权重预测（精选八篇）
权重预测 篇1
光伏并网发电已成为光伏发电的主流趋势。但光伏发电存在波动性、间歇性等缺点[1,2,3], 光伏发电大规模并网对电力系统经济、安全、稳定运行造成影响。对光伏发电输出功率进行准确预测可为电网功率调度提供有益的参考。
目前光伏功率预测从方法上可分为物理方法和统计方法2类。物理方法将气象预测数据作为输入, 采用物理方程进行预测;统计方法对历史数据进行统计分析, 找出其内在规律并用于预测[4,5]。随着我国光伏电站累计历史数据的增加, 统计预测方法发展迅速。应用统计预测方法建模时历史数据的选取对模型精度有较大影响, 文献[6]将光伏系统的出力划分为晴、阴、多云和雨4种类型, 提取天气类型相似的历史数据序列作为训练数据集, 建立光伏系统出力的支持向量机回归模型。文献[7]按照季节对历史数据进行分类, 建立了4个反馈型神经网络光伏系统发电功率预测子模型。文献[8]采用云量预报信息, 对天气类型进行自组织特征映射网聚类识别, 建立每种天气类型反传播神经网络的无辐照度发电量短期预报模型。文献[9]利用灰色关联系数法, 先建立每日气象特征向量, 再计算各个气象特征向量分量的关联系数, 综合得到2天间的总关联度, 建立基于相似日和径向基函数神经网络的光伏阵列输出功率预测模型。上述文献研究结果表明选择相关度高的历史数据训练模型能够提高模型精度。
本文提出基于各基值点时刻误差变量组合权重法的相似日提取的光伏功率预测方法。该方法充分考虑各预测时刻气象条件相似度, 根据各个基值时刻的误差变量组合权重加权和, 选出相似日。由于相似日的输出功率曲线具有很高的关联度, 因此可以将相似日的输出功率按不同的相似权重组合获得光伏预测功率。选取相似日的组合权重系数根据最小鉴别信息原理, 将主观权重和客观熵权有效融合获得;功率权重系数按相似性指标生成。某光伏电站实测数据仿真分析表明, 本文提出的方法可有效选取相似日, 实现较高精度的功率预测, 具有可行性和工程实用性。
1 基于组合权重法选取相似日的光伏功率预测基本思想
1.1 相似变量及基值点的确定
光伏发电输出功率受多种因素的影响[10], 式 (1) 给出一个固定安装角度太阳能电池板组成的光伏发电系统的输出功率的粗略估算方法[11]:
其中, η为光伏阵列的光电转换效率 (%) ;S为光伏阵列的总面积 (m2) ;I为光伏阵列接收到的太阳辐照度 (kW/m2) ;t0为太阳能电池板的工作温度 (℃) 。
考虑本文的光伏电站每天06:00—18:00可能具有光伏功率输出, 因此将每天06:00—18:00各整点定义为基值点。对于既定的光伏发电系统在短期内 (如15 d时间间隔内) 每天在基值点各时刻的出力, 其系统转换效率、光伏阵列的总面积等影响因素都较为接近, 可近似为常数。因此功率主要受到太阳辐照度、温度2个因素影响。考虑到太阳辐照度的变化对输出功率的影响很大, 是影响光伏发电量的重要因素, 本文以太阳辐照度作为相似变量进行相似日的选取, 这种相似变量选取方法简单, 但由于没有使用太阳能电池板温度变量, 会带来一定预测误差。
1.2 基于组合权重相似日选取光伏功率预测的基本思想
基于组合权重相似日选取光伏功率预测的基本思想如下。
a.以每天06:00—18:00各整点作为基值点, 提取待预测日气象预报各基值点的辐照度, 组成待预测日辐照度向量:
提取与待预测日邻近的15 d历史数据各基值点的辐照度, 组成历史天的辐照度向量:
b.求xj和x0差值的绝对值, 得到待预测日与邻近15 d历史数据的辐照度误差绝对值向量:
其中, j=1, 2, …, 15。
c.确定各个基值点的权重参数, 与各历史天辐照度差值绝对值相应点相乘, 求取加权和得到相似误差。根据相似误差由小到大对历史天排序, 选出相似误差最小的3 d作为待预测日的相似日。
d.由于相似日输出功率具有很高的关联度, 因此将相似日输出功率按照相似程度确定功率加权系数, 然后加权组合获得光伏输出功率的预测值。
2 权重系数的确定
2.1 基于主客观权重融合的相似日组合权重参数确定
各基值点的权重参数的恰当选取是本文方法的关键, 将直接影响相似日的选取和功率预测精度。目前, 确定权重的方法大致分为2类:一是主观赋权法, 由决策者根据经验主观定权, 其受主观因素影响大;二是客观赋权法, 通过对统计数据所包含的客观信息提取分析, 确定权重, 该方法完全依赖于客观数据, 忽视了专家经验, 而且客观数据中包含着噪声信息, 因此计算结果有可能不满足要求。权重的恰当确定应该是评价指标客观信息与评价者主观判断两者综合的反映[12,13]。本文提出结合主客观赋权法的组合权重确定方法, 将专家判断和客观分析相结合得到较为理想的权重值。首先采用专家经验得到各基值点的主观权重, 采用熵权法得到各基值点客观权重, 然后再根据最小鉴别信息原理将所得客观熵权与基于专家经验的主观权重相结合得到组合权重。
2.1.1 采用主观法的权重参数确定
根据日常经验, 每天06:00—18:00的辐照度并不是线性均匀变化的。对历史辐照度和光伏输出功率数据分析可得, 一天中不同时间段辐照度变化量的大小和光伏功率输出值是不同的, 并呈现出一定的规律性:06:00—09:00辐照度变化量较小, 对应输出的光伏功率较小;10:00—15:00辐照度变化量明显增加, 输出的光伏功率也较大;16:00—18:00辐照度和光伏输出功率再次减小。因此根据专家经验, 将06:00—09:00和16:00—18:00的各基值点主观权重赋较小值, 将10:00—15:00基值点主观权重赋较大值。本文组合权重系数确定过程中所使用的06:00—18:00基值点主观权重定义为:
