基于ARIMA模型的沿海电厂煤炭日耗短期预测

煤炭日耗数据是反映工业活动的重要指标,具有较强的跟踪意义,研究短期内沿海电厂煤炭日耗变化有助于预判煤炭市场走势及需求变化情况。运用时间序列分析法对沿海电厂煤炭日耗数据进行建模,得到适用的ARIMA模型后,对后续日耗数据进行短期预测,取得了较好的拟合预测效果,说明时间序列模型用于沿海电厂煤炭日耗的短期预测是合适的,能够反映出沿海电厂煤炭日耗的短期走向及趋势。随着煤炭电力市场及数据统计工作趋于完善,煤炭消费预测还应向更广尺度延伸。提高电力耗煤预测的准确性,有助于实现更高水平的电网安全。建议进一步加强煤炭市场监测预测,加快建立健全电力供需预测预警机制。     

风电功率预测方法研究综述

由于风能具有很强的随机波动性和不可准确预测性,因此风电并网对电力系统的稳定性带来极大的威胁。只有较为准确地预测出风电机组的输出功率,才能有效地提高电力系统运行的可靠性。综述了国内外风电功率预测技术的研究状况,总结了常见的风电功率预测方法,包括物理预测方法、统计预测方法、学习预测方法以及综合预测法;论述了不同方法的特点、基本思路和缺点,展望了风电功率预测领域的主要研究趋势。     

基于SVM的软件质量评价

为了提高软件质量评价的准确性,参考各软件质量模型中的质量因素,构建评价指标体系并构建基于SVM的软件质量评价模型,通过在WEKA下实例仿真,基于SVM的评价结果与期望的结果是一致的,表明该方法能够准确、科学和客观地评价软件质量。     

基于GA的自适应指数平滑预测模型及其应用

一、引言 指数平滑预测法是一种简单易行、应用十分广泛的短期时间序列预测与数据修匀方法,它利用平滑平均数可以将数据序列的数量差异抽象化的原理,对统计数据进行加权修匀,排除异常数据的影响,从而显示出预测对象变动的基本趋势。它能够充分利用全部历史数据和相关信息,同时遵循“重近轻远”原则,使时间序列所包含的历史规律性能显著地体现出来。     

基于SVM模型的上市公司财务困境预警研究

本文运用支持向量机技术,以我国上市公司为研究样本,建立了一种新型的财务困境预警模型.通过对该模型的反复调整,得到了较高的预测精度和较好的推广能力.与其它财务困境预警模型相比,我们所建立的支持向量机模型在对上市公司财务困境预警方面具有便于使用、预测精度高等特点.具有广阔的实际应用前景.     

基于ARlMA的大宗工程材料价格预测构建研究

建筑工程造价贯穿于建设项目全过程,是工程管理的主要内容之一.钢材作为建筑工程材料的重要组成部分,在建筑工程造价中占据较大比重,因此对其价格进行快速准确地预测有着重要的意义.文章借助时间序列法,研究如何利用钢材价格的历史造价信息进行短期价格预测.文章分别对三次指数平滑法和移动自回归预测法理论模型作以概述,通过参数比选分别...     

中国煤炭价格的ARIMA模型的建立及其预测分析

运用SAS软件系统中的时间序列建模方法对中国煤炭出厂价格指数序列建立了ARIMA(1,l,1)模型.拟合结果表明我国煤炭出厂价格在1977年-2005年是一个持续上涨的过程,并在2006年-2010年我国煤炭出厂价格还要保持持续上涨的趋势,这可以为相关单位和部门提供一定的借鉴.     

基于改进支持向量机的混凝土桥梁极限荷载预测研究

作为基础设施的重要组成部分,混凝土桥梁承担着货物运输和人员通行的重要任务,然而由于长期受到环境因素和交通负荷的影响,桥梁结构会逐渐受损,可能会导致严重事故和损失,因此准确预测混凝土桥梁的极限荷载对于确保桥梁结构的安全性和可靠性至关重要。以改进支持向量机为基础,对混凝土桥梁极限荷载进行精准预测,为桥梁结构的健康监测和维护提供一种可靠的工具和方法。     

基于支持向量机的煤炭需求量混沌时间序列预测

一、引言 在我国能源开发战略研究和煤炭资源价值的评估中,对煤炭需求预测的研究是一项十分重要的工作. 煤炭需求预测的方法很多,主要有主观推断法、趋势外推法、国内生产总值单位能耗部门预测法、需求弹性系数法、主要消耗部门预测法、人均能耗法、回当分析法、时间序列预测法、灰色预测方法、人工神经网络等.     

