基于RIME-IAOA的混合模型短期光伏功率预测

光伏发电在如今的新能源发展中逐渐成为重点,其中光伏功率预测成为研究的主要方向.为了提升光伏功率预测的精度和效率,提出了RIME-VMD-IAOA-LSTM模型.该模型通过霜冰优化算法(RIME)优化变分模态分解(VMD)的参数来提升分解效率;引入余弦控制因子的动态边界策略来控制算数优化算法(AOA)数值的增长速率从而提升算法的精度和稳定性;利用自适应T分布变异策略来改进AOA的局部搜索能力和全局开发能力,更好地避免局部最优解.两种智能优化算法的加入使得整体模型的预测效率和速度都有很大提升,实验结果表明组合模型RIMEVMD-IAOA-LSTM相比于其他预测模型有较高的光伏功率预测精度.

融合相似预报方法在陇东南短期强降水预报中的应用

基于逐步过滤相似法和自组织映射(SOM)神经网络方法,提出了一种融合相似预报方法。利用ECMWF模式预报产品、ERA5再分析资料和地面气象台站观测数据,使用该方法对2021-2022年陇东南地区开展了时效为72 h的强降水预报试验,并对预报效果进行了检验。结果表明:(1)融合相似预报方法的TS评分处于4.5%~9.1%之间,与ECMWF模式预报结果相比表现出一定的优势。随着预报时效的增长,强降水预报的TS评分呈现减小的趋势,其在08:00(北京时,下同)起报的TS评分相对较高。(2)相比于单独使用逐步过滤相似预报,融合相似预报方法的准确性有所提升,并能在一定程度上降低空报率。其中08:00起报和20:00起报的TS评分提高了1.31%和0.63%,而FAR同时下降了2.39%和1.25%。

基于改进CEEMDAN-BO-LSTM的短期电价预测

电价预测对于国家电力市场的销售价格,电力调度和市场波动管理具有重要意义,但现有方法在电价预测的准确性上不理想.为了进一步提升电价预测的准确性,提出一种基于改进完全自适应噪声集合经验模态分解(ICEEMDAN),贝叶斯优化(BO)和长短时记忆网络(LSTM)的短期电价预测模型.ICEEMDAN将原始数据分解为多个本征模态函数(IMF)和一个残差序列,然后将IMF分量重构为高频,中频和低频三个子序列,将子序列和残差序列分别与相关因素结合,重构为四个多维特征矩阵,输入BO-LSTM模型进行训练,最后得到预测结果.用西班牙国家电网公司Red Electric Espa a运营数据进行算例分析,结果表明ICEEMDAN-BO-LSTM模型具有更高的准确度,在电价跳跃点和峰值点处预测结果表现出色,与其他方法相比预测效果更好,对能源企业和国家电力市场调控策略具有实用价值.

基于CEEMD-SE的CNN&LSTM-GRU短期风电功率预测

为进一步提升短期风电功率的预测精度,提出了一种基于互补集合经验模态分解-样本熵(complementary ensemble empirical mode decomposition-sample entropy,CEEMD-SE)的卷积神经网络(convolutional neural network,CNN)和长短期记忆-门控循环单元(longshorttermmemory-gatedrecurrentunit,LSTM-GRU)的短期风电功率预测模型。首先,利用互补集合经验模态分解将原始风电功率序列分解为若干本征模态函数(intrinsic mode function,IMF)分量和一个残差(residual,RES)分量,利用样本熵算法将相近的分量进行重构;其次,搭建卷积神经网络和长短期记忆网络的并行网络结构,提取数据的局部特征和时序特征,并将特征融合后输入门控循环单元网络中进行学习预测;最后,通过算例进行验证,结果表明采用该模型后预测精度得到了有效提升,其均方根误差降低了15.06%、平均绝对误差降低了15.22%、决定系数提高了1.91%。

基于改进金豺算法的短期负荷预测

针对电力负荷序列波动性和预测精度不高的问题,提出一种基于变分模态分解、排列熵和改进金豺算法优化双向长短期记忆网络的预测模型。首先,利用变分模态分解重构原始负荷序列,再采用排列熵理论对分解后的子序列进行熵值重组;然后,利用改进金豺算法对双向长短期记忆网络的参数进行优化,并对每个子序列建立预测模型;最后,组合各模型结果得到最终预测值。实验结果表明,本文模型预测精度更高,与真实值拟合度更好。

基于VMD-BiLSTM-WOA的短期风电功率预测

风力发电对于解决全球能源短缺问题有重要意义,准确预测风电功率有助于风电并网的合理调度和可靠的电网运行.文章提出了一种基于变分模态分解(Variational Mode Decomposition, VMD)、双向长短期记忆网络(Bidirectional Long Short-term Memory Network, BiLSTM)以及鲸鱼优化算法(Whale Optimization Algorithm, WOA)的混合深度学习模型,以用于短期风电功率预测.首先,VMD将原始风电功率分解为多个子模态,有效减少了序列的波动性;然后对每个子模态分别建立BiLSTM模型,使用WOA对BiLSTM中的参数进行优化,以提高混合模型的效率和预测性能;最后将各个子模型的结果叠加得到最终预测结果.在实验中通过建立不同的比较模型来说明改进策略的有效性和优越性,结果表明所提的混合模型在风电功率预测中具有较高的预测精度.

