短期波动（精选8篇）
短期波动 篇1
中国物流与采购联合会、国家统计局服务业调查中心发布的2014年8月份中国制造业采购经理指数 (P M I) 为5 1.1%, 比上月回落0.6个百分点。该指数虽然有所回落, 但仍保持在51%以上。综合来看, 当前经济运行基本平稳态势没有改变。
一是平稳运行的基本面没有改变。目前PMI指数虽然回落, 但属于回升过程中的小幅波动, 仍处在相对较高水平, 高于上半年平均水平0.6个百分点, 高于去年同期0.1个百分点。生产和新订单等主要指数也保持在52%以上较高水平。从我们调查的行业情况来看, 多数行业PMI指数保持在50%以上的扩张区间。
二是产业结构性变化继续呈现向好趋势。“两高”行业, 即高端装备制造业和高新技术产业, 保持良好发展势头。从我们的调查来看, 今年以来, 通用设备制造业、专用设备制造业、计算机通讯电子设备制造业PMI指数均保持在55%左右, 明显高于全国制造业整体水平。走势回落主要是传统的基础原材料行业、产能过剩行业, 比如钢铁行业。从我们的调查来看, 今年以来钢铁行业PMI指数, 除个别月份以外多处在5 0%以下。8月份只有48.4%, 比上月月下降0.2个百分点。
三是企业预期较为稳定。生产经营活动预期指数上升2.6个百分点, 达到57.9%, 高于上半年平均水平0.2个百分点, 反映出企业对下半年经济走势依然较为看好。我们对下半年形势也持谨慎乐观预期。随着各部门不断加大政策落实力度, 随着投资项目资金逐渐落实到位, 投资需求会出现稳中有升积极变化;从出口来看, 虽然新出口订单指数回落, 预示短期出口可能面临波动, 但由于外部环境整体持续向好, 今年全年出口形势将好于去年。总的来看, 经济保持平稳运行仍具有基础。
但对PMI指数的回落, 也需要引起关注, 防止短期波动形成趋势性变化。
本月PMI指数回落, 主要表现在新订单指数回落, 由此也引起了生产指数的回落。8月份, 新订单指数扭转连续5个月上升, 较上月回落1.1个百分点, 回落至52.5%, 略高于去年同期0.1个百分点, 反映出需求回升减缓。一方面, 投资需求增长偏弱。1~7月份增长17%, 比1~6月份下降0.3个百分点, 比去年同期下降3.1个百分点。房地产行业深度调整, 开发投资增速明显下降。1~7月份增速只有13.7%, 比去年同期下降6.8个百分点。另一方面, 出口呈现波动迹象。新出口订单指数回落0.8个百分点, 回落至50%临界点。今年以来出口持续回升, 基数抬高。新出口订单指数回落, 预示着后期出口继续上升困难增加。
需求回升减缓, 企业接单困难, 生产经营活动受到一定影响。大中型企业PMI指数普遍回落, 尤其是以中小企业回落最为明显。中型企业PMI下降0.2个百分点, 新订单指数下降1.5个百分点;小型企业PMI指数和新订单指数降幅均超过1个百分点。
与新订单指数变化相对应, 产成品库存指数连续三个月小幅上升, 原材料购进价格指数再次回跌, 行业PMI指数走势分化、升降对半, 从业人员指数回升乏力。我们监测的生产资料价格指数降幅扩大。当月环比下降0.79%, 降幅较上月扩大0.31个百分点。
宏观调控, 仍需坚持底线思维、定向调控、精准发力, 将稳增长的目标置于首位, 立足于“强动力、增活力”。一方面, 要加快实施创新驱动战略, 开发新的增长点;要加大稳投资力度, 加强政策落实, 对既利当前又惠长远的基础设施建设、棚户区改造, 要加快推进, 使之对经济增长形成有效支撑。另一方面, 要从“松绑、减负、助力”入手, 对企业降本扩需, 进一步提高微观经济活力。
以长期目标因应市场短期波动 篇2
当卖茶叶蛋的老太太都开始投身股市时,市场的暗潮也将更為跌宕起伏。在起伏不定中,如何保证收益,心态稳定胜过一切。
随着投资市场的起伏不定,投资者的心态亦基本呈现与之相应的漂浮。而受创于金融危机带来的影响,自2009年以来,大陆资本市场一直处於起起伏伏的动盪中。此时,保持平衡的心态会在很大程度上对投资者渡过投资危机起到帮助作用。
危机过后心态应更平和
市场的起伏不定往往也是不少投资者的心情「晴雨錶」来源。
「2008年整个市场的表现并不是特别乐观,所以很多投资者的心态特别差。」兴业全球基金管理有限公司市场部管道销售总监张程分析认為,2008年投资者情绪的不甚乐观影响了他们对2009年的预期。但恰恰相反,2009年的市场表现去大大超过了2008年年底时的预期。「经歷一年多金融危机变化以后,2010年的投资者的心态趋於平和,更加成熟。」这是他的感受。
这种心态趋向成熟的关键,是基於很多投资者在经济復苏的2009年裡取得了相对不错的收益,因此导致其心态上更加平和、更加成熟。就市场投资方式而言,心态成熟的表现是「整个2008年市场大幅下跌的经歷,导致当时很多投资者转而一掷千金买股票型基金,一直到现在开始学会配置,学会定投。」
同样的,华夏基金副总裁吴志军对此亦有相同的认识。「这些年来投资者越来越成熟,在金融投资方面也越来越有经验。」
但他也提醒说,几乎很少人能够在短期的判断裡就赚到钱,如果投资者在战略上已经找对了方向,并做了佈局,更不应因受到短期波动的影响而有所调整。他建议投资者最好可以设定出一个长期的目标,保持有很好的投资心态,而这,对投资者来讲尤為重要。
儘管心态非常重要,但投资者也不能忽略对自己投资產品的了解。市场上有不同的投资种类和產业,比如股票基金、债券或货币类基金等產品,完全具有不同的风险、收益,他举例说,如果投资的是指数基金类產品,投资者则应多关注该基金跟所追踪的指数收益率之间的差距,而不是只看超过指数多少。「一定要知道自己投资的是什麼產品,自己是否已经足够了解该產品的投资性质与市场变化。」
悲观行情更需把握机会
有分析认為,目前整体经济依然处於恢復型上涨阶段,这对股市而言无疑是利好消息。「作為投资者,要充分把握经济恢復型上扬过程中的机会。」光大保德信基金管理有限公司北京分公司总经理朱冠宇认為,目前阶段应该是处於一个相对安全的投资区域。
「无论是投资股票还是投资基金,现在应该说都是一个投资的时候。」他分析说,刚经歷完过去一年多的危机,应该会出现一个行情相对底部的时间段,而且在市场上扬的初期,往往市场观点的分歧都会相当大。因此他则建议投资者在此相对安全的投资阶段,多判断市场走向,「但目前还是比较适宜投资。」
安全区域内适宜投资,但比照危机中的一年,市场行情低落时,投资者该何去何从?
国海富兰克林总经理金哲非则认為:「正如泡沫的膨胀、破灭不可避免一样,经济週期、牛熊市的交替转换也是不可避免的。无数次熊市的歷史告诉我们:最悲观的时候,却往往是最需要勇气去把握投资机会的时候。只有这样,才能取得好的长期收益。」
早前曾有市场人士分析,近几年的股市投资呈现「估值标準絮乱」、「投资行為短期化」的特徵,大陆市场对股票的估值一直缺乏稳定而明确的标準,而在2008年曾以短线投资获得利益的现象一度成為主流,但他也指出,这种过於频繁的交易,对市场的发展并非有利。
如何才能获得收益?除了保持稳定的心态、放眼长远趋势之外,风险控制也成為关键,毕竟惟有将风险分散到不同的投资產品中,不至於一下子颗粒无收,损失惨重。
【BOX】香港股神曹仁超的投资心法
◎. 一年内最赚钱项目通常只有两、叁个,不可能天天都有。请投资者减少每年买卖次数, 做神枪手不要做机关枪手(乱扫一通);
◎. 不要尝试捉住下跌中的刀已是老生常谈,但不少人一犯再犯;
◎. 大部分日子不要炒卖低价股,只有在极少数日子裡低价股才可跑赢大市;
◎. 2007年11月开始,香港股市已进入Trader’s Market,不再是「买入后长期持有」的日子;
◎. 如果你没有去别人的「婚礼」,请也不要参加别人的「丧礼」。多少人眼见一隻股份由1元升上2元,再由2元升上3元、4元、5元、6元、7元、8元……最后忍不住手在9元买入,然后看着他的股价由9元回落到8元、7元、6元……机会失去了,就让它溜走吧!
