基于二次分解双向门控单元新型电力系统超短期负荷预测

在新型电力系统中,电力负荷随机性和波动性较强,现有预测方法难以对其实现高精度预测。为此,提出一种基于二次分解和双向门控循环单元的超短期负荷预测模型。首先,针对电力负荷的强随机性和强波动性,利用自适应噪声完备经验模态分解对电力负荷历史序列进行初步分解,使负荷序列更加平稳。随后,对初步分解得到的强非平稳分量运用连续变分模态分解进行二次分解,降低其预测难度。最后,为充分学习电力负荷的时序特征,在预测过程构建基于双向门控循环单元的超短期电力负荷预测模型。实验结果表明,该模型相较于现有优秀预测模型有更高的预测精度。

基于二次分解策略和BiLSTM的短期碳排放预测模型设计

针对现有短期碳排放预测模型残余噪声大、忽略全局信息的特性导致预测精度不高的问题,提出一种基于二次分解策略和双向长短期记忆神经网络(BiLSTM)的新的短期碳排放预测模型。利用改进的自适应噪声完全集成经验模态分解(ICEEMDAN)方法和二次分解思想,将原始时间序列分解为多个本征模态函数(imfs);利用鲸鱼优化算法(WOA)优化的双向长短期记忆神经网络(BiLSTM)对所有函数序列进行预测,并将每个函数序列的预测值累加得到最终结果。实验结果显示,该文提出模型的R2达到0.999,MAPE和RMSE分别为1.3×10-3和97.4,优于其他对比模型,有效降低了预测误差。

基于二次分解的不同太阳辐射下光伏功率预测

考虑不同太阳辐射对光伏功率的影响,提出一种基于二次分解和改进粒子群算法的光伏功率预测模型。通过Spearman和Kendall对影响光伏功率的各气象因素进行相关性分析,发现总倾斜辐射、总水平辐射、漫射倾斜辐射、漫射水平辐射与光伏功率的相关系数较大。然后利用CLARANS将样本数据按太阳辐射强度分为强辐射、中辐射和弱辐射,针对3类数据采用自适应噪声完备集合经验模态分解(CEEMDAN)对关键气象因素和功率进行二次分解,充分挖掘时序信息并降低数据的不稳定性。提出一种改进粒子群算法(GWCPSO)用于优化卷积神经网络和双向长短期记忆网络的超参数,提高调参效率,最后构建预测模型进行光伏功率预测。分析3种太阳辐射类型下不同分解方法与网络模型的预测误差,结果表明,所的预测模型可有效提高不同太阳辐射下光伏功率的预测精度。

基于二次分解和乌鸦搜索算法优化组合模型的超短期风速预测

针对风速的波动性和随机性等特点,提出一种基于二次分解和乌鸦搜索算法优化组合模型的超短期风速预测方法。该方法的基本思路是构造基于变分模态分解、样本熵和奇异谱分析的二次分解的方法,将原始风速序列分解为不同的子序列,并对这些子序列分别建立预测模型,最后重构。对变分模态分解的子序列建立基于长短时记忆网络的深度学习模型预测,而残差序列进行二次分解后的子序列建立乌鸦搜索算法优化的组合预测模型预测。最后,对子序列进行重构并得到最终的预测结果。使用实际的风速观测资料开展模拟实验,结果表明:在3个风电场中,所提模型与其他模型相比平均相对误差分别提升了30.07%、37.56%和37.40%,验证了混合模型在超短期风速预测中的有效性和稳定性,以及在不同数据集上的泛化性能。

基于二次分解平抑风电波动的混合储能系统容量配置

针对风电并网功率波动问题,提出基于二次分解的混合储能系统容量优化配置方案。首先,根据风电并网功率波动限值,对风电功率进行经验模态分解,并重构为并网参考功率和混合储能系统参考功率,以实现风功率整体平抑;其次,考虑到经验模态分解算法出现的模态混叠、端点效应加剧等问题,提出基于北方苍鹰优化-变分模态分解算法的混合储能系统内部功率分配策略;最后,建立平抑风电出力波动的混合储能容量优化配置模型,并基于K-均值聚类得到的典型日数据对建立的模型进行求解。算例分析表明,所提策略的优化配置方案能够有效平抑风电功率波动,满足风电并网功率波动的要求,减少混合储能系统成本。