2.1.2 基于熵权法的客观权重确定
熵权法在建立关于评价对象和评价指标的评价矩阵的基础上, 确定各个评价指标在综合处理过程中的权重。信息熵可用来度量数据中包含的有用信息量, 从而确定该信息所占权重。如果指标信息熵越小, 则该指标提供的信息量越大, 在综合评价中所起作用理当越大, 权重就应该越高。熵权法正是利用此原理得到每个评价指标的客观权值, 是常用的客观赋权法之一[14]。其步骤可简单概括如下。
a.在一个具有m个评价对象、n个评价指标的评估体系中, 建立评价对象关于评估指标的评价矩阵
b.将A经过标准化后得标准化矩阵R=[rij]m×n, 并计算第j个评价指标下第i个评价对象的比重:
c.第j个指标的熵被定义为:
假定当Pij=0时, Pijln Pij=0。
d.第j个指标的熵权定义为:
根据本文的相似数据选取原理, 首先以06:00—18:00各点的辐照度差值绝对值作为13个评价指标, 邻近的15个历史天作为评价对象, 建立由各历史天的辐照度差值绝对值向量δi (i=1, 2, …, 15) 组成熵权法评价矩阵A=[δ1, δ2, …, δ15]T。根据上述熵权法的基本原理, 将A标准化并计算第j个评价指标下第i个评价对象的比重Pij (i=1, 2, …, 15;j=1, 2, …, 13) 。然后计算每个评价指标的熵值Hj (j=1, 2, …, 13) , 从而得到每个评价指标的权重ωj, 最后将13个评价指标的权值组合构成各基值点客观权重向量w2。
2.1.3 主客观权重结合的组合权重参数确定
由于主观权重受主观因素干扰较大, 而客观权重过分依赖于客观数据, 易受噪声影响, 且忽视了专家在确定权重中应有的重要性, 因此主观权重和客观权重选相似日方法都有其局限性。对此本文提出综合考虑主客观因素的组合权重相似日选取方法。采用最小鉴别信息原理将已经得到的主观和客观权重进行组合, 得到组合权重。
设主观权重向量为w1, 客观权重向量为w2, 组合权重为w。依据最小鉴别信息原理[15], 应使组合权重w (i) 与w1 (i) 、w2 (i) 尽可能地接近, 为此建立如下目标函数:
采用拉格朗日乘子法求最小值, 可得:
2.2 功率加权系数的确定
当相似日的组合权重确定后, 就可以根据1.2节中的步骤c求出各相似日的相似误差exs1、exs2、exs3。这3个数值代表了与预测日气象条件的相似程度, 数值越小, 相似度越高, 其功率加权值应该越大。按照上述思想, 本文的功率预测权值系数为:
3 基于组合权重的相似日选取光伏功率预测实例分析
以一总容量为40 000 kW的光伏电站为例, 分别采用基于主观权重、熵权法客观权重和组合权重相似日选取法, 对光伏输出功率进行24 h预测。预测时间间隔为15 min, 有96个预测点。评价指标采用均方根误差RMSE (Root Mean Square Error) , 按如下定义:
其中, ei=Pf (i) -Pr (i) (i=1, 2, …, 96) , Pf为预测功率, Pr为实际功率;Ps为总装机容量。
3.1 多云天光伏功率预测仿真实例
分别采用基于主观权重、熵权法客观权重和组合权重相似日选取法, 对2012年11月19日的光伏输出功率进行预测。
主观权重采用2.1.1节中所选w1。
按2.1.2节步骤通过仿真得到客观熵权为:
依据最小鉴别信息原理, 求得主客观组合权重为:
上述3种方法所确定的相似日及11月19日的辐照度曲线如图1所示。
图1中共展示了6个相似日, 每种方法所确定的相似日有所不同, 具体见表1。
图2给出了基于相似日的11月19日3种预测方法光伏输出功率预测值和实际值。其中主观权重相似日11月9日、11月6日和11月14日的输出功率权值系数分别为0.3763、0.3365、0.2871, 预测的功率均方根误差为10.85%;熵权法客观权重相似日11月18日、11月14日和11月16日的输出功率权值系数分别为0.3511、0.3299、0.3189, 预测的功率均方根误差为9.97%;组合权重相似日11月6日、11月14日和11月18日的输出功率权值系数分别为0.348 9、0.326 3、0.324 8, 预测的功率均方根误差为7.89%。
为了验证组合权重法是否依赖主观权值的专家经验, 将基值点主观权重全部选取为等值0.076, 其预报的功率均方根误差变为10.9%;熵权法客观权重法不变;组合权重法预报的功率均方根误差为7.90%, 可以看出主观权值变化时, 组合权重法有较好的适应性, 预测精度较高。
可见, 由于组合权重法融合了主观权重和客观熵权的信息, 更加有效地识别历史天与待预测日的相似程度, 对相似日进行了重新排序和取舍, 提高了预测精度。组合权重法选出的第一相似日11月6日对应主观权重法第二相似日;第二相似日11月14日对应客观熵权法第二相似日 (同时也是主观权重法第三相似日) ;第三相似日11月18日对应客观熵权法第一相似日。
3.2 晴天光伏功率预测仿真实例
上述仿真例中11月19日为多云天气, 其辐照度较小, 波动也频繁。为了进一步验证该方法的普适性, 选取晴天2012年11月4日继续进行仿真验证。
主观权重采用2.1.1节中所选w1。