基于随机波动模型的短期负荷预测 篇3
长期以来,国内外学者对负荷预测的理论方法研究做了大量工作,如人工神经网络[1]、支持向量机[2]、灰色理论[3]、经典时间序列分析法[4]等。以自回归移动平均ARMA(Auto Regressive Moving Average)模型为代表的一阶矩经典时间序列分析法虽实用易行,但其潜在的方差时不变性假设,导致不能对波动性(二阶矩及以上)建模,从而无法对负荷时间序列波动性做深入研究。
波动性研究是现代时间序列分析领域研究中的重镇,从时间序列的高阶矩中可以发掘出很多可利用的信息。就负荷时间序列而言,其方差存在着时变特征[5,6],因此,波动性模型能够给出比经典一阶矩模型更为精细的研究框架。随机波动SV(Stochastic Volatility)族模型与广义自回归条件异方差(GARCH)族模型同为现代波动性建模的两大主流模型[7,8,9]。文献[5-6]讨论了负荷时序的波动时变性并给出了基于GARCH模型的负荷预测方案。对于SV模型,由于其似然函数表达式非解析,难以采用常规方法估计参数,故在负荷预测领域的应用和推广受到了限制。现着眼于时变方差的视角,提出了基于SV模型的短期负荷预测方法。引入伪极大似然估计(QMLE)方法,借助卡尔曼滤波实现了标准SV模型的参数估计。同时,对标准SV模型的条件分布进行了拓展,提出了基于t分布的SV-t负荷预测模型。最后利用算例验证了SV族模型对短期负荷预测的有效性。
1 SV模型
1.1 SV模型的标准形式
SV模型[7]长于刻画时间序列的波动性,其标准形式如下:
其中,E(yt|ψt-1)是利用t-1时刻信息集得到的yt条件均值;为持续性参数,当|φ|<1时,模型是协方差平稳的;α为反映波动平均水平的常数;ση为波动扰动的标准差。
为和下文的非高斯SV模型相区别,在此将形如式(1)(2)的模型称为标准SV模型。标准SV模型的εt服从标准正态分布。
1.2 非高斯SV模型
标准SV模型采取了一种固定的设定———标准正态分布,现实负荷时间序列的波动性特征是多样的,如可能存在着厚尾(fat tail)特征[10,11],因此将标准SV模型的εt由服从正态分布扩展为服从非高斯分布[12](如t分布),进而使模型的条件分布和无条件分布同时具备厚尾特征,有利于增加刻画负荷时间序列的波动特征的灵活性。
t分布的概率密度函数如下:
其中,Γ(·)为伽马函数;n为自由度。
在此将εt服从t分布的非高斯SV模型称为SV-t模型。
本文使用以上2种SV模型分析负荷时间序列的波动特性。
1.3 SV模型的参数估计[13,14]
SV族模型的似然函数表达式是一个T重积分(T为观测样本容量)。
可验证,式(4)的积分不具有解析表达式,故难以采用常规的极大似然估计。这正是SV族模型参数估计的难点所在。
1.3.1 标准SV模型的QMLE
利用QMLE方法[15]对SV模型进行参数估计,分为3步。
步骤1状态空间转换。将形如式(1)(2)的标准SV模型转换为状态空间形式:
步骤2 vt矩计算。由于εt服从标准正态分布,则有vt服从自由度为1的对数χ2分布。可验证,vt均值为方差为为双伽马函数,形如:
至此,获得了vt的一阶矩和二阶矩。
步骤3极大化伪似然函数。对式(5)(6)使用卡尔曼滤波,可获得SV模型参数Θ=(α,φ,ση2)的伪似然函数:
其中,et表示的一步预测误差,Ft为其相应的方差。
使用Marquardt算法对估计过程进行迭代控制,实现式(9)的极大化,可以得到标准SV模型的参数估计。此时得到的估计是最小线性均方估计(MMLSE)。
1.3.2 SV-t模型的QMLE
因SV-t模型设定中εt不再服从正态分布,其参数估计具有一定特殊性。在完成状态空间方程的转换后,原来标准SV模型中vt的矩计算方法不再适用,需要采取附加变换,以重新获取vt=lnεt2的一阶矩和二阶矩。
考虑εt服从自由度为n的t分布,首先将εt转换为式(10)。
其中,ζt为标准正态变量,nκt服从自由度为n的χ2分布。
对式(10)平方后取对数,可得:
进而获取SV-t模型参数集Θ的伪似然函数,再次使用Marquardt算法使ln L(θ)极大化,可得到SV-t模型的参数估计。
2 算例分析
2.1 数据说明
选用南京地区日用电量实际数据进行短期电力负荷预测时序建模。样本空间为1998年1月至2004年6月,共包含2 373个样本点。利用SV模型预测2004年第3季度的日用电量(92个样本点),并与实际日用电量进行比较,检验模型的预测能力。
2.2 SV模型条件均值的结构
从原始负荷时间序列Pload中移除指数趋势ξtrend获取调整后的负荷时间序列Pad。式(1)中SV模型的条件均值方程采用ARMA(p,q)结构。其定阶策略如下:
a.分析自相关函数ACF、偏自相关函数PACF,获取可能的阶数组合,估计所有可能阶数组合的ARMA模型,形成备择模型集Ⅰ;
b.对集Ⅰ中所有模型进行模型诊断,筛选后形成备择模型集Ⅱ;
c.计算集Ⅱ中所有模型的许瓦兹信息准则(SIC),决定ARMA模型的最终阶数p、q。
按上述方法,SV模型的条件均值结构最终确定为ARMA(8,6)。
2.3 SV、SV-t建模及参数估计
将标准SV模型(式(1)(2))转化为状态空间方程(式(5)(6))的形式,极大化其伪似然函数,获得标准SV模型的参数估计,见表1。同时考虑到厚尾特征,建立SV-t模型,参数估计亦见表1。
注:*表示参数在95%水平上显著。
从表1中可以看出:标准SV模型的持续性参数是显著的,为0.968 723,接近于1,可知负荷波动具有较高的持续性,即当前的波动可能对未来的波动在长时间内有着重要影响。同时可见,尽管在模型设定上和标准SV模型有所不同,但SV-t模型参数的估计值与SV模型很接近。负荷波动具有较高的持续性的结论具有稳健性。
2.4 负荷时序波动性的表征
经典的ARMA模型中,常方差的假设将条件方差限制为直线,不能表征波动的时变特征。而基于SV模型构建的动态波动曲线,可以动态刻画出负荷时间序列的波动性时变特征。
使用QMLE方法估计SV模型,隐含波动ht=lnσt2恰为状态空间方程的状态变量。因此可在使用QMLE完成参数估计的同时,获取ht的平滑估计。分别据标准SV模型及SV-t模型构建的动态波动曲线如图1所示。
图1刻画了负荷时间序列波动的时变特征。由图可见:SV族模型刻画的ht在某些时段表现出高波动的特征,而在另一些时段波动则维持在一个相对低的水平,体现了典型的波动集聚效应。
2.5 预测结果比较
基于SV的预测模型形如:
鉴于GARCH模型是目前最常用的波动性负荷预测模型,本算例中采用ARMA-GARCH模型(GARCH模型的条件均值采用ARMA结构)作为标准参照模型。运用SV模型和ARMA-GARCH模型对2004年7、8、9月的日电力负荷进行动态预测,将预测结果与实际的日负荷数据进行比较,用以验证模型的预测效果。
使用以下3种指标度量预测精度:
平均绝对百分误差MAPE(Mean Absolute Percentage Error)
均方误差RMSE(Root Mean Squared Error)
Theil不等系数TIC(Theil Inequality Coefficient)
2种模型预测结果如表2所示。
通过表2可见,本算例中SV模型的预测结果稍优于标准参照模型———ARMA-GARCH模型,即SV模型的MAPE、RMSE均小于GARCH模型;从TIC指标来看,SV模型的TIC更接近于零。可见,SV模型的预测效果较为满意,能较好地刻画电力负荷时间序列的实际特征。
3 结语
本文分析了负荷时间序列波动性,提出了SV模型的短期负荷预测方法。
a.实际算例表明,负荷时间序列存在显著的波动时变性,本文提出了具有工程应用意义的SV族负荷预测模型,并基于此对负荷时间序列的波动特征进行了微观层面的刻画。