基于VMD-SE的电力负荷分量的多特征短期预测

为提高电力负荷的预测精度,提出一种基于VMD-SE的电力负荷分量的多特征短期预测方法。首先采用变分模态分解(VMD)将原始负荷分解为一系列模态分量与残差,VMD的分解层数由样本熵值(sample entropy,SE)确定;然后对比原始负荷与模态分量的SE值,重构为平稳分量和波动分量,来降低运算规模;同时利用皮尔逊相关系数来筛选特征变量,删除特征冗余,建立灰狼算法优化后的支持向量回归模型(GWO-SVR)和长短期记忆神经网络(LSTM)分别对平稳分量和波动分量预测;最后以某地区2018—2020年用电负荷为例进行实验。实验证明:此模型精准度高达94.7%,平均绝对百分误差降低到2.98%,具有更好的精准性和适用性。

基于集群辨识和卷积神经网络-双向长短期记忆-时序模式注意力机制的区域级短期负荷预测

为了解决区域级短期电力负荷预测时输入特征过多和负荷时序性较强的问题,提出一种基于集群辨识和卷积神经网络(convolutional neural networks,CNN)-双向长短期记忆网络(bi-directional long short-term memory,BiLSTM)-时序模式注意力机制(temporal pattern attention,TPA)的预测方法。首先,将用电模式和天气作为影响因素,基于二阶聚类算法对区域内的负荷节点进行集群辨识,再从每个集群中挑选代表特征作为深度学习模型的输入,这样既能减少输入特征维度,降低计算复杂度,又能综合考虑预测区域的整体特征,提升预测精度。然后,针对区域电力负荷时序性的特点,用CNN-BiLSTM-TPA模型完成训练和预测,该模型能提取输入数据的双向信息生成隐状态矩阵,并对隐状态矩阵的重要特征加权,从多时间步上捕获双向时序信息用于预测。最后,在美国加利福尼亚州实例上分析验证了所提方法的有效性。

基于奇异谱分析和辛几何模态分解的短期碳排放预测模型

在短时期内对碳排放水平进行评估和规划,对制定精准的减排目标和有效的政策措施可以起到辅助作用。将奇异谱分析分解法(Singular spectrum analysis decomposition,SSAD)和辛几何模态分解(Symplectic geometry mode decomposition,SGMD)组合成新型的二次信号分解法,并应用于每日碳排放量预测。在对原始序列进行二次分解之后,利用快速傅里叶变换对子序列进行重构,并应用偏自相关函数来选择合适的输入变量。最后,利用麻雀搜索算法(Sparrow search algorithm,SSA)对长短期记忆网络(Long short-term memory network,LSTM)进行优化,建立了SSAD-SGMD-SSA-LSTM模型。通过与其他模型进行对比实验,发现SSAD-SGMD二次分解更加适合碳排放时间序列预处理,并且可以进一步提高预测精度。SSAD-SGMD模型与集成经验模态分解和变分模态分解相结合的二次分解模型相比,模型的可决系数R2提高了1.83%,平均绝对百分比误差(Mean absolute percentage error,MAPE)有所降低,均方根误差(Root mean square error,RMSE)降低了43.16%。此外,经过SSA优化后的LSTM模型,R2提高了1.49%,MAPE有所降低,RMSE降低了38.64%。所提出的模型能够有效提升短期碳排放预测的准确性。

双向长短期记忆网络的时间序列预测方法

时间序列预测即利用历史时间序列数据,预测未来一段时间内的数据信息,以便提前制定相应策略。目前,时间序列的类别复杂繁多,而现有的时间序列预测模型面对多种类型数据时无法取得稳定预测的结果,进而难以同时满足对现实中多种复杂的时序数据预测的应用需求。针对上述问题,提出了一种基于时间注意力机制双向长短期记忆网络的时间序列预测方法。笔者提出的网络模型采用改进的正向和反向传播机制提取时序信息并通过自适应权重分配策略推理未来的时序信息。具体来说,设计了一个改进的双向长短期记忆网络,通过结合双向长短期记忆和长短期记忆网络提取深度时间序列特征,挖掘上下文的时序依赖关系。在此基础上,融合所提出的时间注意力机制,实现对深度时间序列特征进行自适应加权,提升深度时序特征的显著性表达能力。通过与同类代表性方法在多个不同类别数据集上的客观定量对比,实验结果表明,该方法能够在多种类别的复杂时间序列数据上更优的预测性能。