按2.1.2节步骤通过仿真得到客观熵权为:
依据最小鉴别信息原理, 求得主客观组合权重为:
上述3种方法所确定的相似日及11月4日的辐照度曲线如图3所示。每种方法所确定的相似日有所不同, 见表2。
图4给出了基于主观权重相似日、客观熵权相似日、组合权重相似日的11月4日光伏功率预测值和实际值。
其中主观权重相似日的输出功率权值系数为0.379 2、0.366 1、0.254 6, 预测的功率均方根误差为2.77%;熵权法客观权重相似日的输出功率权值系数为0.370 6、0.351 2、0.278 2, 预测的功率均方根误差为1.64%;组合权重相似日的输出功率权值系数为0.369 6、0.366 6、0.263 7, 预测的功率均方根误差为1.61%。
由于晴天数据的相似度高, 因此3种方法的预测误差都较小, 但组合权重法预测精度最好。通过上述2个仿真实例分析可以看出, 组合权重法由于综合了主观赋权和客观赋权的优点, 充分融合了专家经验和客观数据提供的信息, 确定的权重更合理, 能够在不同情况下更好地找到相似日, 提高功率预测精度。由于本文的方法依赖于历史天与预测日的相似程度, 具有其局限性, 如果预测日是突变天气, 与前面历史天的相似度低, 则会产生较大的预测误差。
4 结论
本文提出了选取相似变量基值点, 采用主客观权重组合赋权法确定基值点的组合权重, 从而选取相似日的方法, 然后基于相似日的功率权重系数实现光伏功率的预测。基于专家经验的主观权重受主观成分影响过大, 基于熵权法的客观权重忽视了专家经验的作用, 对噪声敏感, 都有其局限性。本文根据最小鉴别信息原理将主、客观权重有效组合, 确定了基值点的组合权重, 进行相似日选取。由于权重确定过程综合考虑了主客观因素的影响, 能够选出与待预测日相似程度更高的历史天, 提高了光伏功率预测的精度。通过算例验证, 在不是突变天气的功率预测中, 该方法简单易行, 具有很好的适应性, 预测精度较高, 适合工程应用。
摘要：提出一种光伏功率预测方法, 该方法利用相似变量的基值点误差, 采用组合权重法求取相似误差, 确定相似日, 然后将相似日的输出功率按不同权重系数加权得到预测功率。根据最小鉴别信息原理, 将主观权重和客观熵权有效融合获得相似日选取的组合权重系数, 功率权重系数按相似性指标生成。某光伏电站实测数据算例仿真表明, 所提方法可选出相似度高的相似日, 提高了光伏输出功率的预测精度。
细节成就权重 权重决定排名 篇2
相关来源：
说到网站权重这个概念。其实这个概念已存在已久了，不同的SEO们给它起了不同的名字。但说到底，网站权重的核心意思就是：“百度每通过一个网站的指标，来对网站内的一篇内容进行加权或降权的操作”。
那么网站权重增益对我们日常的SEO工作有什么帮助呢？我们回顾一下之前文章中写道的一些影响网站权重增益的因素：包括但不限于以下多种：权威性、有效性、页面类型、页面质量、编码类型、页面丰富程度、是否点击并浏览过、社会化因素以及其他。这几种因素的在网站权重增益中的占比我们还不得而知，毕竟这属于百度的核心算法。
从目前的情况来看：有效性、编码类型、页面质量以及页面类型属于基础因素；社会化因素、是否点击并浏览过、权威性属于权重因素；而页面丰富程度和其他因素属于加权因素。其中：
基础因素：是指网站的基础，比如编码类型表明了你的网站面向哪类受众群体，页面质量跟用户体验有直接关系，页面类型则与网站结构相关，有效性则不用多说，直接关系到你的内容权重。这三个网站权重增益因素决定了我们的网站是否对用户和蜘蛛友好（user-friendly and spider-friendly）。且这些因素是我们能够控制和掌握的，所以SEO同行们应该在网站权重增益的基础因素项中多下工夫。
权重因素：是指搜索引擎对网站进行加权或降权的因素，自进入2012年以来，社会化因素对于搜索引擎排名的提高起到了非常重要的作用。无论是百度分享还是百度统计，其中都有用来监控社会化因素的影子。是否点击并浏览过则是一个SEO行业新的变化，“百度11位现象”及我们在其他网站上看到的“48小时排名进首页（前三）”都是由这个因素而引起的。而权威性则不用多说，应该是网站权重增益因素中最重要的一点。大家如果最近在观察“SEO”这个词，就应该能够看到其中的微妙之处：Zac已经稳居第一，点石即使最后一篇文章甚至没有内容但也在前列。
加权因素：是指如果做的好，会被搜索引擎对排名予以加权，如果没有做或者做的不好，也不会有太大影响。值得注意的是这个网站权重增益因素也是我们能够直接掌控的。在编辑文章或伪原创文章的时候，多用一些图，多在原文章的基础上加入一些评论性的语言，花费不了多长时间，却对网站总体权重有着明显的帮助。
权重预测 篇3
关键词 正权重; 组合预测; GMDH; 神经网络
中图分类号文献标识码:A
1 引 言
组合预测的基础是单项预测.经济预测中常用的单项预测模型一般分为时间序列模型和回归模型.时间序列模型的缺点在于不能充分利用与预测经济指标密切相关的经济因素,导致预测的数据不准确和不稳定.回归模型虽然考虑了各相关经济因素,但需要事先知道其他经济因素与预测经济指标间的函数关系,在此需要首先确定预测经济指标与哪些经济因素有关,特别是各经济因素间有时存在着很强的相关关系,这对函数关系的建立和预测的准确性很有影响,因此参照文献[1]的做法,首先通过GMDH方法对选择的经济变量进行筛选,然后再进行回归模型和神经网络模型的建立可提高模型的预测精度.