基于二次分解和BO-BiLSTM组合模型的采煤工作面瓦斯涌出量预测方法研究

为了提高采煤工作面瓦斯涌出量预测精度,提出了一种基于二次分解和BO-BiLSTM组合模型的采煤工作面瓦斯涌出量预测方法。首先运用变分模态分解(VMD)将瓦斯涌出量时序数据进行一次分解,充分利用其分解后的残余分量,并采用自适应噪声完备经验模态分解(CEEMDAN)进行二次分解;然后将分解后的所有子序列分别输入到贝叶斯算法优化双向长短期记忆网络(BO-BiLSTM)模型中进行瓦斯涌出量预测;最后将各子序列模型输出结果进行叠加得到最终瓦斯涌出量预测结果。以陕西彬长矿区某矿采煤工作面绝对瓦斯涌出量日监测数据为例进行建模和预测分析,结果表明:所提出的瓦斯涌出量组合预测模型具有较高的预测精度,验证了该模型在瓦斯涌出量预测方面的有效性和适用性。

二次分解策略的深度学习碳交易价格预测

随着中国碳排放权交易市场的逐渐完善,碳交易价格的准确预测将有助于构建更加稳定的市场环境,极大减少参与者的风险。针对当前碳交易价格预测难度大及现有的二次分解-集合策略不完善等问题,提出了一种基于变分模态分解(variational mode decomposition,VMD)和经验小波变化(empirical wavelet transform,EWT)的二次分解预测策略,其中分别采用中心频率(central frequency,CF)和Lempel-Ziv复杂度计算作为分解层数的确定依据,样本熵(sample entropy,SE)作为第二次分解输入序列的重构依据,使用长短期记忆网络(long short-term memory,LSTM)和时序卷积网络(temporal convolutional network,TCN)作为预测模型,并结合海洋捕食者算法(marine predator algorithm,MPA)对模型进行参数优化。实验结果表明,V-LSTM-E-LSTM模型和V-TCN-E-TCN模型不仅在湖北碳交易价格的短期和长期预测中获得了最好的效果,而且在其他4个区域碳排放权交易市场也获得了较高的精度。但对于成立时间较短的全国碳排放权交易市场,V-TCN-E-TCN模型在短期预测中表现更佳,长期预测中效果更好的是V-TCN-E-LSTM模型。

基于二次分解和改进沙猫群优化算法的空气质量预测

准确预测空气质量对人们的日常生活具有重要意义,提出了一种二次分解和改进沙猫群算法(improved sand cat swarm optimization,ISCSO)优化长短期记忆网络(long short-term memory,LSTM)相结合的预测模型。首先,利用完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)算法将PM 2.5数据分解为多个子序列,对预测效果不满意的重构序列使用变分模态分解(variational mode decomposition,VMD)方法进行二次分解;其次,引入Cubic混沌、螺旋搜索策略和麻雀警戒机制改进沙猫群算法,有效提高了算法的全局搜索性能和收敛速度;最后,采用改进的沙猫群算法对LSTM模型参数进行优化,将各个子序列导入ISCSO-LSTM模型预测并叠加得到最终预测结果。实验结果表明,CEEMDAN-VMD-ISCSO-LSTM组合模型具有较低的预测误差,相比CEEMDAN-VMD-LSTM和CEEMDAN-VMD-SCSO-LSTM模型,该模型在均方根误差方面分别降低了2.21和1.04μg/m^(3),在拟合度方面分别提高了4.9%和2.1%。

基于二次分解因果分析和深度学习的短期风电功率预测

为实现精准的风电功率预测,提出了一种基于二次分解因果分析和深度学习的风电功率预测模型。首先,通过完备集成经验模态分解算法对风电功率和风速序列进行一次分解,并采用经验小波变换算法对风电功率和风速序列的高频分量进行二次分解,以降低原始序列的复杂程度。其次,通过Granger因果关系检验方法对各风速分量与风电功率分量进行因果分析,以此实现风电功率各分量的输入变量选择。最后,利用耦合注意力机制的双向门控循环单元对风电功率分量进行预测,并集成得到最终的风电功率预测结果。通过风电厂实际运行数据进行试验,并与多个典型模型进行比较,结果表明所提模型具有较高的预测精度,其决定系数达到了0.98,能够实现较精准的风电功率预测。

基于二次分解和支持向量机的月径流预测方法

针对径流序列的非线性和非平稳性特征,提出了一种基于加权回归的季节趋势分解(STL)和变分模态分解(VMD)组合的二次分解,结合支持向量机(SVM)的月径流预测模型STL-VMD-SVM。该模型利用STL将原始径流序列分解为不同频率的季节项、趋势项和残差项,并通过VMD将残差项分解为IMF s。建立SVM模型预测季节项、趋势项和IMF s,所有IMF s的预测值之和为残差项的预测值,季节项、趋势项和残差项之积为原始径流序列的最终预测值。基于伊洛河流域黑石关站及黄河干流高村站的月径流时间序列进行了实例应用及普适性评价,并与BP神经网络模型和长短期记忆神经网络模型(LSTM)进行对比。结果表明:对于伊洛河黑石关站径流预测,所提模型验证期的NSE、MAPE、RMSE、R分别为0.977,13.705%,0.327,0.991,其预测精度均优于单一模型和一次分解模型,STL-VMD二次分解可以有效提高模型预测精度;在黄河干流高村站径流预测中验证期的NSE、MAPE、RMSE、R分别为0.979,8.509%,3.263,0.989,也达到了很好的预测效果。