b.负荷波动性的研究对提高负荷预测能力具有重要的意义。选用SV模型的预测方法是适当的且预测效果满意。其刻画电力负荷波动性的能力是经典时间序列模型(非波动性模型)不能完成的。
c.QMLE是一种有效的估计方法,可通过变换技巧获得标准SV及SV-t模型的参数估计,在工程领域有着更广阔的应用前景。
d.虽然SV模型与GARCH模型同为波动性模型的重要代表,但限于计算复杂度,目前SV族模型在电力系统领域应用的深度和广度与GARCH族模型相比还有相当的差距。本文在此背景下对2种波动性模型比较研究的尝试有一定理论意义,对运用SV族模型进行短期负荷预测的深入研究提供了基础。
SV族模型为刻画负荷时间序列波动性提供了新的可行方案。在波动性建模框架下,基于SV及其拓展形式的负荷预测方法还有待进一步探讨。
摘要：研究了负荷时间序列波动性,考虑方差时变特征,提出了基于随机波动(SV)模型的短期负荷预测方法。引入伪极大似然估计解决SV参数估计问题,进而将模型转换为状态空间方程,利用卡尔曼滤波获取标准SV模型参数。另外,还将模型推广为非高斯假设SV模型。利用动态波动曲线的构建,讨论了负荷时间序列条件方差的时变性特征。基于日用电量数据建立了SV族日负荷预测模型,并利用平均绝对百分误差、均方误差、TIC 3种指标将SV族模型预测结果与广义自回归条件异方差(GARCH)模型做了比较,得到SV族模型的前2种指标均小于GARCH模型,而且SV模型的TIC指标更接近于零。算例分析表明了SV族负荷预测模型的可行性和有效性。
人民币短期波动对股市影响有限 篇4
过去10年是人民币升值的十年，导致人民币计价的资产价格暴涨，房地产价格飞升。未来10年人民币仍将维持稳定，但波动区间会加大。阶段性贬值亦是自然，前两周笔者曾经判断过人民币贬值才是现阶段最重要的金融政策选择，原因在于，从购买力平价角度出发，在中国购买的人民币计价的商品，再到美国去购买同样的商品的时候，往往美国的商品价格，如果用人民币换算的话，会更加便宜。这意味着，同样的东西，在美国会更加便宜，而中国更贵，这或许说明，人民币贬值是经济现象，也是合理的。
一些经济学家的观点表明，在美国的商品便宜，房子和股票也便宜，而中国更贵，人民币理应贬值。
市场普遍认为，在过去10年人民币升值的周期下，中国正从外需导向型的国家向内需驱动型国家过渡，现在来看，内需的驱动效果可能并不能完全替代外需带来的增长，未来更需要人民币贬值来刺激出口。一方面，人民币资产价格泡沫已经深度影响中国经济的安全，比如房地产价格的高估程度显然影响中国经济系统的安全性；另一方面，经过过去十年人民币实际汇率累计升值超过30%，在目前中国实施的宽松货币政策下，尤其是在基准利率不断下调的背景下，人民币进一步盯住美元同时升值，已不现实。毕竟中美两个实施的是不同的货币政策，美国有望加息，而中国有可能继续降息，两者货币政策的大相径庭，导致人民币放弃盯住美元。尤其是在8月13日央行新闻发布会上，有官员也谈到，“一段时间流动性的宽松促进了货币信贷的偏快增长，从而影响了外汇市场的供求关系，给人民币汇率带来了一定的贬值压力。”
因此，人民币贬值行为更多的是央行主动放手的结果，货币当局的做法是，使得人民币兑美元中间价更加接近市场均衡价格，让市场供求关系来决定当前人民币汇率的走向，这无疑是人民币汇率改革的主要方向。更何况，中国央行的判断是，人民币仍将保持升值的过程，毕竟现在中国经常项目下仍是顺差。
对于人民币短期波动对股市的影响而言，更多的是在市场心理层面。首先，A股仍属于一个相对封闭的市场，股票资产的持有者主要还是以国内投资者为主，QFII和沪股通所占总市值的比例仍不足10%，长期来看，央行官员认为，“境外主体在贸易投资和资产配置方面对人民币的需求正在逐步增加。这些基本面决定了从长期看，人民币仍然是强势货币”。所以，以人民币计价的资产仍是持有人民币的企业和个人需要投资的对象。从人民币国际化角度来看，目前A股的稀缺性资产仍将面临投资需求上升。
短期波动 篇5
2000年至今, CPI波动频繁、 幅度大, 一度高达8. 7% ( 2008年2月) ,也有低至- 1. 8% 的时期( 2009年7月) 。按照国际惯例,CPI在2% ~ 3% 波动是属于可接受范围。CPI过高会使得货币贬值,居民生活水平下降, 同时使得市场价格失真,从而导致生产者盲目扩产; CPI持续大幅升高代表着恶性通货膨胀,造成严重的经济扭曲,引发社会动荡; 而CPI持续低迷会引发通货紧缩,致使失业率上升,甚至经济衰退。因此,如何科学探寻我国CPI波动的结构特征、挖掘CPI的周期波动性和预测CPI的趋势变化,对于旨在烫平经济波动的宏观经济政策具有重要的理论和现实意义。
目前已有不少文献对CPI的结构特征和预测进行了研究,这些文献运用的方法主要包括ARIMA类模型、协整理论、VAR类方法、BP网络神经模型等。例如王宏利( 2005) 运用偏最小二乘法与BP网络神经模型对2005年CPI进行模拟与预测,认为我国物价走势已经从货币政策为主转为宏观经济变量结构性控制为主。张成思( 2009) 运用grid - bootstrap中值无偏估计和VAR模型分析CPI八大类子成分自身动态传导特征,发现其与总体CPI表现不同,货币政策本身的变化和不可预料的随机货币政策冲击对各分类CPI的影响存在差异。谭本艳和柳剑平( 2009) 应用协整检验中的长期驱动和短期驱动的方法,从CPI分类指数的角度分析我国CPI波动的长期和短期决定因素。 王少平等( 2012) 建立FVAR模型,分析中国CPI的宏观成分和宏观冲击,研究结果证实2010—2011年这一轮的通胀是宏观因素驱动,并认为紧缩货币和需求能够有效抑制通胀。
尽管上述文献具备重要的参考价值,但仍存在一些值得商榷的地方。首先,已有文献多以纵向时间域的维度考察CPI波动率的时变特征( 如ARIMA、GARCH族簇、 VAR类模型) ,而忽略了在频率域维度上未显现的波动率时变特征,无法从时域和频域相结合的角度考察CPI的内在特征。其次,CPI指数的变化受到政治、经济等多种因素的影响,变化规律复杂,各种影响因素间呈复杂的非线性关系,针对传统的预测方法不能很好反映这种非线性规律,导致对CPI指数预测精度不高。为了进一步剖析CPI的波动特征与作用关系,同时提高CPI序列预测精度。本文运用国际上前沿的时频分析方法———EEMD法,将分解之后得到的各IMF分量,针对其不同特征,分别建立相应的预测模型,这样更好地反映序列的随机性、周期性和趋势项特征,最后将各值叠加得到的组合预测值与采用单一模型预测值进行误差对比。
2经验模态分解方法
2. 1经验模态分解( EMD) 理论与算法
经验模态分解( EMD) 是由Huang et al. ( 1998) 提出的解决工程信号问题的方法,在自然科学等领域运用广泛。该法是基于时间序列内在的特征,自适应地通过筛选过程从序列中提取出不同频率的本征模态函数( IMF) , 它反映了序列内在的波动特性。EMD可以解决时域和频域分析不能揭示各个频率分量在什么时刻出现的问题,是对以线性和平稳假设为基础的傅立叶分解和小波基等传统时频分析方法的重大突破( Huang et al. ,1998) 。近年来,EMD也开始应用于经济金融数据分析领域,如Zhang et al. ( 2008) ,王晓芳和王瑞君( 2012) 等。
EMD方法假设任何信号都是由一系列幅度和相位都随时间变化的IMF组成,这种IMF分量必须满足两个条件: 极值点个数和过零点数相同或最多相差一个以及其上下包络关于时间轴局部对称。从而把不同频率的波动和趋势从原序列一一剥离出来,具体步骤如下:
第一,计算时间序列s( t) 的所有极大、极小值点;
第二,由所有极大值和极小值根据三次样条插值来分别构造s( t) 的上下包络线;
第三,根据求得的上下包络线,计算s( t) 的局部均值m1( t) 以及s( t) 与m1( t) 的差值h1( t) = s( t) - m1( t) ;