权重预测 篇4
在经营活动中, 有效预测客户需求对准确把握客户偏好、及时准备商品和服务、提高经营收益具有重要意义。客户需求的预测方法, 一般有基于定性预测的Delphi法、用户调查法和基于定量预测的因果模型法、时间序列模型法等。定性预测方法主观成分较多且不能得出量化预测数据;通常采用的定量预测在分析初期常运用模糊矩阵、关联分析等方法进行预处理[1], 降低了预测结果的鲁棒性和客观性。因此, 需要创新一种定量分析方法, 在客观数据基础上挖掘与分析客户需求。
数据挖掘技术[2]是基于信息处理的知识发现, 依据实际数据分析需求相关性, 可保证输出结果的客观性;神经网络算法[3]分布处理数据能力显著且容错性高, 在经济与市场预测方面颇具应用价值。所以, 数据挖掘技术和神经网络算法可作为客户需求预测的有效工具。
2 实例分析
某电子产品供应商依托tmall.com平台开设手机旗舰店, 已知该手机有3个套餐类目, 分别是颜色、附加产品与是否ROOT。其中颜色有黑、绿、白、黄、蓝5种;附加产品选择有5类, 分别是官方标配、标配+剪卡器、8G内存卡+剪卡器、16G内存卡+剪卡器和移动电源+剪卡器。假设颜色用英文表示, 附加产品分别用basic、one至four表示。现以4月份统计数据为基础, 运用正相关关联规则挖掘客户需求, 将得出的数据在BP网络中反复学习, 进而预测5月份的需求权重。具体的操作过程如下:
3结论
为准确预测客户需求, 运用正相关关联规则数据挖掘技术剪枝产生正相关频繁2_项集, 进而计算获取产品重要特征需求。进一步运用BP神经网络技术对各时域相关特征需求权重进行反复学习与训练, 在达到目标偏差时利用所取得的网络连接权值与阈值进行分析预测。实例运用证明了方法在客户需求与预测误差方面的有效性。
宝贝标题权重 篇5
如何在5天内让宝贝排在自然搜索首页？如何快速把计划中所以质量的分提高到10分？淘宝竞争太激烈，如果没有深厚的内功，很难有立足之地。下面老兵给大家传授一些个人优化心得。
以我的女装类连衣裙来讲
2015新款 品质 女装 连衣裙 夏季 韩版 雪纺 短袖 修身 显瘦 款长裙
连衣裙，大流量关键词类目的统称，雪纺连衣裙，碎花连衣裙，小清新连衣裙品质连衣裙等等就是连衣裙里面的一个大类。“韩版连衣裙2015”就是浓缩的比较不错的标题了，还剩下很多小流量的修饰词。有销量以后没有权重也无法抢小流量词的
在定义宝贝的时候标题，只有精准了才可能转化，老是改来该去的，标题的权重跑哪里去了，你都不知道。还谈抢什么流量？（当然也有改标题，换主图不降权的方法，这个后面说。）标题不精确描述，谈养词就是扯淡！！
有人会疑问，我老是改标题，这样对搜索真的会有影响吗？什么程度！我告诉你，淘宝会给你一定的机会展现，如果转化了，加权重。但是有限的。新词的固然有转化带权重，但是又奈何能与其他好的带权重的标题抗衡呢！所以你一开始就应该把他定义好，有时候你不经意去掉一些有意义的关键词，你的权重就更是少的可怜。比如，有人会问，为什么我的销量比同类的高，却排在比人后面！
优化标题的重要性，我也不在这里过多的强调了。宝贝的排名没有靠前那是因为你没有个好的标题。
做过爆款的朋友都知道，标题是可以随便改呀改的吗？改来改去会导致以前养关键字的权重重置消失。
说到养词，许多朋友会问怎么样养词有效果！！下面给你细细道来。
养词简单点就是，通过淘宝，天猫通或直通车展示搜索关键字，搜索到你的宝贝，点击后并且转化，这样会增加该关键词的权重。如图
今天不谈优化，谈给宝贝标题加权重。打开淘宝 搜索 韩版连衣裙2014
“韩版连衣裙2014”
把关键字拆分 “韩版” “连衣裙” “2014” 假设每次搜索转换后的权重分值为10分
那么 韩版 连衣裙 2014 分别可以获得3.33333分的权重积分，当搜索这三个关键字的时候，这三个关键字就会相对比别人的更高一些，也就是为什么
我只卖出了393个，第三名卖出了10515个，但是我还是能排在第一，因为你关键字养得并没有我的好，对于淘宝来说，我的关键字更加精准，淘宝会将这些精准关键字排名靠得更加前面给消费者展示
那么如果客户只搜索了一个关键字 “连衣裙” 按如果按照销量排名，我的排名不是很靠前。本身销量不多
以上是以“连衣裙”关键字来进行的排序，明显我销量并不如他，但是在自然搜索排名中，“连衣裙”这个关键词的权重比他们更高，所以我会更靠前一些。
再举例 个例子说明一下
上图同样如此，你们可以看到，我的销量只有4924，但是排序仍然比下面6018销量更靠前，原因很简单，我的关键词转化权重比他们高，所以我靠前。有一点权重只计算月销量累计的权重，一个月后就会清一次。这就是有些朋友为什么会发先，宝贝从100-200-500涨的很快，突然有一天，自然搜索流量就没有了，然后销量开始下滑。就是这个道理，因为30天的权重过了之后会重新计算调整。
对于标题来说，每个宝贝标题可以设30个汉字，分割成许多小关键字，那么每个关键字的权重都不一样的，甚至还要考虑DSR。在说个例子
我的宝贝在商城销量不如他们，但是在淘宝收索中，我却进入豆腐块里。这说明什么呢？
“销量高不代表标题里词的权重就好，搜索词转化，才是真正提高关键词权重的分项” 比如你搜索，转化了连衣裙，那么就给连衣裙两次增加权重，搜索小西服，小西服转化了，增加搜索权重，不管淘宝搜，还是商城搜索转化，还是点击关键词的直通车转化，都会计算，但是自然搜索的权重值会相对高一些！！在举个例子说明：