基于二次分解和误差修正的中国碳交易价格预测

碳交易价格受到宏观经济、能源政策等多种因素的影响,表现出强波动性、非线性等特征,给碳交易价格的准确预测带来巨大困难。针对这一问题,基于二次分解和误差修正策略构建一种碳交易价格预测模型:首先,使用浣熊优化算法优化的变分模态分解方法分解碳价序列,降低原始序列的复杂度;其次,使用经验小波变换对变分模态分解产生的残差序列进行二次分解,充分提取残差序列中的有效信息;然后,使用浣熊优化算法优化的极限学习机对各分量进行预测,获得初始预测结果和误差序列;最后,使用基本和浣熊优化算法优化的极限学习机对误差序列进行分解和预测,并利用误差预测结果对初始预测结果进行修正,得到最终预测结果。选取深圳、湖北和福建3个碳交易市场的碳价数据进行实证验证,结果表明,所提出的模型相比于其他对照模型具有更优异的预测精度和稳定性,有效提高碳价预测的准确性。

基于自适应二次分解与CNN-BiLSTM的超短期风电功率预测

为提高风电功率预测精度,提出基于自适应二次模态分解(QMD)、卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)的超短期风电功率预测模型。针对风电功率的波动性,利用改进的完全自适应噪声集成经验模态分解方法(ICEEMDAN)对风电功率数据进行分解。引入麻雀搜索算法(SSA)对变分模态分解(VMD)的分解数量与惩罚因子进行优化,使VMD具有自适应性。将ICEEMDAN分解得到的高频分量I_(1)用SSA-VMD进行第二次分解,降低序列不平稳度。同时,构建包含2层池化层的CNN网络进行特征提取与BiLSTM网络的超短期预测模型,最终的风电功率即为各子序列预测结果之和。通过算例分析进行实验表明,所提风电功率预测方法的预测精度优于其他模型,验证了预测模型的优越性。

二次分解策略组合Informer的短期电力负荷预测方法

针对电力负荷数据存在的波动性、非平稳性而导致预测精度低的问题,提出一种具有二次分解重构策略的深度学习电力负荷预测模型。首先,对负荷数据进行基于局部加权回归的周期趋势分解(STL)-改进的自适应噪声完备集合经验模态分解(ICEEMDAN)二次分解,通过计算样本熵和最大信息数对分量进行重构;然后在Informer模型中引入非平稳性机制,并融合卷积神经网络对重构分量进行预测;最后,将各分量的预测结果线性相加,得到最终预测结果。实验结果表明,所提方法在3个评价指标上的预测误差均低于所对比模型,证明该预测方法可以有效降低数据的非平稳性并提高预测精度。

基于二次分解和自适应鲸鱼优化算法的碳价格混合预测研究

为提高碳交易价格预测精度,提出了一种混合预测模型。将二次分解的方法引入碳价格预测中。该模型结合了改进的完全自适应噪声集合经验模态分解、变分模式分解、自适应权重鲸鱼优化算法和极限学习机算法。为验证模型的有效性,以某碳市场的数据为算例,结合多个对比模型进行了实证分析。分析结果表明,所提出混合预测模型的预测结果最优;同时发现二次分解的方法简化了碳价数据,可显著提高预测精度。

基于CEEMDAN二次分解的风速预测

随着分散式风机装机量日益增加,对分散式风机风速预测便于合理规划其并网及就地消纳容量。于是提出基于CEEMDAN二次分解的蝴蝶优化算法改进最小二乘支持向量机的风速预测模型。利用自适应白噪声的完备总体经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)对风速历史数据进行处理,获取模态分量(intrinsic mode function,IMF),计算各IMF的排列熵;采用CEEMDAN对随机程度高的IMF进行第二次分解,改善数据的随机程度;最后,采用蝴蝶优化算法改进最小二乘支持向量机的模型对重构的IMF进行预测,将各IMF的预测风速相加,求出预测值。通过分析风速预测数据与风速实测数据的误差,验证基于CEEMDAN二次分解的蝴蝶优化算法改进最小二乘支持向量机的风速预测模型的有效性。

