稳定的供电是农村发展建设的有力保障,而电力负荷水平是建设效果的重要衡量标准,因此建立精确的负荷预测模型可以更准确直观显现电力负荷情况,为供电公司制定决策提供有力支撑。由于LSTM负荷预测模型在数据预测方面存在收敛性差、预测精度不高等问题,为提高模型的预测精度,提出一种基于双层优化VMD-LSTM的超短期电力负荷预测方法。首先提出麻雀算法优化变分模态分解(sparrow variational mode decomposition,SVMD),通过SVMD将原始数据转化为模态分量(intrinsic mode functions,IMF);其次采用改进樽海鞘群算法(association salp swarm algorithm,ASSSA)优化LSTM模型。通过引入4种策略增强标准樽海鞘算法优化能力;最后将各模态分量分别代入到新模型并进行叠加预测。选取辽宁省某市某乡村10kV变压器真实历史负荷数据,以均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、拟合度(R~2)作为评价指标,并与其他基础预测模型进行对比,结果表明,改进后的算法在计算精度、稳定性方面均优于其他基础预测模型。

针对电力系统对短期电力负荷预测精确性的需求，以长短期记忆算法为基础，采用差分自适应进化算法对其进一步改进，从而提出一种基于机器学习的混合算法（SaDE-LSTM）对电力负荷进行短期预测。基于我国2004—2018年间月度社会用电负荷数据，对改进后的混合算法进行性能测试，首先利用差分进化算法的自适应变异和交叉因子来优化长短期记忆算法的初始参数，在此基础上，运用寻优得到的参数训练长短期记忆算法从而得到优化后的预测结果。为证明其优越性，对同组数据采用支持向量机（SVM）、反向传播神经网络、自回归积分滑动平均等算法分别预测。各方法预测结果和真实结果对比分析证明，SaDE-LSTM算法对时间序列数据量要求较低，同时相比其他传统算法有更高的预测精度。该改进算法能够为参与电力系统调度的虚拟电厂、负荷聚合商等对小样本和高精度预测有需求的主体提供参考。

为了解决提高电力负荷预测精确度这一问题,越来越多的人工智能方法应用于能量功率预测.为此利用湖南省2014年至2017年的电力负荷数据,比较自回归(AR)模型、BP神经网络(BPNN)和指数平滑(ES)模型在预测日度电力负荷和月度电力负荷上的性能,并运用统计学知识来分析三种模型之间的差异.最终根据实验结果得出两个结论:AR模型对日度数据预测的结果优于其他两个模型以及ES模型对月度数据预测的结果优于其他两个模型.

为分析电力负荷变化特征与气象要素的关系，定量解析气象因子对电力负荷预测的主要贡献，本文以华中电网某地区为研究对象，预报因子选用电力负荷和精细化气象数据，依据逐步回归和BP神经网络模型建立滚动预报模型。通过研究发现：当日负荷除与历史负荷有较好的相关关系外，当日温度与前一日温度对负荷也有较大的影响。气象因子在逐步回归和神经网络预测方法中对负荷预测准确率的提升均有正的贡献，贡献率分别为0.28%～17.87%和0.97%～17.78%。尤其是转折天气条件下，精细化气象因子对短期负荷预测的准确率的提升尤为重要。

文章通过对电力需求的混沌特征进行分析,建立了基于混沌时间序列的电力需求量的短期预测模型,为实现电力资源综合优化奠定了重要的、较为可靠的研究基础。

随着“双碳”目标的推进，清洁能源所占比重大幅度增加，分布式光伏发电在我国农村地区快速发展，但其随机性、间歇性的特点给新能源消纳和电网稳定带来很大的挑战。光伏发电预测可以在一定程度上改善新能源消纳问题，减少光伏发电的不稳定性对电网的冲击。因此，为提高光伏发电功率预测精度，提出一种基于改进向量加权平均算法优化CNN-QRGRU网络的光伏发电概率预测方法。首先采用ReliefF算法对特征变量进行选择，在此基础上利用高斯混合模型(Gaussian mixture model,GMM)聚类方法将天气分为晴天、晴转多云和阴雨天3种类型，将处理好的数据输入到CNN-GRU模型中，并利用向量加权平均(weighted mean of vectors algorithm,INFO)优化算法对模型超参数进行调参，将分位数回归模型(quantile regression,QR)与INFO-CNN-GRU模型相结合得到光伏功率条件分布，结合核密度估计法从条件分布中获得概率密度函数，完成概率预测。以实际光伏电站数据作为基础，将提出的INFO优化算法与其他几种传统的优化算法进行对比，结果表明INFO的优化效果更好，在此基础上进行概率预测，得到的概率预测结果相较于点预测能提供更多有效信息，更具有应用价值。

文章采用我国近10年的农村居民人均现金收入季度数据进行乘法季节ARIMA建模,发现ARIMA(0,1,0)×(2,1,0)4模型能够很好的拟合我国农村居民人均收入,并用该模型进行预测,预测结果表明:2014年前两季度的预测值与实际值的相对误差率非常小,说明模型拟合的效果很好;同时预测结果也发现农村居民人均现金收入呈现稳定增长的趋势,且存在明显的季节周期性。

模型GM(1,1)是电力系统负荷预测的一种有效的方法,但利用GM(1,1)模型难以反映序列随机的季节性周期波动变化。本文阐述的周期修正模型,可以很好地解决这一问题。实例表明,此模型简单有效,对于季节性预测问题有很强的实用性和较高的预测精度。

