空调负荷的精准预测对建筑空调系统优化控制具有重要意义。为提高空调负荷预测精度,提出了一种基于奇异谱分析(SSA,Singular Spectrum Analysis)的卷积神经网络(CNN,Convolutional Neural Network)和双向长短时记忆网络(BiLSTM,Bidirect...空调负荷的精准预测对建筑空调系统优化控制具有重要意义。为提高空调负荷预测精度,提出了一种基于奇异谱分析(SSA,Singular Spectrum Analysis)的卷积神经网络(CNN,Convolutional Neural Network)和双向长短时记忆网络(BiLSTM,Bidirectional Long Short Term Memory)短期空调负荷预测模型。使用皮尔森相关系数选取与空调负荷高相关性特征。针对空调负荷的波动性和随机性,采用SSA将空调负荷分解为多个分量,同时将各个分量带入CNN-BiLSTM模型进行预测,该模型利用了CNN的特征提取和BiLSTM的双向学习能力,并将各个分量预测结果进行重构。通过不同建筑类型的空调数据对该模型进行验证分析,发现所提出模型在预测办公建筑空调负荷中RMSE、MAPE和MAE为19.47RT、14.72RT和2.33%,在预测商业建筑空调负荷中RMSE、MAPE和MAE为82.5RT、34.21RT和0.87%。结果表明,所提出的模型具有普适性且精度较高,可进行推广应用。展开更多
针对风电功率序列具有波动性和较高复杂度的特点,提出了一种基于麻雀算法(sparrow search algorithm,SSA)优化的双向长短期记忆神经网络(bidirectional long and short-term memory neural network,BiLSTM)和奇异谱分析的短期风电功率...针对风电功率序列具有波动性和较高复杂度的特点,提出了一种基于麻雀算法(sparrow search algorithm,SSA)优化的双向长短期记忆神经网络(bidirectional long and short-term memory neural network,BiLSTM)和奇异谱分析的短期风电功率预测模型。首先,采用奇异值分析对历史功率数据进行特征提取,去噪处理减少噪声信息干扰;其次,利用麻雀算法对BiLSTM模型超参数寻优,以BiLSTM为基础构建风电功率预测模型,提高了模型训练效率;最后,采用某风电场的运行数据验证模型精度并对比其他模型验证模型合理性。实验结果表明:改进后的模型相对于基准模型,绝对误差降低了14.2%,均方根误差降低了4.24%,本文所提改进BiLSTM模型具有较好的预测性能,能有效提高短期风电功率预测的精度。展开更多
文摘空调负荷的精准预测对建筑空调系统优化控制具有重要意义。为提高空调负荷预测精度,提出了一种基于奇异谱分析(SSA,Singular Spectrum Analysis)的卷积神经网络(CNN,Convolutional Neural Network)和双向长短时记忆网络(BiLSTM,Bidirectional Long Short Term Memory)短期空调负荷预测模型。使用皮尔森相关系数选取与空调负荷高相关性特征。针对空调负荷的波动性和随机性,采用SSA将空调负荷分解为多个分量,同时将各个分量带入CNN-BiLSTM模型进行预测,该模型利用了CNN的特征提取和BiLSTM的双向学习能力,并将各个分量预测结果进行重构。通过不同建筑类型的空调数据对该模型进行验证分析,发现所提出模型在预测办公建筑空调负荷中RMSE、MAPE和MAE为19.47RT、14.72RT和2.33%,在预测商业建筑空调负荷中RMSE、MAPE和MAE为82.5RT、34.21RT和0.87%。结果表明,所提出的模型具有普适性且精度较高,可进行推广应用。
文摘针对风电功率序列具有波动性和较高复杂度的特点,提出了一种基于麻雀算法(sparrow search algorithm,SSA)优化的双向长短期记忆神经网络(bidirectional long and short-term memory neural network,BiLSTM)和奇异谱分析的短期风电功率预测模型。首先,采用奇异值分析对历史功率数据进行特征提取,去噪处理减少噪声信息干扰;其次,利用麻雀算法对BiLSTM模型超参数寻优,以BiLSTM为基础构建风电功率预测模型,提高了模型训练效率;最后,采用某风电场的运行数据验证模型精度并对比其他模型验证模型合理性。实验结果表明:改进后的模型相对于基准模型,绝对误差降低了14.2%,均方根误差降低了4.24%,本文所提改进BiLSTM模型具有较好的预测性能,能有效提高短期风电功率预测的精度。