我的宝贝销量相对还可以，想去抢占几个小流量关键词，大多数卖家认为：我宝贝销量高，别人和我差的远，我就抢个小词，也没人跟我争。
错，如果你的关键词没有搜索转化，没有加分项，一样排在后面。你可以试试，你自己加个词，搜索一下！！所以你不知道怎么不降权，就不要整天改标题。那么如何养词呢？
干货1：边卖边刷（不提倡，不鼓励，但是真有效），通过搜索关键词，进行点击，5分钟阅读，在店铺里鼠标四处点点，收藏店铺，该假聊假聊并且购买宝贝，取得可控权重！发个链接点开就刷的方式不可取！不得权重，还容易被抓。另外，控制好上下架时间，以你的 类目最高转化时间段延后1--2小时 比如：你星期一晚上7点-9点下单率最高！那么这款宝贝的上架时间设置为，星期一晚上8-10点，干货2：直通车，直通车关键词与标题关键词匹配，转化后可以提高宝贝对应关键词的权重，同时，高转化又反哺直通车质量得分。分高了，有能降低点击单价，从而提升整体roi。进入良性循环。
打造爆款，如果不做类目热词，大流量高消费，那一个月的爆款周期过后，你就被自己拖死了。
干货3：标题一定要精准定位产品，一旦设置完成，绝不轻易修改，搜索权重才是决定你的排名，而不是标题优化的多好
下面看下老兵前段时间亲身按照上述方法优化的一家店铺自然流量的增长情况
这是一家商城店，天猫搜索从之前不到500，优化了一个多月，提升至接近3000.淘宝搜索从之前300左右，优化到1200左右。
主要方法：1.店铺标题关键词优化 2 配合直通车重点关键词注流 3.前期适当刷单带起来
权重预测 篇6
关键词：桩基工程,承载力,变权重组合预测,静载荷试验
超长大直径桩的承载力极高,静载荷试验的费用难以承受甚至无法实现,故有必要研究其承载力预测方法。目前,基桩载荷试验曲线预测方法主要是根据实测沉降数据推算曲线后段,如双曲线法[2]、指数曲线法[3]、多项式法等,这些方法计算简单方便,适于工程应用。此外,还有应用各种优化方法进行曲线预测的方法,如灰色理论预测法、神经网络法等方法,虽然这些方法精度较曲线拟合法高,但计算复杂,且方法本身不易理解,难以推广应用。故本文基于曲线拟合法,针对其单一曲线难以描述各种情况下基桩载荷曲线特征的缺陷,引入组合预测的思想,建立变权重组合模型。
1变权重组合预测模型与方法的建立
1.1基桩破坏模式
1)屈曲破坏。细长端承或嵌岩桩常发生屈曲破坏,这种情况下桩顶沉降量s很小,Q—s曲线具有明显的拐点,且达到屈曲荷载后沉降量急剧增加。
2)整体剪切破坏。一般摩擦桩(特别细长者除外)及灌注桩、打入式短桩、钻扩短桩发生整体剪切破坏。这种破坏形式对应的桩顶沉降量s小,桩端持力层出现连续的滑动面。其Q—s曲线在桩端地基土达到整体剪切破坏时亦有明显的拐点。
3)刺入破坏。一般桩的入土深度较大,端承摩擦桩或纯摩擦桩将发生刺入破坏。这种破坏形式下,桩顶沉降量s大,其Q—s曲线无明显的拐点。
1.2预测模型
1)双曲线模型。该模型假定桩的Q—s曲线为双曲线,即:
其中,m,c均为双曲线常数,可根据试桩数据按最小二乘法计算得到。
实际工作中也可将式(1)化为:
由式(2)对测桩数据进行线性拟合,由于拟合后直线斜率的倒数即为极限荷载,故亦称之为倒斜率法。
2)指数方程法。该法假定Q—s曲线符合指数方程:
其中,Qu为待求的桩极限荷载,kN;a为待求的衰减因子,1 mm。
其中未知参数可通过静载实测数据利用最优化技术,由计算机分析确定。
3)多项式法。假定Q—s曲线符合一元多项式:
其中,ai待定,若将实测值代入式(4),则可得到一组计算的Qi值,根据最小二乘原理,当实测值与计算值之差的平方和最小时,多项式对Q—s曲线拟合效果最佳。
1.3变权重组合预测模型的建立
设对于同一预测问题,有n种预测模型,N个时间点,并假设:y(t)为第t期的实际观测值,t=1,2,…,N;∧yi(t)为第i个模型的第t期预测值;wi(t)为第i个预测模型在第t期的加权值,且满足:
第t期的预测误差,(i=1,2,…,n),(t=1,2,…,N);则变权重组合预测模型可以表示为:
其中,∧y(t)为变权组合预测模型的第t期值。由此可以看出,其问题的关键在于最佳变权重的确定,下面将重点介绍其确定方法。
基于最小二乘法的思想,最佳变权系数wi(t)应使:
达到最小。由于:
其中,Wt=[w1(t),…,wn(t)]T(10)
由于权系数均须非负数,故此问题转化为用线性规划方法求解非负权重组合预测模型:
由文献[4]可知:
其中,R=(1,…,1)T为n维向量。若在t期出现分量wit≤0,则表示第t期第i个模型不能参与组合。因此在t期若有(nk)个模型被筛选掉,则将第t期剩下的k个模型重新组合,由以上方法再次得到最优组合权重系数向量为:
由文献[5]所提出的计算预测精度的方法,将0～N时刻的yi∧(t)代入N+1时刻的单项预测值为:
即可得到真正意义上的组合预测值,再进一步求出预测精度S。
以上用已有数据进行拟合得到使组合预测模型拟合精度达到最优的变权重系数,当用变权重组合模型进行预测时,采用以下方法计算第N+j(j=1,2,…,n)期每种模型的变权重系数:
2 工程实例分析
2.1 工程概况
某大桥位于湖南南县茅草街镇(洞庭湖区),为一座特大型桥梁,其主桥采用三跨连续自锚中承式钢管混凝土系杆拱桥桥型,基础均采用钻孔灌注桩。为给基础设计提供相关设计参数,施工前在主墩地区进行了单桩静载荷试验。
