采用一种具有很强的非平稳信号跟踪、预测能力的原子稀疏分解（ASD）法，作为人工神经网络（ANN）的前置分解方法，将风电功率序列分解为原子分量和残差分量，对原子分量进行自预测，残差分量进行ANN预测，再通过追加最新的风电功率实时数据来更新ASD的结果，进而滑动预测下一个时刻的风电功率。以实际风电场数据进行验证，结果证明了该模型可以有效地处理风电功率非平稳性，产生更为稀疏的分解效果，显著地降低了绝对平均误差、均方根误差计算值的统计区间。

20210405-南华期货-甲醇产业链数据周报：小利好不断刺激，甲醇短期偏强。.pdf

20210408-国信证券-有色行业4月投资策略：全球商品牛市有望延续，不惧股价短期调整.pdf

受天气状况、辐照度、温度、湿度等气象因素的影响，光伏系统的输出具有很强的非线性和非平稳性的特点，光伏发电量预测精度较低。该文根据光伏系统的历史发电数据和实际气象数据，采用模糊识别与RBF神经网络相结合的方法，实现光伏系统发电量的短期预测。首先对影响预测结果的气象因素进行分析，然后按天气类型进行分类，对不同的天气类型分别建立模型进行训练，最后利用此模型预测未来的光伏系统发电量，并通过实验仿真验证。预测结果表明，该方法不但减少了模型所需样本数量而且提高了预测的精度，具有一定的科研价值。

VSTWPF 使用机器学习和深度学习进行短期风电预测的示例

完整的短期培训系统项目源码 前台后台都很齐全 主要使用三大框架完成

智能电网中使用增强型极限学习机优化的短期电力负荷和价格预测 Short-Term Electric Load and Price Forecasting Using Enhanced Extreme Learning Machine Optimization in Smart Grids Aqdas Naz 关键词：智能电网; 预测; 负荷; 价格; CNN; LR; ELR; RELM; ERELM

ARIMA模型对季节特征有较好的拟合效果，灰色GM（1，1）模型能准确反映时间序列的增长趋势，结合民航货邮周转量的特点和ARIMA模型和GM（1，1）模型的优点，分别建立货邮周转量的ARIMA和GM（1，1）的时间序列模型，揭示出民航货邮周转量随时间推移而发展变化的动态规律，最后为更精确地预测月度民航货邮周转量，提出基于ARIMA-GM的组合预测模型，并对近几月民航货邮周转量进行较准确的短期预测，结果表明：组合模型能提高预测精度，在实际应用中ARIMA模型可用于非季节和季节的各类时间序列；灰色GM（1，1）模型能准确反映时间序列的增长趋势，两者相结合很好地解决了民航货邮周转量短期预测的实际问题，得到民航货邮周转量更精确的预测结论，能够对民航货邮市场的发展趋势进行宏观把握，有利于决策者的经济决策行为。

MATLAB实现LSTM(长短期记忆神经网络)时间序列预测

使用keras库，数据来自BCI Competiton数据集下的Data from Berlin组的mat文件，请仅限用于研究，数据包组成，使用后三个量x_train（训练集）,y_train（标签）,x_test（测试集），训练集有316组样本，样本由500毫秒下28通道的数据构成，数据详细描述：http://www.bbci.de/competition/ii/berlin_desc.html。使用k折验证法验证，验证结果极佳，但没有测试集的标签，所以不知道对于新数据的分类情况如何。