第四,通常h1( t) 不是一个IMF分量,为此需要对它重复进行上述过程,直到h1k( t) = h1 ( k -1)( t) - m1k( t) 符合IMF的定义要求,即认为h1k( t) 是一个IMF分量,记
第五,重复以上步骤,直到rn( t) 小于已设定值或变为单调函数和cn( t) 满足给定终止条件,则序列s( t) 的EMD筛选过程结束。
2. 2集成经验模态分解( EEMD)
EMD分解的一个重要缺陷是模态混叠———一个IMF由多个频率不同的时间序列加总而成或者有相同频率的时间序列出现在不同的IMF中,使得EMD分解不彻底。为克服该缺陷,Wu & Huang ( 2009) 提出具有有效抗混叠分解能力的集成经验模态分解( EEMD) 方法,具体过程如下:
第一,s( t) 加入白噪声 νi( t) ,即si( t) = s( t) + νi( t) ;
第二,将新序列si( t) 进行EMD分解;
第三,重复上述步骤,每次加入不同的白噪声,把得到IMF的集成均值作为EEMD分解的结果。由白噪声的性质可知,随机白噪声可集成后相抵消,这样大大减小了模态混淆的机会。增加白噪声的效果可通过最终误差的标准差 εn来控制, ,其中N为加入白噪声的次数,ε 为白噪声的标准差。
3 CPI结构特征分解实证
本文选取2000年1月至2013年6月CPI同比数据进行研究,CPI数据来源于中经网经济统计数据库。通过对CPI序列描述统计可知, CPI偏度为0. 5356, 峰度为2. 7080,JB检验为8. 3216,在5% 显著水平下拒绝服正态分布原假设,存在尖峰厚尾和序列自相关。
对CPI进行ADF检验和GLS检验的单位根检验可知, CPI是一阶单整的时间序列。而EEMD方法是处理这类非平稳、非线性序列的有效工具,将其运用于CPI指数序列分析,可以从该序列自身出发揭示其内在特征。因此运用非线性非平稳的EEMD模型来分析CPI波动显得非常合适。
3. 1 EEMD分解
通过EEMD方法,预先设定白噪声方差 ε = 0. 2 ,集成次数N = 100 ,将CPI序列分解成5个周期不同的IMF和1个余项。由图1可知,被分解出来的IMF由高频向低频排列,振幅逐渐变大。而余项不存在周期性特征,是一个单调缓慢上升反应CPI长期趋势的时间序列。
如表1所示,IMF1和IMF2平均周期分别为3个和7个月,其Kendall相关系数分别为0. 1037和0. 1158。可认为IMF1、IMF2的波动属于不确定的随机因素成分,这些成分带有不确定性、周期短、发生频繁,导致与CPI序列相关系数小。IMF1、IMF2方差占原序列方差总和均不超过2%,表明IMF1和IMF2波动对CPI序列波动贡献率小。
IMF3到IMF5的平均周期均超过1年,反映CPI的中期和长期波动。这三个序列频率低,周期较长,波动缓慢但明显。且波动方向经常和原序列波动方向相同( 特别是IMF3) ,导致其相关系数较高,这些低频IMF主导了CPI序列走势,所以其对原始序列的方差贡献率很大。
余项的Kendall相关系数为0. 3517,其序列变化平稳、缓慢、波动范围比CPI小。可将余项视为趋势项,体现CPI的长期走势。本文通过EEMD方法分解出的趋势项变化平稳、缓慢上升,且原始序列围绕其上下波动。所以用余项表示核心CPI序列比较理想,符合核心通货膨胀长期稳定性的要求。
3. 2 CPI结构特征分析
CPI序列经EEMD分解成5个IMF和一个余项。IMF的频率各不相同,频率较高的IMF项表现出随机无序性, 而频率较低的IMF项具有很强的周期性,余项则表现出一定的趋势性。从图2中可以看出,IMF1、IMF2序列的均值近似等于零,从IMF3开始呈现出比较规则的周期性波动,且均值围绕零值上下分布。因此,将IMF1、IMF2归为高频分量,而IMF3 - IMF5归为低频分量。
本文应用EEMD模态分解出不同频率的IMF和余项, 这些频率不同的分量和余项分别隐含着很强的经济含义, 可用来揭示蕴涵在CPI序列中的内在特征。高频分量振幅大小表示不均衡程度,可以用来揭示CPI短期的不均衡现象。但高频分量频率高振幅小,围绕零均值随机波动,对CPI的影响有限; 低频分量的每次较大波动总是和一些大事件和外部冲击相对应,反映出一段时间内这些事件对CPI序列的影响; 趋势项波动平缓,代表CPI内在运行轨迹。
从低频分量来看,由表2可知,低频分量与原始序列的Kendall相关系数高达0. 7695,其能解释CPI波动的75. 81% ,表明低频分量在CPI波动中占据的重要地位。 低频分量反映了我国CPI的中长期波动,重大事件对CPI的影响主要体现在低频分量中,低频分量周期表示对CPI产生影响的时间长短,振幅表示对CPI冲击的大小。从表1可以看出, 最短低频IMF平均周期为20个月( 1. 7年) ,而且这些冲击对CPI波动影响非常大,表明短期内CPI很难消除重大事件的冲击。如图3所示,2004年粮食危机和投资热、2007—2008年的国际大宗商品价格上涨冲击、2008年国际金融危机、2012年欧债危机。在以上这些时段内趋势项变化比较缓慢,而高频分量振幅又小,低频分量却与CPI同步大幅波动。所以低频分量是引起CPI大幅波动最主要的原因,且短期内无法消除这些时间影响。
从趋势项来看,趋势项与原始序列的相关性为0. 3517,方差贡献率8. 10% 。从图4可知,尽管CPI常受到一些外部的冲击大幅波动,但冲击影响结束后,指数仍返回到趋势项附近围绕其小幅波动,趋势项横穿整个CPI序列,基本反映了CPI内在运行轨迹,可代表核心CPI的变动趋势。
4 CPI短期预测
CPI是属于非平稳非线性的时间序列,传统的预测方法基本都是对整个时间序列进行预测,而没有充分考虑到时间序列的随机性、周期性和趋势性的特点,这样的方法会造成信息的损失,导致预测的精准度有限。因此,本文采用EEMD这种具有自适应的且适用于处理非线性非平稳序列的分解方法,把CPI序列分解成频率不同的分量, 再根据各个分量不同的内在特征分别建立适当的ARIMA模型,最后将各分量预测结果叠加作为CPI的预测值,即本文的EEMD - ARIMA组合叠加预测法。为检验预测效果,本文运用ARIMA模型对CPI原序列进行预测作为对比。
针对EEMD - ARIMA方法,对IMF1 - IMF5和余项分别建立ARIMA预测模型。表3列出了24期静态预测结果,即选取2000年1月至2013年6月CPI数据逐步预测2013年1月至2013年6月CPI值。每预测完一期后,用实际值代替预测值对下一期进行预测,以此类推得出24期预测值。
从表3和图4可以看出,本文的EEMD - ARIMA预测方法与ARIMA预测方法相比,预测精度有明显提高。 除个别月份外,EEMD - ARIMA方法的绝对预测误差均小于ARIMA方法,说明EEMD分解可以分离出CPI中的随机性分量和周期性分量,从而可以更好地描述CPI波动的内在特征。总的来说,EEMD分解对得到的各个IMF和趋势项的特性,可以建立最合适的模型进行预测, 同时充分考虑序列周期性、随机性和趋势性,从而提高预测精度。
5结论
短期波动 篇6
为了应对传统能源的快速消耗以及日益严峻的环境问题，以风能为代表的绿色可再生能源在世界范围内得到了迅猛发展。然而，风能的波动性、间歇性给电网带来了多方面的不利影响[1,2,3]。在风电大规模接入的背景下，提高风电输出功率稳定性的研究正受到越来越多的重视[4,5,6]。伴随储能技术的不断成熟，风储协调运行对于平抑风电功率波动具有很好效果。但考虑到储能系统高昂的单位成本，满足出力平滑的同时做到储能配置的最小化对风储协调控制策略提出了很高的要求。