试桩采用泥浆护壁钻孔灌注桩,设计直径d=1.0 m,埋深60.00 m,进入弱风化泥质砂岩层。试桩桩身混凝土设计强度为C30,实测弹性模量为2.95×104 MPa。在施工时为防止出现塌孔,在钻孔上部加设直径1.3 m的钢护筒,故试桩上部埋深10.5 m部位的直径d=1.3 m。灌注混凝土前,实测沉渣厚度为50 mm。
2.2 工程预测结果
用本文方法对该静载荷试验结果进行预测,且用前述双曲线法、指数曲线法及多项式法进行对比分析,结果见图1。由图中结果可知,用变权重组合预测方法预测得到的沉降曲线可反映各种单个曲线的特征,效果较好。
3 结语
1)变权重组合预测方法基于简单数学模型,其理论简单直观,有利于工程应用;2)变权重组合预测方法可反映的曲线特点和单个模型的种类和特征有关如寻找出更多的单种曲线则可用该方法描述具有更多特征的静载荷试验曲线;3)变权重组合预测精度较单个模型预测要高,且其计算过程可通过编程实现,极具工程实用性
参考文献
[1]赵明华.桥梁桩基计算与检测[M].北京:人民交通出版社,2000.
[2]高大钊.地基基础测试新技术[M].北京:机械工业出版社,1999.
[3]邓建刚,傅旭东,罗云华.单桩极限承载力的预测[J].勘查科学技术,2003(2):9-12.
权重预测 篇7
1 资料与方法
1.1 一般资料
按本院首诊,院前时间≤24 h,AIS≥3,创伤前无重大疾病,具有明确结局的标准筛选出2005年1月1日～2008年12月31日本院收治的创伤病例,共700例。男438例,女262例,年龄10～82岁,平均27.8岁;创伤原因:交通事故伤392例,锐器伤156例,高处坠落伤88例,钝器伤32例,枪击伤12例,挤压伤10例,爆炸伤6,其他伤4例,并按入院时主要伤情分为钝性伤组486例和穿透伤组214例。
1.2 数据收集
院前评分采用改良创伤评分(revised trauma score,RTS)法,院内评分采用ASCOT法,计算生存概率(probability of survival,PS),Ps=1/(1+e-b),式中e=2.1718282,b=b0+b1Age+b2G+b3S+b4R+b5A+b6B+b7C+b8T,各参数的意义及分别采用的国外MTOS权重系数和国内华西医科大学创伤数据库的国人权重系数见表1,以Ps=0.5作为估计结局的标准:Ps≥0.5预测生存可能性大,Ps<0.5预测死亡的可能性大,见表1。
1.3 评价指标
评价指标包括死亡误判率(预测生存而实际死亡数/总死亡数×100%)、生存误判率(预测死亡而实际生存数/总生存数×100%)、预测准确率(测准例数/被测例数)。
1.4 统计学处理
根据不同伤型分别计算,所有数据由SPSS11.0软件包进行处理。
2 结果
2.1 2种权重系数对穿透伤和钝伤的预测结果,见表2
2.2 2种权重系数对穿透伤和钝伤的预测比较结果,见表3
通过χ2检验,在穿透伤组,应用MTOS权重和国人权重的预测准确率,生存误判率的比较中,两者差异有显著性(P<0.05)、在死亡误判率上两者差异无显著性(P>0.05)。在钝性伤组,应用MTOS权重和国人权重的预测准确率,生存误判率和死亡误判率的比较中,两者差异无统计学意义(P>0.05)。
3 讨论
临床医学单纯凭临床经验直视的描述伤情由于缺乏一个统一的标准难以做到相互比较,自50年代开始,国外对创伤的严重程度开始用量化表达,70年代后已得到普遍推广,并提出多种评分系统,其中院前评分方面改良创伤记分法(RTS)[1]指标客观,计算简便,不受主观因素的影响,并且RTS在AS-COT预后评估系统中作为一项重要数据被记入内,已得到广泛应用[2,3],院内评分方面ASCOT法在RTS法指标基础上采用生理、解剖、年龄及损伤类型等参数组合,经过多元回归分析,计算出参数权重,计算Ps,定量预测伤员结局,评估救治质量,具有客观性、可靠性而在国内被广泛认可和应用[4],我国自80年代以来应用该法预测急诊重度创伤结局,取得了良好的指导效果和提高了救治质量[5],但ASCOT法采用的是北美MTOS数据库分析得出的权重值,由于我国创伤人群特点、年龄与体质、创伤类型、院前—转运—院内救护条件与国外有别,杨建等[6]根据华西创伤数据库国人创伤11 258例,经过Logistic多元回归估计权重新值并预测结局,观察预测与实际结果的符合率,得出ASCOT的国人权重值。本文作者通过对本院近3年急诊重度创伤结局的回顾性预测研究发现,在穿透伤组,应用国人权重系数的预测结果在预测准确率、生存误判率上与MTOS权重的比较差异有显著性(P<0.05),在钝伤组里,两者在预测准确率、生存误判率和死亡误判率上差异无显著性(P>0.05),说明套用华西医科大学的国人ASCOT的参数和权重可能更适合于我国创伤人群特点、体质和创伤类型,尤其是在穿透性重症创伤结局预测方面准确率更高,误判率更低。
综上所述,ASCOT评分在评估伤情和重症创伤结局预测价值较高,但由于各国甚至各地区在伤因、伤情、经济条件及院前急救条件等方面存在差异,采用华西医科大学数据库的国人ASCOT权重系数结合ASCOT评分研究更适于中国人种,能更准确的预测病情结局尤其是在穿透性创伤上,从而更好的指导临床治疗与抢救。
参考文献
[1]CHAMPION HR,SACCO WJ,WAYNE WJ,et al.A revision of the trauma score[J].Trauma,1989,29:623-629.
