由于电网工程导线价格具有非线性和非平稳性特征,导致其价格预测难度大、预测精度低,针对这一问题,建立了EEMD-ARMA预测模型。利用集合经验模态分解(ensemble empirical mode decomposition,EEMD)对经验模态分解(empirical mode decomposition,EMD)进行改进,通过EEMD将历史价格分解为平稳的、周期波动的若干价格分量,并以此作为...
本文运用EEMD分解和ARMA模型相结合的方法,对2021年我国大豆产量进行预测.先利用EEMD技术对原始信号进行分解,得到频率单一,平稳的本征模函数和光滑的趋势余波,再运用ARMA模型分别对本征模函数和余波进行预测,最后将二者预测值合并,实现对目标的精确预测.结果显示:EEMD-ARMA模型的平均预测误差为1.20966%,比ARMA模型的平均预测...
基于 EEMD和 ARMA算法的模态参数识别技术,利用 EEMD分解对原始加速度信号进行分析,然后对所得的IMF进行信号重构。将重构的加速度信号作为ARMA算法的输入,进行模态参数识别,得到了某大桥的前6阶频率,并分析了每阶频率1d内的变化波动情况。通过对比分析每阶频率与实际值的差距,表明该识别方法能有效识别该斜拉桥频率。%...
Ensemble empirical mode decomposition,Auto regressive and moving average model,Industrial energy consumption data predictionEnergy consumption data prediction model based on EEMD-ARMA prediction model is used to predict the nonlinear and non-stationary characteristics of industrial energy consumption data, ...
本发明公开了一种基于EEMD与ARMA的软件漏洞趋势预测方法,解决了传统预测方法只对单一漏洞进行预测,且预测结果精度低的问题.实现包括:获取漏洞数据;根据漏洞成因划分漏洞成因类型;构建两个待预测数据集;使用EEMD方法处理一个待预测数据集;对IMF分量数据集集合进行漏洞趋势预测;对残差数据集进行漏洞趋势预测;合并漏洞趋势...
ARMA运用EEMD分解和ARMA模型相结合对我国木材产量进行了预测.首先利用EEMD技术对原始信号进行分解,得到频率单一,平稳的本征模函数和光滑的趋势余波,然后运用ARMA模型分别对本征模函数和余波进行预测,最后将二者预测值合并,实现对目标的精确预测.结果 显示:EEMD--ARMA模型的平均预测误差为2.1169%,比ARMA模型的平均预测误差...
针对钢铁企业生产过程中产出的焦炉煤气基于受入量机理模型难以对受入量进行预测的问题,建立一种基于集合经验模态分解(EEMD)的支持向量回归机(SVR)和自回归滑动平均模型(ARMA)组合的焦炉煤气受入量的预测模型。首先,采用EEMD分解法将焦炉煤气受入量的原始数据分解成一系列相对平稳的固有模态分量,然后按照各模态自相关...
短期风功率预测经验模式分解(EMD)集合经验模式分解(EEMD)风能作为一种清洁能源是所有可再生能源中最有前途和发展的技术,得到世界各国的高度重视.如果能对风电输出功率进行比较系统且准确的预测,将会为电网调度部门制定日运行方式和制定合理调度计划提供参考,进而减弱风电对电网的不利影响,减少旋转备用,提高电力系统的可靠性...