在1min和10min的较小时间尺度上，利用基于一阶低通滤波（LPF）原理[7,8,9,10]的风储协调策略可以有效补偿风电功率中某一特定频段的波动成分。为改善该原理的效果，文献[7,8]在LPF原理基础上加入了随实测电池荷电状态（SOC）改变滤波时间常数的环节，避免了电池的过充和过放；文献[8,9,10]采用了超级电容与电池混合储能系统，分别补偿功率波动中的高频和中低频分量。LPF原理简单实用，对短期风电功率波动有较好的抑制作用。但利用该原理平抑长期波动会加大其滤波时间常数，为此需要配置较大的储能容量，致使总体经济性较差。另外，该原理不具备对未来风电功率变化的预判能力，在风电功率连续变化时容易因SOC越限而失去平滑功能。
模型预测控制（MPC)[11,12,13,14]是近年来被广泛研究和运用的一种先进控制策略。在每一采样时刻，MPC根据当前获得的测量和预测信息，在线求解一个有限时域开环优化问题，并将求解出的输入序列中的第一个元素施加到受控对象作为输入信号，并实施滚动优化。文献[11]利用过去1min和30min的历史风电功率数据以及未来10s的预测数据，实现了基于MPC原理的实时风电功率波动约束；文献[12]利用MPC原理平抑风电功率的波动性；文献[13]则采用MPC原理使得风储联合发电系统能够跟踪调度曲线。MPC原理主要针对15min及以上时间尺度的风电功率波动，原因有两个方面。首先，MPC原理的控制周期依赖于风电功率的预测间隔。根据现有国家标准[15]，风电功率预测的时间分辨率多为15min。预测间隔越短，则风速数据所表现的随机性和非线性就越强。时间间隔为10min的风速预测至今还是一个世界性难题[16]。其次，在相同的优化时长内（如4h),MPC控制周期越短则求解优化问题的运算量越大。这样，在15min及以上的较大时间尺度上，MPC原理虽然能够充分利用预测模型发挥其滚动优化控制的优势，但却难以兼顾短期风电功率波动。
本文的研究目的是结合以上两种原理，提出能够平抑1min到15min以上等多个时间尺度的风电功率波动的风储协调方法，本文称为MPC-LPF方法。在较大时间尺度上（本文为15min～4h），充分利用MPC对系统未来动态行为的预测能力以及显式处理约束的能力，形成最优并网功率的控制轨迹，然后指导LPF原理，使之在平抑短期风电功率波动的同时，能够贯彻执行MPC的优化结果。
1 基本原理
1.1 风储联合运行系统
图1为风电场和储能联合运行系统接入电网的结构示意图。该联合系统主要由风电场、储能和控制器组成。图中：Pw为风电功率；Pb为储能实际输出功率；Pb＿ref为控制器给出的储能参考输出功率，放电为正值，充电为负值；Pg为并网功率。
不考虑其他能量损耗，则有：
储能配置在风电场侧协调风电出力，控制器通过收集各项信息来实时调整储能的参考输出功率，其内部执行的控制策略是决定风储联合运行系统工作效益的关键。
1.2 MPC?LPF方法的原理
根据国家标准[15]，风电功率实时预报系统每15min滚动上报未来15min～4h的风电场发电功率预测曲线。风电功率预测值为15min的平均值，本文记为Pwm。据此，本文定义如下控制参量。
1）储能控制周期Td：储能输出功率的调节间隔，也是LPF原理的执行间隔。本文取Td=20s。
2)MPC控制周期Ts：本文取Ts=15min，即等于风电功率预测的分辨率。这样，在一个MPC周期内存在45个储能控制周期。
3）优化时域P：为了更好地发挥预测控制的优势，在预测误差允许的范围内取最大的预测时段，则MPC的优化时域P=4h/15min=16。
4）控制时域M：本文取M=P=16。
下面以图2为例，说明MPC-LPF方法的原理。
在图2(a）中，利用风电功率预测序列，由MPC原理在整个优化时域P中求解多目标优化问题，得出并网功率优化值序列。与其他优化方法不同的是，MPC仅将优化序列的第一个元素施加到风储协调系统，并以控制周期Ts为步长不断滚动向前。由于风电功率预测误差随着预测时长不断变大，呈现喇叭形[17]，这种滚动优化的方法有利于不断修正预测误差。通过对未来的风电功率进行预测，优化结果可以提前控制储能SOC值，使得风储协调策略具有可持续性。例如，在15min时间点处，由于预见到未来45min内风电功率会连续上升，SOC有越限的可能，故在15～30min的优化时段内，控制储能提前放电。与图中的风电功率预测值序列比较后可见，在15min时间尺度上的并网功率得到了平滑。
在图2(b）中，常规LPF原理和本文提出的MPC-LPF方法都能平抑风电功率的短期波动。将两者对比可见，本文方法能够参照MPC给出的并网功率优化值（见图2(a）），调整基于LPF原理的储能功率输出值。例如，在0～15min时段，新方法的并网功率低于常规LPF原理，而在15～30min时段，新方法的并网功率高于常规LPF原理。这样，新方法可以兼顾LPF原理的短期平滑以及MPC原理的长期优化控制的效果。
由以上基本原理可见，MPC-LPF方法要解决两个关键问题，首先是在整个优化时域内建立风储协调的优化目标和约束条件，其次是建立MPC与LPF两种原理的联系以实现相互配合。下面做具体分析。
2 基于MPC?LPF的优化控制方法
2.1 MPC系统模型
风储联合发电系统的状态空间模型如下：
式中：u(k）为并网功率Pg(k);r(k）为风电功率Pw(k);x(k）为储能输出功率Pb(k);y(k）为储能剩余容量Eb(k);1/4表示MPC的控制周期Ts为15min=1/4h。
本文中，用k表示MPC的控制时刻，其间隔为Ts。随着储能技术的不断发展，其自放电率可以达到0.000 1 min-1以下，充放电效率达到90%以上[18]。同时，利用滚动优化的方法，控制器可以周期性更新实际的SOC值以修正损耗误差。这样，在上式中就不需考虑储能的动态模型。
目标函数如下：
式中：L为储能处于理想SOC时的容量；a和b为惩罚系数；Δu(k)=u(k)-u(k-1）。
式（3）中的3个惩罚项分别表示对储能容量偏离理想值、储能出力以及并网功率波动的优化。目标函数应满足并网功率约束、储能输出功率约束和储能容量约束，分别如式（4）、式（5）和式（6）所示。
式中：Prated为风电场额定容量；Pch和Pdch分别为储能最大充、放电功率；CB为储能系统总容量；Smax和Smin分别为储能系统SOC的上、下限。
由式（3）至式（6）可见，基于预测模型对系统未来动态行为的预测信息，MPC可把约束显式地加到未来的输入、输出和状态变量上。后续仿真表明，这对于保证风储协调策略的可持续性非常关键。
2.2 MPC优化问题求解
MPC优化问题可以转化为二次规划（QP）问题来求解[14]，其标准形式为：
式中：x为Δu(k)(k=0,1，…，M-1）构成的列向量；H和f分别为二次项和一次项系数矩阵；A为约束系数矩阵；b为列向量。
具体将式（3）至式（6）转化为QP问题标准形式的过程见附录A。按照滚动优化的思想只取x的首项实际执行，由此得到当前的并网功率优化值，本文记为Pg*。
2.3 利用MPC优化结果补偿LPF的输出
LPF原理对系统未来动态行为缺乏预测能力。若LPF能够参考MPC的优化结果，则可弥补其缺乏前瞻性的缺点。传统LPF原理的传递函数为：
式中：Tc为滤波时间常数。
将式（9）离散化后得：
式中：α=Td/（Td+Tc），为滤波时间常数因子。
为区别于MPC时刻k，本文用i表示LPF的控制时刻，i=0表示每个MPC周期（15min）的初始时刻。与文献[7,8]不同的是，本文不采用变滤波时间常数控制策略，故α为恒定值。由式（10）递推可得：
由于式（3）中首个惩罚项的作用，MPC在考虑未来风况的情况下将尽量保持SOC在理想值附近，所以由MPC得到的并网功率优化值Pg*对LPF原理极具参考意义。为使实际SOC变化能跟踪MPC设定的优化轨迹，需维持15min内实际并网功率的总出力与优化出力基本相等。这就要求在原有LPF原理的基础上对储能输出功率再作补偿。为维持补偿后的协调算法依然具有LPF特性，15min内各时刻的功率补偿值（本文记为PC）应基本相等。
在不对LPF进行补偿的情况下，利用等比数列求和公式可得到15min内并网的总出力为：
式中：n=Ts/Td，为15min内控制器调整储能输出功率的次数。