[2]周志道.创伤评分[J].中华创伤杂志,2001,17(3):3-4.[2]ZHOU ZD.Trauma score[J].Chinese Journal of Trauma,2001,17(3):3-4.Chinese
[3]李宁,杨健,石应康,等.院前RTS评分促进早期医疗介入提高院前急救质量的探讨[J].川北医学院学报,2003,18(4):4.[3]LI N,YANG J,SHI YK,et al.The first-aid of the thoracic in-juries based on RTS score[J].Journal of North Sichuan Medical College,2003,18(4):4.Chinese
[4]都定元.创伤评分的演进与AIS[J].创伤外科杂志,2006,8(3):193-197.[4]DU DY.Evaluation of trauma score and introduction of abbrevi-ated injury scale[J].Journal of Traumatic Surgery,2006,8(3):193-197.Chinese
[5]LAN XF,WANG AM.Progress of trauma score for injury evalu-ation and risk prediction[J].Journal of Traumatic Surgery,2008,10(4):373-375.Chinese
权重预测 篇8
电力负荷预测是电力系统进行规划设计的基础,也是电力系统运行的经济性与可靠性保证。已有的负荷预测方法可分为传统的以经典数学为理论依据的预测方法和现代的以智能技术为依托的预测方法[1]。其中经典预测方法应用较多的是时间序列分析,包括自回归滑动平均(ARMA)[2]和广义自回归条件异方差(GARCH)模型等。随着人工神经网络(ANN)[3]和支持向量机(SVM)[4]等理论和技术的发展,基于人工智能的非参数模型预测方法成为该领域研究的热点和重点。
传统方法多采用单一方法进行预测,在复杂的条件因素下显示出不足,现阶段提出的组合预测方法已经成为负荷预测研究的新方向。当前的组合预测研究主要有2个方向:一是将学习优化算法与传统的单一预测模型进行组合[5];二是将多个单一模型的预测结果进行加权组合[6],根据各单一模型在历史数据中的表现确定其组合权重。文献[7-12]提出了几种新的权重确定方法,指出可以利用相似日的思想组合权重,但在已有的文献中相似日的确定仅仅是简单的系数法,且应用较为简单的趋势外推法进行预测,在相似日和预测方法的确定方面,仍存在较大争议。因此,探求新的智能组合方法有一定的理论意义与实际价值。
本文提出一种新的组合预测方法进行电力负荷预测。利用模糊神经网络(FHNN)聚类法,将原始负荷分别以季度、月份、星期、日、小时为周期,将具有相似性的情景进行分类,把将要预测的负荷根据其特征分别映射到不同的情景中,分析不同预测方法在不同情景下的预测能力,再将不同的预测能力作为最终组合预测的权重进行分析。
1 基于FHNN的组合预测
模糊控制和神经网络作为典型的智能控制方法,在面对不同控制时各有其优势[13,14],但同时又都存在着自身无法解决的问题。融合它们各自的优点,甚至与现代传统控制技术相集成,是当前研究的热点。FHNN就是模糊理论与神经网络相结合的产物,它汇集了神经网络与模糊理论的优点,在自组织聚类中具有很好的应用[15]。
假设有m个单一预测组成的模型集为{Mi},将历史负荷作为外部因素进行聚类,每种预测模型在类似情景下的表现作为组合预测的权重,组合模型集从而获得一个精确度较高的预测结果。
一日24h的负荷是不断变化的,本文建立24个不同的模型进行24h的预测。又因为24h的建模过程类似,可选取1h进行建模过程分析。此处选择相对误差eij和平均绝对误差E来评价各个模型的表现。
式中:为第j天第i小时的预测负荷;yij为对应的实际负荷;n为被预测的负荷数。
图1所示为基于FHNN的组合预测过程。
首先将原始数据分为3类(训练集、验证集和测试集),选择4种单一预测模型(ARMA,GARCH,ANN,SVM);其次,利用FHNN相似日聚类,获得不同模型在不同相似日的组合权重;最后,建立组合预测模型,进行各种预测模型的对比分析。具体步骤如下。
步骤1:原始数据分析,并将原始数据分为训练集、验证集和测试集。
步骤2:选择合适的单一预测模型。
步骤3:训练、验证和测试。应用训练集数据训练单一预测模型;利用训练的模型,进行数据的验证和测试,获得验证误差eij和预测负荷Pi。
步骤4:聚类并计算组合权重。利用FHNN相似日聚类,将负荷数据分为不同的情景类别;把将要预测的每个小时负荷聚类到相似情景中,计算E,利用下式获得组合权重wh(若要预测的某个小时没有相似的情景聚类,则求取各个单一模型的权重平均值来确定其组合权重):
式中:Eh为第h个模型在相似日的平均绝对误差。
步骤5:组合预测。利用步骤4获得的组合权重,进行4种单一模型的加权组合,并将预测结果与单一模型进行对比分析。
2 单个预测模型分析