【目的】木材密度不仅与木材的各种材性密切相关，而且是衡量木材质量与价值的重要指标。采用近红外光谱（Near infrared spectroscopy, NIRS）分析技术能够快速、高效地预测木材密度，避免了传统试验中繁琐的检测步骤。长短期记忆网络(Long short-term memory network, LSTM)作为循环神经网络(Recurrent neural network, RNN)的变体，不仅可以学习序列数据之间的高阶特征信息，而且克服了RNN中的长距离依赖、梯度爆炸与梯度消失等问题。将LSTM与NIRS结合，提出一种能够准确预测樟子松木材气干密度的无损检测技术，为提高NIRS模型预测木材气干密度精度提供理论依据。【方法】该研究以樟子松木材样本为研究对象，用近红外光谱仪获得106个樟子松样本的光谱数据，并在恒温（20±2℃）恒湿（65%±3%）的环境下测定样本的气干密度。通过对比多组预处理方法和特征选择方法，采用Savitzky-Golay卷积平滑（Savitzky-Golay smoothing,SGS）等方法进行预处理，采用竞争性自适应加权算法（Competitive adaptive reweighted sampling, CARS）进行波段选择，剔除NIRS数据中的高频噪声与冗余信息，提升光谱数据质量、建模速度与精度。为验证LSTM模型预测能力，将其与偏最小二乘回归(Partial least squares regression, PSLR)、卷积神经网络(Convolution neural network, CNN)等建模算法对比分析。上述3种算法被分别应用于建立樟子松木材气干密度近红外预测模型。【结果】基于上述3种建模方法建立的NIRS模型均可实现樟子松气干密度的有效预测。且LSTM模型的预测精度与回归拟合度均优于PLSR与CNN模型。其中SGS+CARS处理后的LSTM模型的预测精度最高、泛化性能最强、拟合效果最好（R2=0.959,RMSEP=0.005,RPD=5.033）。【结论】通过对樟子松木材光谱数据与气干密度的采集，建立了一种新型的基于NIRS分析技术与LSTM的木材气干密度检测方法。LSTM预测模型相较于传统的回归模型，模型的预测精度更高，回归效果更好，鲁棒性更强。该检测方法既可保证木材的完整性，又可以提高气干密度的预测精度，实现了对樟子松木材气干密度的快速无损检测，为木材近红外光谱分析提供了可参考的模型与理论依据。

文章提出了一种将熵权法与支持向量机(Support Vector Machine,SVM)相结合的中长期电力负荷预测方法。与目前采用单一SVM的负荷预测方法相比,该方法考虑了中长期电力负荷各种影响因素的信息稠密度;通过熵权法对SVM的训练样本集进行加权处理,减少了信息冗余,提高了SVM的训练速度和预测精度。

现阶段人民币汇率机制比较富有弹性,以至于人民币汇率一直处于直线上升趋势。为了研究人民币汇率的发展趋势,文章以研究美元对人民币汇率作为媒介,利用Matlab为工具平台,首先验证了RBF神经网络对人民币汇率进行短期预测的可能性,并利用其对人民币汇率趋势进行分析,并得出了政府必须加强对汇率控制力度,以稳定住人民币对美元的汇率。

本文根据我国农村CPI整体指数及其8项分类指数的月度数据,分析了我国农村CPI波动的特征,并运用Gonzalo和Granger(1995)以及Darrat和Zhong(2002)提出的检验协整系统中的长期驱动力和短期驱动力的方法,从CPI分类指数的视角分析了我国农村CPI的长期驱动力和短期驱动力。研究结果显示我国农村CPI波动具有明显的结构性,农村CPI的8项分类指数中,食品、医疗保健及个人用品和居住3项分类指数既是我国农村CPI波动的短期驱动力,也是长期驱动力。因此,稳定食品、医疗保健及个人用品以及居住

意识到需求不确定下的超短期定价行为金和辉左大培（中国留美学者）（中国社会科学院经济所１００８３６）一、需求的不确定性给经济学带来的问题稍有经济生活常识的人都知道，几乎没有任何厂商能够完全正确地预料市场上对自己产品的需求。即使一个厂商具有某种垄断地位...

文章系统性整理并使用安徽省W县全域280个行政村2016—2017年的扶贫数据,研究了农村基础设施投资和产业帮扶的减贫机制及效应。研究结果表明,农村基础设施投资对行政村年内贫困发生率增量和脱贫户数具有显著正向影响,在保持其它因素不变的情况下,农村基础设施投资每增加1万元,村贫困发生率和脱贫户数均值分别降低0.89个百分点和0.1648个。同时,考察多种扶贫措施的减贫效应优先序发现,光伏扶贫资金"、给予型"产业扶贫资金和农村基础设施投资的减贫效应依次递减。

本文研究了用逐步回归、岭回归和偏最小二乘回归方法消除变量间的多重共线性,最后得到三个回归模型。单一预测方法的结果时好时坏,需要通过组合预测来提高预测精度。本文将神经网络技术与回归模型相结合,将预测值作为输入,实际用电量值作为输出,确定神经网络的拓扑结构,最后用训练好的BP神经网络预测江苏省全社会用电量。结果显示,组合预测的精度明显高于单个模型。