在一个MPC周期内，优化并网总出力，则15min内总出力补偿为：
观察式（13），前两项可以在每个MPC周期的零时刻确定，而后两项只有取得各时刻风电功率数据方能准确表达，故无法于零时刻准确计算出本MPC周期的WC。为此，采用该MPC周期的风电功率预测值Pwm来近似各时刻风电功率实际值Pw(i），即将补偿平分到各时刻。近似后得到的功率补偿值为：
此外，为了克服相邻15min功率补偿值的突变，在每15min初段对功率补偿值采取平滑处理，使相邻时刻的功率补偿值之差小于阈值Pth，即
式中：PC′（i）为经平滑处理后各时刻新的功率补偿值；PCP和PCN分别为由式（14）计算出的前一次15min和当前15min的功率补偿值；，取值不宜过大，否则会影响滤波特性，其中表示向上取整函数。
最终得到新的并网功率表达式为：
对常规LPF原理进行上述功率补偿后，其在小时间尺度上依旧保持了LPF特性，而在大时间尺度上能够跟踪执行MPC的优化结果。由于实现机制上没有依赖动态调整滤波时间常数Tc，避免了因惯性环节固有的滞后性而导致的调节性能下降。
3 算例分析
3.1 算例系统
本文以某风储联合运行系统为例，在MATLAB中建立算例模型，比较不同控制策略在各种时间尺度下的风电功率平滑效果。该风电场的装机容量为48 MW，储能额定功率为5 MW，最大可持续时间为1h，理想SOC为60%,SOC允许变化范围为[0.1,0.9]。MPC每隔15min向前滚动优化一次，控制器调节储能输出功率的周期为20s，滤波时间常数为200s，惩罚系数a=1,b=2，阈值Pth为0.5 MW。风电场爬坡率的限制参考国家标准：装机容量在30～150MW的风电场10min有功功率变化最大限值不超过装机容量的1/3,1min有功功率变化最大限值不超过装机容量的1/10[15]。
3.2 风电功率波动平滑效果
选取某风电场连续8h风电功率数据，如图3所示。
下面在1min和10min的时间尺度上，分别采用可变滤波时间常数的LPF方法[7]（以下称方法1）和本文提出的MPC-LPF方法（以下称方法2），比较功率平滑效果。图4为原始风电功率和平滑后的并网功率波动情况，图5是相应的累计概率分布图。
由图4和图5可见，方法1和方法2均具备功率平滑效果。在10min时间尺度上，方法1仍存在超出越限阈值的功率波动，方法2则始终能满足国家标准，其平滑效果明显优于方法1。这是由于MPC在15min的时间尺度上对并网功率波动进行了抑制，具体体现在式（3）中第3个惩罚项的作用。在1min时间尺度上，方法2的平滑效果仍优于方法1，但优势并不显著。这是由于在这样的时间尺度上，两者对风电功率波动的抑制都基于LPF原理，且采用的初始滤波时间常数相同。但方法1为调节SOC在理想范围需频繁变动滤波时间常数，因惯性环节滞后效应导致了调节效果下降。而方法2则无需如此。
3.3 SOC控制效果
储能容量的配置总是有限的。当风电功率出现剧烈波动时，储能容易达到SOC的上下限额，使得风储协调策略不具有可持续性。所以，在更大的时间尺度上，能否将SOC值维持在理想范围附近是评价风储协调策略的重要指标。本文选取两个极端场景来比较不同方法的控制效果。
场景1：初始时储能SOC为80%，不久后风电功率突升，如图6(a）所示。
场景2：初始时储能SOC为20%，不久后风电功率骤降，如图6(b）所示。
图7反映了采用不同方法后SOC的变化情况。结果显示，方法1虽然采取了改变滤波时间常数的措施，但由于其缺乏对未来风速变化的预判能力，在两种极端场景下仍会达到SOC调节极限，从而失去平抑风电功率波动的能力；而方法2却可以通过提前放（充）电使储能在风电功率突升（骤降）之时拥有足够的充（放）电容量，并尽量维持SOC在60%的理想状态附近，使得方法具有可持续性。这源于MPC基于未来风况对储能SOC所采取的优化调整，具体体现在式（3）中首个惩罚项以及式（14）中功率补偿的作用。如果没有功率补偿，也就失去了LPF和MPC之间联系的桥梁。
图8比较了场景1中采用两种方法得到的功率波动累计概率分布情况。由图可见，由于方法2能够将SOC值控制在理想状态附近，对风电功率波动的平抑能力明显优于方法1。场景2也有类似结论，限于篇幅，本文不作重复讨论。
4 结语
基于LPF原理的风储协调策略能够有效平滑短期风电功率波动，但该原理不具备对未来风电功率动态变化的预见性；MPC原理利用有限时域的滚动优化技术，对于长期的风电功率波动更具全局优化控制能力，但难以兼顾短期的功率波动。本文提出了一种将MPC和LPF原理相互结合的新型风储协调方法。新方法对长短期多个时间尺度的风电功率波动都具有良好的平抑效果。而且，新方法能够将储能SOC控制在理想区间附近，使得控制策略在恶劣的风况下具有更好的可持续性。
虽然滚动优化的方法有利于不断修正预测误差，但当预测误差很大时，算法的鲁棒性问题仍值得关注，这是下一步的研究重点。
短期波动 篇7
多种内科危重症都经历全身炎症反应综合征(systematic inflammatory response syndrome,SIRS)这一共同的病理生理过程,即感染或非感染因素刺激宿主免疫系统,释放体液和细胞介质,发生炎症过度反应,其继续发展易引发多器官功能衰竭和死亡。老年SIRS的发病率高、病情重且死亡率高[1],建立和完善SIRS患者不良预后预测指标对于提高其救治成功率至关重要。目前,临床常用急性生理和慢性健康评分系统(Acute Physiology and Chronic Health Evaluation,APACHE)评价SIRS患者的病情严重程度和作为预测其死亡的预警指标[2]。应激性高血糖在SIRS中的发生率在50%以上[3],是SIRS最常见且最显著的代谢紊乱。然而,APACHE仅由急性生理学功能评分、年龄及慢性健康状况评分3部分指标体系组成,不包括糖代谢紊乱指标。近年来,高血糖对危重症患者预后的影响受到极大关注,关于血糖波动或变异对预测危重症存活/死亡价值的研究也初露端倪,但迄今国内外对血糖水平及波动预测老年SIRS患者存活/死亡价值的相关研究尚缺乏,使得临床医师在用血糖参数预测老年SIRS患者的预后并调控血糖时无确定的模式可循,难以确切评估。
有鉴于此,本研究通过对老年SIRS患者临床资料的总结,用COX风险回归模型分析影响老年SIRS患者存活的相关因素,探讨血糖波动及其控制时点在预测老年SIRS存活/死亡中的价值,旨在补充APACHE指标系统之外SIRS患者的预后判断标准,并为指导临床危重症血糖监测和调控提供依据。
1 对象与方法
1.1 对象
152例符合现行SIRS诊断标准的老年住院SIRS患者,年龄(77.03±7.21)岁(第一部分)和(78.05±6.65)岁(第二部分),每1~4 h测1次指尖血糖。SIRS诊断采用2001年美国胸科医师协会的标准[4]:(1)发热或低温(T≥38℃或T<36℃),(2)心率≥90次/min,(3)呼吸频率>20次/min或Pa CO2<32 mm Hg,(4)外周血白细胞计数>12×109/L或<4×109/L或未成熟粒细胞>0.1(除外化疗、白血病等),每项均各为1分,当分值≥2时,诊断为SIRS。一般资料见表1。
1.2 方法
1.2.1 研究步骤
第一部分:单因素分析诊断SIRS当天(d0)血糖标准差对患者生存率的影响。第二部分:COX回归分析d0标准差等因素对患者生存率的影响。可能影响患者生存的危险因素共5个:性别、年龄、APACHEⅡ分值、d0血糖标准差、血糖标准差控制时点。血糖标准差控制时点:指血糖波动值控制的时间。具体赋值为:若d3控制在血糖标准差≤2 mmo L/L赋值为1,以此类推d7为2,d15为3,未控制赋值为4。见表2。
1.2.2 统计学分析
首先单因素分析d0血糖标准差对患者31 d生存率的影响,然后对d0血糖标准差、控制时点及APACHEⅡ评分值等因素对患者31d生存率的影响采用COX风险比例模型进行多因素分析。定量数据以均数±标准差表示。