如前文所述,已有的负荷预测方法可分为传统的以经典数学为理论依据的预测方法和现代的以智能技术为依托的预测方法。结合电力负荷的特性,经典的预测方法选用ARMA和GARCH模型,智能预测方法选用ANN和最小二乘支持向量机(LSSVM)。ARMA模型是一类常用的随机时间序列模型,也称B-J方法,是一种预测精度较高的常用的短期预测方法。GARCH模型用于刻画时间序列的方差随时间变化的特性,对残差项中可能的信息进行挖掘。本文采用的是GARCH(p,q)方法中最简单也最常用的GARCH(1,1)模型。
在电力系统负荷预测中,应用最多的智能算法是带有隐层的前馈型神经网络;随后Suykens提出利用最小二乘价值函数和等式约束,将标准SVM需求解的二次规划问题转变为线性问题,形成LSSVM[16,17]。这2种智能算法在电力负荷预测中已得到大量应用。
3 算例分析
3.1 原始数据分析
选取中国某省市2009年全年的电力负荷数据进行分析,图2显示了一年8 760h的负荷数据。可以看出,该省市一年中的负荷数据主要分布在100~900 MW之间,夏季和冬季的用电负荷较高,负荷波动性较强。因此,选用夏季3个月的电力负荷进行预测。选用6月份的负荷进行训练,7月份的负荷进行检验,8月份的负荷进行测试。
通过数据分析可知,一年8 760h的负荷波动性较大,且每个小时的波动规律也各不相同,因此,本文选用分别对一日的24h进行建模预测。选用日负荷率ri,j反映不同情况下每日的负荷波动,将不同工作日的波动移动平均,即取,其中i=1,2,…,7;j=1,2,…,24;k=1,2,…,30。由于本文要预测2009年8月的负荷,因此,利用8月之前的22个星期的负荷数据计算ri,j。
3.2 单一模型预测分析
根据上文选择的4种单一预测模型原理,利用训练集进行单一模型的训练,并利用验证集进行验证,计算其相对误差,即验证误差,如图3所示。
从图中可以看出,SVM比其他单一预测模型的预测精度要高,其误差范围为[-0.03,0.03];ANN验证集的相对误差与SVM的预测结果具有一定的相似性,但偏低;GARCH模型在负荷高峰阶段,预测偏差较大,且与SVM和ANN相比,极值误差点较多;ARMA模型的误差较大,与GARCH模型有一定的相似性。
3.3 基于FHNN相似日聚类的组合预测
利用FHNN进行情景聚类,通过各单一预测模型在不同情景中的表现,确定其组合模型权重,进而进行组合预测。此处,FHNN的输入为历史负荷,其中间层和输出层单元个数设置为4。
4种单一模型在2009年8月744h的组合权重见附录A图A1。可以看出,SVM的组合权重大多在0.3~0.6之间,明显高于其他3种模型的权重值。相反,ARMA的组合权重值较小,大部分低于0.2。结合这4种预测模型的表现可以看出,组合权重的分布与表现相一致。
结合组合权重,将4种单一预测方法加权组合,可以得到预测月的组合负荷预测结果。单一负荷预测值和组合负荷预测值的比较结果见附录A表A1。本文的测试集是2009年8月744h的电力负荷。为便于说明和作图,本文将31d的负荷值和误差按24h平均化。同样,将4种单一模型的预测值和误差平均化。可以看出,本文提出的组合预测方法明显提高了电力负荷的预测精度。组合预测模型的平均绝对误差为1.51%,明显优于单一预测模型中精度最高的SVM法(1.79%)。同时,为了验证本文所提出的组合预测方法的精确性,采用其他几种常用的组合预测方法,如加权平均法(平均绝对误差为1.75%)和文献[6]提出的组合预测方法(平均绝对误差为1.62%)进行比较可以看出,本文提出的预测精度明显更具优势。
4 结语
本文提出了一种新的电力负荷组合预测模型。在综合分析各单一预测模型的特点后,分别选择2种经典预测模型(ARMA和GARCH),以及2种智能预测模型(ANN和SVM)。将原始的负荷值分为训练集、验证集、测试集3类。分别用训练集训练4种单一预测模型,并用验证集和测试集进行单一模型的验证和测试,从而获得验证误差和测试误差。根据电力负荷波动性的特点,通过分析4种单一预测模型的表现,利用FHNN聚类法,分别以星期、日、小时为周期,将具有相似性的情景分成4类,分析不同预测方法在不同情景下的预测误差,并利用不同的预测误差确定组合模型权重。最终建立了基于ARMA,GARCH,ANN,SVM这4种单一预测模型并采用FHNN聚类确定权重的电力负荷组合预测模型。综合分析了中国某省一年的电力负荷,选取波动性较高的夏季6月、7月、8月3个月份的电力负荷进行算例分析。将8月份的负荷数据作为测试集进行预测,结果显示本文提出的组合预测的预测精度明显高于其他单一负荷预测方法及常用的组合预测方法,具有较高的预测精度。
摘要：提出一种有效的组合预测新模型进行电力负荷短期预测。不同预测模型在不同情况下的预测结果和精度有所变化,因此组合预测模型的权重应随着预测情景的变化而变化。文中将原始负荷数据分为训练集、验证集和测试集3类,并选择4种单一预测模型,即自回归滑动平均(ARMA)模型、广义自回归条件异方差(GARCH)模型、人工神经网络(ANN)和支持向量机(SVM)分别进行模型预测。对于需要预测的负荷,根据历史数据,将一年的数据先按照季度分类,再分别按照月、日、小时,利用模糊神经网络(FHNN)将其聚类。根据不同单一预测模型在不同情景下的误差计算出组合权重,从而获得组合预测模型。算例分析验证了所提出的组合预测模型的有效性和精确性。