基于EMD-PSO-Bi LSTM组合模型的短期风电功率预测

风电功率预测对风电并网的稳定运行具有重要意义。为了解决风电功率预测中的精度和模型稳定性问题,引入了EMD-PSO-BiLSTM模型。通过经验模态分解技术将原始风电功率序列分解为一系列固有模态函数,以有效捕捉数据中的多尺度特征,并为每个模态序列建立了各自的预测模型。鉴于双向长短时记忆神经网络良好的泛化能力,建立了基于BiLSTM的各模态预测模型。进一步采用粒子群算法优化了BiLSTM参数,解决了模型非线性、高维、多模态等问题,获得了各模态分量的最优模型,并通过汇总各模态分量的结果得到了风电功率预测值。最后,以湖南省某风电场的实际运行数据为例,验证了EMD-PSO-BiLSTM模型可以有效提高风电功率短期预测精度。

CEEMDAN-WPE-CLSA超短期风电功率预测方法研究

提出了一种结合自适应噪声完全集合经验模态分解、加权排列熵、卷积神经网络、长短期记忆网络和自注意力机制的超短期风电功率预测方法。首先,利用自适应噪声完全集合经验模态分解将原始风电功率时间序列自适应分解为一系列的模态分量,降低原始序列的非线性和波动性;其次,根据加权排列熵计算各模态分量间的相似性并对相似的分量进行重组,以修正自适应噪声完全集合经验模态分解的过度分解问题,使得修正后的模态分量更具规律性;最后,将重组后的分量输入卷积长短期记忆网络进行时序建模,并利用自注意力机制对卷积长短期记忆网络的神经元权重进行重新分配,提高了卷积长短期记忆网络对输入特征不确定性的适应能力。在此基础上,明确了自注意力机制和自适应噪声完全集合经验模态分解、加权排列熵在风电功率预测中的作用机制,以及风电功率信号包含的重要物理信息,证明了自适应噪声完全集合经验模态分解、加权排列熵以及自注意力机制在风电功率信号模态分解和长短期记忆网络隐层输出权重分配中的有效性。

融合CNN与BiLSTM模型的短期电能负荷预测

针对卷积神经网络(CNN)在捕捉预测序列间历史相关性方面的不足以及在变量复杂情况下出现的无法精准提取预测关键信息的问题,提出一种将双向长短期记忆网络(BiLSTM)与卷积神经网络结合的CNN-BiLSTM模型.首先,采用数据预处理方法保证数据的正确性和完整性,并对数据进行分析以探究多变量之间的相关性;其次,通过CNN与L1正则化对多维输入特征进行特征筛选,选取与预测相关的重要性特征向量;最后,使用BiLSTM对CNN输出的关键特征信息进行保存,形成向量与预测序列,并通过分析时序特征的潜在特点,提取用户的内在消费模式.实验比较了该模型与其他时序模型在不同时间分辨率下的预测效果,实验结果表明,CNN-BiLSTM模型在不同的回望时间间隔下表现出了最佳的预测性能,能够实现更好的短期负荷预测.

基于Stacking融合的LSTM-SA-RBF短期负荷预测

为了解决单个神经网络预测的局限性和时间序列的波动性,提出了一种奇异谱分析(singular spectrum analysis,SSA)和Stacking框架相结合的短期负荷预测方法。利用随机森林筛选出与历史负荷相关性强烈的特征因素,采用SSA为负荷数据降噪,简化模型计算过程;基于Stacking框架,结合长短期记忆(long and short-term memory,LSTM)-自注意力机制(self-attention mechanism,SA)、径向基(radial base functions,RBF)神经网络和线性回归方法集成新的组合模型,同时利用交叉验证方法避免模型过拟合;选取PJM和澳大利亚电力负荷数据集进行验证。仿真结果表明,与其他模型比较,所提模型预测精度高。