2 结果
2.1 诊断SIRS当天3个层次血糖波动值对生存率的影响。
3个层次血糖标准差的生存曲线见图2。
图2示:诊断SIRS当天血糖标准差越高者其31 d生存率越低,血糖标准差>4 mmo L/L组的仅11.5%生存,0~2 mmo L/L组75.0%生存,2~4mmo L/L组43.3%生存。
2.2 多因素的COX风险比例模型
将X3、X4及X5进行多因素COX回归分析,结果如表3显示:诊断SIRS当天血糖标准差、血糖标准差控制时点及APACHEⅡ评分值是影响生存的危险因素,且回归系数是正值,表示该因素每增加1个等级,其死亡危险度增加RR倍。
2.3 风险函数方程
由分析结果,得出t时刻的死亡风险函数方程:H(t)=h0(t)exp(0.194d0血糖标准差+0.314血糖标准差控制时点+0.217 APACHEⅡ评分)。
3 讨论
COX回归模型分析及风险函数方程显示,性别、年龄因素与危重症患者短期死亡率无明显相关,APACHE评分系统与危重症患者的短期死亡率相关。APACHE评分系统是一种评定各类危重疾病患者病情严重程度及预测预后的较为全面的评分体系。周国鹏等[2]对75岁以上老年危重症的研究显示,APACHEⅡ评分系统对老年患者预后判断的灵敏度及特异度分别为66.7%和90.9%,阳性及阴性预测值分别为72.7%和88.2%。此结果提示,还有APACHE指标系统外未确定的预警指标影响其预后,若APACHEⅡ评分系统和其他预警指标联合应用,可设想其预测效果更好。
全身炎症反应综合征诊断成立时及治疗过程中血糖水平对患者死亡的预测价值近年受到关注。血糖波动或变异对预测危重症存活/死亡的价值近年亦有零星研究[5]。本研究发现,诊断SIRS当天血糖波动越大则31 d生存率越低,血糖标准差>4mmo L/L组的31 d生存率最低仅11.5%,2~4mmo L/L组43.3%生存,0~2 mmo L/L组75.0%生存,血糖波动最大者短期生存率仅为波动最小者的约1/7;COX回归模型分析及风险函数方程亦显示,诊断SIRS当天血糖标准差是老年危重症患者短期死亡的预测因素,其相对危险度1.214,95%可信区间为1.082~1.363。提示在老年危重症中,应多点监测血糖评估其变异性,以尽早发现并控制其波动,这对改善其短期预后十分重要。建议将诊断当天血糖标准差4 mmol/L作为预测老年内科危重症短期死亡的临界值。
(α=0.05逐步法)
近年来有令人信服的证据显示,高血糖不仅仅是危重症的标志物,在某些情况下,积极治疗高血糖有可能改善患者的临床转归。老年内科危重症患者血糖参数对其短期死亡率的影响十分显著,相对于平均血糖,血糖的波动对老年危重症患者短期死亡的预测价值更大[5]。波动性高血糖可能通过以下机制促进危重症的发展:(1)凋亡学说:波动性高血糖可增加蛋白激酶C的表达,改变丝裂原活化蛋白激酶通路,然后上调细胞间黏附分子-1和血管细胞黏附分子-1的表达,促使细胞凋亡及DNA的氧化损伤[6,7]。(2)炎症学说。(3)氧化应激学说:MONNIER等[8]研究认为波动性高血糖比持续性高血糖更能促进氧化应激而致细胞损伤。(4)内皮细胞损伤:波动性高血糖对内皮细胞的损伤比持续性高血糖更严重[9]。本研究显示,诊断当天血糖波动越大、控制越晚,预后越差。血糖标准差控制时点是老年危重症患者短期死亡的预测因素,其相对危险度1.369,95%可信区间为1.049~1.787,预测价值大于血糖标准差(1.369 vs 1.214)说明血糖波动的控制时间较之单纯控制血糖波动更为重要。
至于老年危重症患者血糖波动控制的理想水平以及具体血糖波动的计算参数,迄今尚无公认标准。因此提出以下建议:(1)可用诊断当天血糖波动值和血糖波动值控制时点两个参数补充APACHEⅡ值来作为预测危重症患者短期死亡风险的预后判断指标;(2)老年危重症患者应多点监测血糖评估其变异性,以尽早发现并控制其波动;(3)以诊断当天血糖标准差4 mmol/L为预测老年内科危重症患者短期死亡的临界值;(4)可将7 d内是否控制血糖作为预测老年内科危重症短期死亡的临界值,将3 d内控制血糖作为有效减少老年内科危重症患者短期死亡危险的指标。笔者正进行一系列前瞻性研究,以观察用新的血糖调控方法是否可在将老年危重症血糖波动严格控制在理想范围的同时,不显著增加其低血糖发生率等,以期更大程度地改善老年危重症的预后。
参考文献
[1]MARTIN GS,MANNINO DM,MOSS M.The effect of age onthe development and outcome of adult sepsis[J].Crit Care Med,2006,34:15-21.
[2]周国鹏,宋以信,赵志杰.APACHE评价系统对75岁以上老年重症病人预后评价价值[J].中华内科杂志,2005,44(4):251-253.[2]ZHOU GP,SONG YX,ZHAO ZJ.The predictive value ofAPACHE score system in prognostic assessment for elderlypatients with severe disease[J].Chinese Journal of InternalMedicine,2005,44(4):251-253.Chinese
[3]UMPIERREZ GE,ISAACS SD,BAZARGAN N,et al.Hyperglycemia:AnIndependent marker of in-hospital mortality in patientswith undiagnosed diabetes[J].J Clin Endocrinol Metab,2002,87:978-982.
[4]2001 SCCM/ESICM/ACCP/ATS/SIS International Sepsis DefinitionsCon-ference[J].Intensive Care Medicine,2003,29:530-538.
[5]EGI M,BELLOMO R,TACHOWSKI SE,et al.Variability ofblood glucose concentra-tion and short-term mortality in criticallyill patients[J].Anesthesiology,2006,105:244-252.
[6]QUAGLIARO L,PICONI L,ASSALONI R,et al.Intermittenthigh glucose enhances apoptosis related to oxidative stress inhunman umbilical vein endothelial cells.The role of proteinkinase C and NAD(P)H oxidase activation[J].Diabetes,2003,52:2795-2804.
[7]QUAGLIARO L,ROS DA,ROBERTO DR,et al.Effects ofintermi-ttent high glucose concentrations at intracellular level inHUVECs[J].Diabetes,2002,51(Suppl2):A510.
[8]MONNIER L,MAS E,GINET C,et al.Activation of oxidativestress by acute glucose fluctuations compared with sustainedchronic hyperglycemia in patients with type 2 diabetes[J].JAMA,2006,295:1681-1687.