基于二次分解NGO-VMD残差项与长短时记忆神经网络的超短期风功率预测

鉴于目前使用变分模态分解(variational modal decomposition, VMD)搭建的单次或二次分解风功率组合预测模型中,大多均直接忽略了风功率经VMD分解后残差项所包含的丰富信息,使得超短期风功率预测精度受限。提出了一种基于二次分解NGO-VMD残差项、K均值聚类算法与长短时记忆神经网络(long short-term memory, LSTM)的组合预测模型。首先,使用北方苍鹰优化算法(northern goshawk optimization, NGO)对VMD的参数进行寻优,以选出最佳VMD参数组合;其次,采用NGO-VMD模型对VMD残差项进行二次分解,深度挖掘VMD残差项所包含的丰富信息;再次,利用K均值聚类算法解决VMD分解模态分量个数多,计算量繁冗的问题;最后,创建LSTM模型对各子模态分量分别进行预测并叠加各子模态分量的预测值得到超短期风功率预测结果。结果表明:该二次分解NGO-VMD残差项、K均值聚类算法和LSTM组合预测模型可充分挖掘VMD残差项的重要信息,有效提高了超短期风功率预测的精度。

基于二次分解和GRU-attention的时间序列预测研究

针对时间序列规律难以捕捉且具有高度非平稳性特征导致的预测精度较低问题,提出了一种基于二次分解和注意力机制优化门控循环单元(GRU-attention)的时间序列预测模型。首先利用完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)将时间序列分解为若干个特征互异的模态分量,并依据样本熵量化各分量复杂度。其次采用变分模态分解(variational modal decomposition,VMD)弱化高熵值分量的非平稳性特征。接着使用注意力机制优化GRU预测模型。最后对各分量建立GRU-attention模型进行预测,将各分量预测结果叠加获得最终结果。通过实验分析证明,所提出的模型与其他模型相比能够较好的捕捉序列的复杂规律、降低序列的非平稳性并且具有较高的预测性能,其平均绝对百分比误差达到了2.9%,决定系数达到了0.891。

基于二次分解特征矩阵和PCNN-BiLSTM的短期电价预测

为了提高短期电价预测的精度,提出了1种基于二次分解特征矩阵、并行卷积神经网络(Parallel convolutional neural network,PCNN)、双向长短期记忆神经网络(Bi-directional long short term memory,BiLSTM)的预测方法。采用完全集合经验模态分解将归一化后的原始电价/负荷数据分解为一系列分量,用变分模态分解将第1次分解产生的最高频分量进一步分解成一系列模态分量;用第1次和第2次分解产生的所有分量构造2通道输入特征矩阵;利用PCNN提取各种特征,再将特征融合后输入到BiLSTM预测结构中,最终得出翌日预测值。预测结果表明,所提出的预测方法有效提高了短期电价的预测精度。

基于OVMD-TVFEMD二次分解和HPO-ELM的水电机组振动趋势预测

针对已有水电机组振动趋势预测模型的局限性,提出了一种基于最优变分模态分解(OVMD)、时变滤波器经验模态分解(TVFEMD)、猎人猎物优化算法(HPO)和极限学习机(ELM)的水电机组振动趋势预测方法。该方法先通过OVMD对原始水电机组振动信号进行自适应分解,进一步采用TVFEND对分解后的残差进行二次分解。然后建立各子序列的HPO-ELM振动趋势预测模型;叠加重构所有子序列预测结果获得最终的预测振动信号。研究结果表明,该方法预测效果明显优于传统方法,有效提高了水电机组振动趋势预测精度,具有较好的工程应用价值。

二次分解组合CNN-LSTM的短期负荷预测

短期电力负荷随机性强、波动性大。为提高负荷预测精度,文章提出一种基于二次分解的卷积神经网络(CNN)与长短期记忆(LSTM)神经网络组合的预测模型。其首先采用自适应噪声完备集合经验模态分解(CEEMDAN)方法将原始负荷序列分解为若干固有模态分量和残差;然后,引入样本熵与K均值(SEK-means,SK),将分解得到的子序列重构为3个序列,并运用变分模态分解方法将重构分量中的强非平稳序列进行二次分解,建立CNN-LSTM模型,对分解得到的各个子序列分别进行预测;最后,将预测的结果叠加,以实现对负荷的有效预测。运用实际负荷数据从确定系数、平均绝对误差、均方根误差和平均绝对百分比误差这4种评价指标角度进行验证,结果表明,该模型与XGBoost、LSTM、CEEMDAN-LSTM和CEEMDANCNN-LSTM模型相比较,具有更高的拟合度和预测精度。