网络参数，得到优化后的长短期记忆神经网络，优化后的长短期记忆神经网络输出短期光伏发电功率预测值。即通过历史多维度、多时间尺度、高关联的数据进行短期光伏发电功率预测，从而缓解配电网中光伏发电的不确定性；采用麻雀算法优化长短期记忆神经网络参数，进一步提高预测效果。通过本发明的实施，能够较好的利用气象数据并提高短期光伏功率的预测精度，实现电网的经济和稳定运行。

摘要： 本发明专利公开一种基于长短期记忆神经网络的燃气短期负荷预测方法，该方法运用主成分相关分析(PCCA)算法、小波阈值去噪(LMD)算法及局部均值分解优化(WTD)算法优化长短期记忆神经(LSTM)网络模型，并运用该种新的燃气负荷组合预测方法，对城市燃气负荷量进行预测分析，PCCA‑LMD‑WT D‑LSTM预测模型在城市燃气负荷预测中，采用该种模型获得的最终MAPE精度均属于高精度水平，该模型预测结果优于单一的LSTM模型、BPNN模型和GRU模型。本发明解决了传统循环神经网络中的长时期依赖问题，适用于数据长度大的时间序列预测，且稳定性更高，可靠性更强。

摘要： 本发明公开了一种改进双向长短期记忆网络的风电功率超短期预测方法，包括如下步骤：对训练样本进行数据预处理；采集风电场的历史风功率数据向量，选取数值天气预报中与风电功率数据相关性最大的数据，并进行归一化处理；在双向长短期记忆网络和全连接层之间融入注意力机制模型，利用训练集对改进双向长短期记忆网络算法模型进行训练和参数优化；将测试集输入改进双向长短期记忆网络模型建立风电功率超短期预测模型，计算风电功率一小时后输出值Ppre。本发明利用双向长短期记忆网络对历史功率数据以及数字天气预报的双向记忆性能，融入注意力机制，对双向长短期记忆网络的隐藏层输出进行加权，有效的提高了预测精度。

摘要： 本发明公开了一种基于长短期记忆网络的风电功率短期预测方法，包括长短期记忆神经网络训练算法、短期风电预测误差分布算法和风电机组发电功率短期预测模型设计。本发明从深度学习网络出发，建立基于长短期记忆网络算法(LSTM)风电功率预测模型，以高斯混合模型(GMM)分析短期风电功率预测的误差分布特点。本发明通过GMM模型可以得到二台机组不同的置信区间。证明了LSTM方法具有更高的精确度和更快的收敛速度，GMM方法对于风电调度具有实际应用价值。

摘要： 本发明提供了一种负荷日前预测与超短期预测的协同预测方法及系统，获取气象数据和日期特征数据；根据气象数据、日期特征数据和预设门控循环单元模型，得到日前负荷预测结果；将日前负荷预测结果的序列扩充数据、历史负荷数据以及气象数据和日期特征数据一起输入到预设卷积神经网络‑门控循环单元超短期负荷预测模型中，得到超短期负荷预测结果；利用超短期负荷预测结果对日前负荷预测结果进行修正，得到修正后的日前负荷预测结果；本发明考虑了超短期负荷预测和日前负荷预测的优势与劣势，将两者综合运用、相互协同，提高了超短期负荷预测与日前负荷预测的精度。