时间感知的用户长短期兴趣特征分离推荐算法

针对传统推荐算法未充分考虑行为序列间的动态时间间隔、语义不规则以及用户长短期兴趣相互纠缠的问题,提出一种时间感知的用户长短期兴趣特征分离推荐算法。利用用户个性化时间聚合间隔感知和时间位置多头注意力捕获长期兴趣特征,采用动态时间间隔感知和潜在意图注意力的Time-LSTM捕获短期兴趣特征,提出长短期兴趣特征分离获取方法,分别独立捕获两种时间尺度的用户兴趣,通过注意力机制自适应融合长短期兴趣特征,提高用户兴趣特征捕获准确率。实验结果表明,该算法在预测精度指标AUC和GAUC上较对比算法均有提升,消融实验也进一步验证了该算法的必要性。

基于生成对抗网络和EMD-ISSA-LSTM的短期电力负荷预测

针对电力负荷本身固有的不稳定性和非线性,导致短期电力负荷预测精度难以提升问题。本文提出一种基于EMD和LSTM相结合的短期电力负荷预测方法。首先,利用EMD将原始信号分解为一系列本征模态函数和一个残差量。随后,将所有分量输入LSTM中。为进一步提升负荷预测精度和优化模型泛化能力,分别对大分量信号引入改进麻雀搜寻算法优化LSTM超参数和对原始负荷数据引入表格生成对抗网络生成新数据样本,形成基于表格生成对抗网络和EMD-ISSA-LSTM的短期电力负荷预测方法。最后,分别采用第九届电工数学建模竞赛负荷数据和湖南省某地市含分布式电源的负荷数据进行效果验证。结果表明,在两种数据集下,该模型的平均绝对百分比误差分别为2.37%和2.76%,验证了该方法的有效性。

基于改进注意力机制的时间卷积网络-长短期记忆网络短期电力负荷预测

为充分挖掘蕴含在电力负荷数据中的有效时序信息,提高短期电力负荷预测准确度,本文提出一种基于改进注意力机制的时间卷积网络(TCN)-长短期记忆(LSTM)网络负荷预测模型。首先,将时序数据输入TCN模型中进行时序特征提取;然后,将所提取的时序特征与非时序数据组合,并输入LSTM模型中进行训练;最后,采用贝叶斯优化方法进行超参数寻优以获得TCN-LSTM模型的最优参数,引入通过多层感知器(MLP)改进的注意力机制以减少历史信息丢失并加强重要信息的影响,完成短期负荷预测。通过对比多种深度学习模型的预测效果表明,本文所提模型的短期电力负荷预测准确度更高。

基于FCM-LSTM的光热发电出力短期预测

对光热电站的出力进行短期预测,可以有效应对太阳能随机性和波动性带来的影响,为电网调度做好准备.该文以青海某光热电站为例,首先使用模糊C均值聚类算法对预处理后的实验数据进行分类,然后通过分析不同聚类类型下出力和气象数据中各因子间的关联程度,充分挖掘出数据间的关系,确定不同类型预测模型的输入变量,进而构建出不同类别下的长短期记忆神经网络预测模型.结果表明,与传统长短期记忆神经网络模型、BP神经网络模型、支持向量机模型和随机森林模型的预测结果相比,基于模糊C均值聚类的长短期记忆神经网络预测模型效果良好,大幅减少了预测误差,验证了该预测模型的有效性.

基于SVM-STL-LSTM的区域短期电力负荷预测研究

针对区域电力负荷的时间序列数据随机性强、预测精度低及单一模型的数据特征提取能力差等问题,提出了一种支持向量机(SVM)、STL时序分解法、长短期记忆神经网络(LSTM)组合的电力负荷预测模型。该模型利用SVM对时间序列的电力负荷数据进行初始预测,并通过STL时序分解法对残差序列进行时序分解,从而提高残差序列的稳定性,减小其随机性,最后用LSTM对SVM的预测误差进行修正。试验结果证明,该方法利用误差修正可有效处理随机性强的数据,有利于预测结果的稳定性,提高预测精度。

基于变分模态分解的卷积长短时记忆网络短期电力负荷预测方法

电力负荷序列易受多重外部因素影响而呈现复杂性,不利于精准预测。为此,提出一种基于变分模态分解(variational mode decomposition,VMD)的卷积神经网络和长短期记忆网络(convolutional neural network and long short-term memory network,CNN-LSTM)相结合的短期电力负荷并行预测方法。先采用VMD将负荷数据分解为规律性强的各本征模态函数(intrinsic mode function,IMF)及残差;再将各分量分别输入到各自对应的CNN-LSTM混合预测网络,获得各初始预测值,并将该值与由气候、日期类型等组合得到的相关因素特征集相结合,进一步得出修正预测值;最终,叠加各分量修正预测值即得到完整预测结果。在实际负荷数据上做验证分析,结果表明,考虑相关外部因素特征集后日负荷预测平均相对误差均值可降低2.18%。与几种常规负荷预测方法进行效果对比,验证了该方法的有效性和可行性。