基于SVM模型的山东省电力需求预测

基于山东省1985--2008年的有关数据,分析了山东省电力消费的主要影响因素,然后运用最小一最大规范化方法对数据进行规范化处理,并利用相关系数法得到影响山东省电力需求的最优属性集,最后根据SVM原理,选取径向基核函数、线性核函数、多项式核函数3种核函数分别建立山东省电力需求预测模型,并利用平均绝对百分误差、希尔不等系数和均方根误差3种评价指标进行拟合度的检验。预测结果说明：与传统的时间序列拟合法相比,SVM模型在电力需求预测方面精度较高;在进行短期电力需求预测的时候,基于径向基核函数建立的SVM模型表现出很大的优势;而在进行长期电力需求预测的时候,基于多项式核函数建立的SVM模型更为合适。     

基于SVM的项目群优选模型及其应用

在支持向量两类分类机的基础之上,利用一对一的方法建立3类分类机,提出用于项目群优选的得分函数,用以对项目群中的项目进行排序,按照排序结果优选项目,对项目进行评价,或者安排投资计划,从而实现资源的优化配置.将该方法应用于电能计量装置改造项目的综合评价中,借助于支持向量机工具箱OSU_SVM3.00,在Matlab6.5中予以实现.实验结果表明,该方法是用于项目群优选的有效方法.     

基于小波变换和贝叶斯证据推断框架下的LS—SVM短期风速预测

基于小波的多分辨率分析,针对风速序列拟周期性、非平稳性及非线性等特点,将风速序列按不同频率进行分解,对分解后的原始风速信号分别建立不同的预测模型;各个模型的最佳参数由贝叶斯证据3层推断得出,用以建立基于小波和贝叶斯证据推断框架下的最小二乘支持向量机（LS-SVM）回归短期风速预测模型。应用该模型对东北某风电场的风速进行了提前1h的预测,预测的平均绝对百分比误差为7．63％,提高了预测精度。预测结果表明：基于贝叶斯证据推断框架下的LS—SVM和小波分析相结合的短期风速预测模型是一种有效、可行的风速预测模型,可为风力发电功率的预测提供一定的理论支持。     

基于最小二乘支持向量机的河段洪水预报研究

我国夏季汛期容易发生洪涝灾害,对区域财产安全与经济发展威胁巨大。基于最小二乘支持向量机洪水预测模型理论,以我国西南地区某流域河段为例,通过采集2016—2019年相关水文数据,建立最小二乘支持向量的区域洪水预报模型,并对区域水位变化作出了准确预测。该模型在河段洪水预测方面具有高精度、科学可靠的优势,在我国西南地区洪水预报工作中具有广泛的应用前景。     

基于ARIMA-GRACH模型的现货电价预测

通过建立ARIMA预测模型对现货电价进行预测,并对ARIMA模型存在的异方差问题通过GARCH模型进行修正。实证算例中,采用北欧四国电力市场数据,与ARIMA和灰色GM（1,1）模型进行比较,表明ARIMA—GARCH模型的预测精度更高,预测误差更小。     

基于IABC-LSSVM的大坝变形监控模型研究

大坝是水利工程的核心,其安全和稳定对整个水利工程具有异乎寻常的重要作用。因此,大坝变形研究一直是水利工程领域的重要课题。以某水库大坝坝顶部位的J08监测点的实际监测数据为依据,提出了基于改进向量机的大坝变形监控模型。结果显示,该模型具有较高的精度,可以用于大坝安全监测。     

基于支持向量机的省级电网中长期投资规模预测模型研究

本文提出了基于支持向量机的省级电网中长期投资规模预测模型。 围绕新形势下以电量驱动的电网投资规模预测模型参数单一、 线型拟合精度较差等问题, 本文分析了电网投资新环境、 新方向、 新要求; 探索了电网投资外部驱动因素指标体系, 从电力需求因素、 电网安全因素、 能源转型因素和技术创新因素4 个方面, 结合灰色关联理论, 筛选关键驱动因素, 构建省级电网中长期投资规模预测模型; 最后通过支持向量机算法, 预测了省级电网 2019～2022 年投资规模, 实证结果表明, 本文构建的预测模型是有效可行的。     

基于混沌吸引子的时间序列改进预测方法及其应用

时间序列的预测是预测领域的重要研究内容.给出了基于混沌吸引子的加权一阶局域短期预测法的通用算法,指出了对预测精度有重要影响的嵌入参数的确定方法.股市数据的预测实例表明此方法有较高的预测精度.     

基于支持向量机的石油期货价格预测

建立了基于支持向量机技术的石油期货价格预测方法.该方法使用价格序列一阶差分及其滞后值建模,采用径向基(RBF)核函数和序贯最小优化(SMO)算法,通过综合验证方式确定包括嵌入维数在内的各参数.实证研究表明,支持向量机方法比RBF神经网络和ARIMA模型预测精度更高,具有很好的应用前景.     

基于支持向量机模型的地铁进站客流量预测

为了更精确地预测短期站点客流量,动态调整城市轨道交通的日常客流方案,采用支持向量机模型对预测地铁客流量。首先,通过对AFC数据分析,利用上周同期进站量、前一天同期进站量、当日前两个时段进站量以及高峰和非高峰时段参数作为模型的输入变量;然后,构造支持向量机预测模型并运用粒子群算法优化模型(PSO-SVM模型),实现地铁站点客流量预测,并进行不同模型预测误差的比较分析;最后,以苏州地铁数据为例,预测汾湖路地铁站的进站客流量。结果表明,优化模型能够有效改善预测误差,预测结果更为准确,证明PSO-SVM方法能有效用于地铁进站客流量的预测研究,为地铁进站客流量预测提供了新的方法。