短期波动 篇8
1 资料与方法
1.1 一般资料
该研究中研究对象选取时间段为2013 年3 月—2015 年3 月, 研究对象为50 例2 型糖尿病合并急性脑梗死患者, 同时选择在相同时间段内接收的50 例单纯2 型糖尿病患者作为对照组, 观察组中男性28 例, 女性22 例, 平均年龄 (63.8±4.2) 岁, 平均病程为 (5.6±1.3) 年;对照组中男性27 例, 女性23 例, 平均年龄为 (64.1±4.3) 岁, 平均病程为 (5.4±1.4) 年。 观察组和对照组一般资料经过统计分析后差异无统计学意义 (P>0.05) 。
1.2 诊断标准
急性脑梗死的诊断标准有: (1) 通过脑CT检查, 出现高密度病灶; (2) 大多数患者在安静状态下突然发病, 没有明显的呕吐、头痛症状, 但是会有意识障碍、偏瘫失语等症状[2]; (3) 有颈内动脉系统症状和体征; (4) 腰穿脑脊液一般没有血。
糖尿病诊断标准参照2010 年美国糖尿病协会糖尿病诊断标准: (1) 糖化血红蛋白Hb A1c超过6.5%; (2) 在8 h没有热量摄入时空腹血糖超过7.0 mmol/L; (3) 口服糖耐量试验, 血糖超过11.1 mmol/L[3]。
1.3 方法
对于急性脑梗死患者在发病后及时地采用拜阿司匹林、 阿托伐他汀钙等开展抗凝治疗以及活血化瘀治疗等, 具体的根据患者实际情况参照急性脑梗死诊疗指南进行治疗。 在此基础上对患者进行降糖治疗, 具体采用的是胰岛素, 理想血糖为空腹<8.3 mmol/L。 此后对两组患者均采用动态血糖监测系统对患者在入院后72 h内的血糖进行连续监测。 在此期间两组患者在饮食上保持一致。 对两组患者在72 h内血糖的波动变化、最大血糖变化等关键数据做好记录工作。
1.4 观察指标
主要观察指标有: (1) 患者在连续监测期间平均血糖水平、平均血糖波动幅度、血糖波动频数以及最大血糖波动幅度; (2) 观察组患者治疗前后的神经功能分级, 神经功能分级采用的是美国国立卫生院神经功能缺损评分 (NIHSS) 系统, 得分越高, 患者的神经功能越差; (3) 根据观察组患者治疗后NIHSS改善效果好、 差作为分组标准, 治疗后的NIHSS为 (9.86±1.52) 分, 根据这一评分将其分为NIHSS评分好和评分差评, 观察两组患者在治疗1 个月结束后平均血糖波动幅度以及最大血糖波动水平。
1.5 统计方法
采用SPSS 19.0 软件对上述患者治疗的相关数据进行统计学分析, 此研究中的平均血糖水平、平均血糖波动幅度、 血糖波动频数、 最大血糖波动幅度以及NIHSS评分均采用平均值±标准差 (±s) 表示, 采用t检验。
2 结果
2.1 相关血糖指标比较
观察组和对照组相关血糖指标比较, 根据表中的数据可知在平均血糖水平以及血糖波动频数方面, 观察组和对照组之间差异无统计学意义 (P>0.05) ;而在平均血糖波动幅度以及最大血糖波动幅度方面, 观察组要高于对照组, 差异有统计学意义 (P<0.05) , 见表1。
2.2 观察组治疗前后NIHSS评分
观察组治疗前后NIHSS评分比较, 从表中可以看出, 在NIHSS评分方面, 治疗后相对于治疗前差异有统计学意义 (P<0.05) , 见表2。
2.3 不同NIHH评分患者血糖指标比较
观察组不同NIHSS评分组治疗血糖波动比较, 根据表中数据可见NIHSS评分较高的其平均血糖波动幅度以及最大血糖波动幅度也较大, 而NIHSS评分较低的其平均血糖波动幅度以及最大血糖波动幅度较小, 两者相比差异有统计学意义 (P<0.05) , 见表3。
3 讨论
伴随着现代生活质量的不断提高以及饮食习惯的调整, 糖尿病患者的发病率正在逐年上升, 对于糖尿病目前尚没有完全根治的方法, 实际的治疗主要以控制血糖为主, 在糖尿病患者中约有超过90.0%的患者属于2 型糖尿病。 糖尿病对人类的危害除了疾病本身之外, 还有较多的并发症, 比如白内障、缺血性心脏病以及神经病变等, 其中关于糖尿病并发急性脑梗死的报道是越来越多[4]。 为了明确2 型糖尿病合并急性脑梗死患者血糖波动对神经功能缺损及短期预后的关系, 该院也进行了相关的研究。
该研究结果显示, 2 型` 糖尿病合并急性脑梗死患者与单纯的2 型糖尿病患者相比, 在血糖平均水平以及波动频数方面基本是相同的, 但是在波动范围上, 2型糖尿病合并急性脑梗死波动范围更大, 血糖波动范围越大, 急性脑梗死患者其神经功能缺损就表现的较为严重, 血糖波动范围较小的神经功能缺损较轻。 究其原因主要是急性脑梗死合并2 型糖尿病患者体内的血脂存在着明显的异常, 据有关文献报道, 出现急性脑梗死得患者体内的胰岛素受体或者受体前后出现异常, 患者体内的血糖不能及时被利用, 自身对于胰岛素的敏感性降低, 即使对患者采用了自胰岛素治疗, 但是胰岛素并不能发挥正常的作用, 也就是造成了胰岛素抵抗, 这样患者体内血糖的波动程度将会增加。 糖尿病并发急性脑梗死患者应该采取措施降低血糖的波动幅度, 从而减少神经功能缺损, 改善患者的预后。 这一研究结果与付立明, 张荣珍学者的研究结论具有一致性。
2 型糖尿病合并急性脑梗死患者血糖波动对患者神经功能缺损的研究目前还不是很完善, 在吕肖锋, 黄金鑫, 张微微等学者的研究中认为血糖在波动中的最低点以及波动的最大点都是直接影响神经病变发展的主要原因, 因此血糖波动幅度越大, 患者神经功能缺损表现的就更加明显。 这主要是因为在急性脑梗死发病后, 患者血糖的增加或进一步加重病情发展, 延缓患者神经功能的恢复, 患者的预后相对较差。 有学者报道显示, 患者在发病后出现的血糖波动会进一步加大脑梗塞病灶的扩大, 造成患者病情的恶化, 治疗难度以及预后将会受到影响, 但是关于这方面的研究还需要进一步深入研究才能取得更大突破[5,6]。
综上所述, 对于2 型糖尿病患者其合并的急性脑梗死增加了血糖的波动, 而血糖的波动则会进一步影响到急性脑梗死的神经功能缺失, 进一步地影响患者的生存质量, 因而对于2 型糖尿病合并急性脑梗死患者在临床上应该引起高度重视。
摘要：目的 总结分析2型糖尿病合并急性脑梗死患者血糖波动对神经功能缺损及短期预后的影响。方法 此次研究中研究对象选取时间段为2013年3月—2015年3月, 研究对象为50例2型糖尿病合并急性脑梗死患者, 同时选择50例单纯2型糖尿病患者作为对照组, 比较分析两组患者血糖波动对神经功能缺损以及短期预后的影响。结果 在血糖波动幅度以及最大血糖波动幅度方面, 观察组和对照组之间差异有统计学意义 (P<0.05) 。治疗后的NIHSS评分与患者的血糖波动幅度以及最大血糖波动幅度之间存在着一定的相关性, NIHSS评分越高的患者其血糖波动幅度越大。结论 对于2型糖尿病患者其合并的急性脑梗死增加了血糖的波动, 血糖的波动则会影响到急性脑梗死的神经功能缺失, 影响患者生存质量, 临床上应该引起高度重视。
关键词：2型糖尿病,急性脑梗死,血糖波动,神经功能缺失
参考文献
[1]张名扬, 吕肖锋, 张微微, 等.2型糖尿病合并急性脑梗死患者血糖波动对血管内皮损伤的影响及意义[J].中国老年学杂志, 2016 (2) :329-331.
[2]周文锐, 李琛, 朱敏洁.2型糖尿病合并急性脑梗死患者血糖波动与神经功能缺损及预后关联的研究[J].临床和实验医学杂志, 2016, 15 (4) :350-352.
[3]张婷.糖尿病合并急性脑梗死血糖水平与神经功能缺损在老年患者中的预后相关性分析[J].现代诊断与治疗, 2015, 26 (1) :213-214.
[4]付立明, 张荣珍.2型糖尿病合并急性脑梗死患者血糖波动与神经功能缺损程度的相关性分析[J].中国实用神经疾病杂志, 2015, 18 (22) :119.
[5]吕肖锋, 黄金鑫, 张微微, 等.急性脑梗死合并2型糖尿病与血糖漂移及同型半胱氨酸水平的相关性研究[J].解放军医药杂志, 2013, 25 (11) :16-19.