基于贝叶斯图注意力Transformer的航空发动机剩余使用寿命概率预测

航空发动机作为飞机的心脏,其健康状态对飞机的安全飞行至关重要.深度学习强大的数据挖掘能力,为通过海量历史数据预测航空发动机的剩余使用寿命提供了新方法.然而,传统基于深度学习的方法大都关注于挖掘数据在时间上的关联,而忽略了多个传感器监测数据之间复杂的非欧氏空间关系.此外,少有研究考虑数据或者预测过程本身具有的不确定性,缺乏对预测结果可靠性的评估.为解决上述问题,本文提出了一种基于贝叶斯网络和图注意力Transformer的航空发动机剩余使用寿命概率预测方法.将图注意力机制融入Transformer的时间多头注意力模块,结合图注意力网络在空间特征提取上的优势和Transformer模型在时间特征提取的优势,实现数据特征时空关系的联合提取.同时,利用改进的贝叶斯网络度量预测不确定性,在得到剩余使用寿命预测点值的同时给出相应的置信区间.最后,通过在公开航空发动机数据集上的实验,证明了所提模型的有效性和先进性.

基于iDGA-LSTM的分布式光伏出力时空协同概率预测方法

由于光伏出力具有较大的不确定性,高比例分布式光伏的接入将给新型电力系统的安全稳定运行带来巨大挑战,准确且可靠的分布式光伏出力预测对提升新型电力系统运行安全性具有重要意义。在此背景下,考虑分布式光伏出力的时空耦合特性和不确定性,提出一种基于改进分位数回归与动态图注意力-长短期记忆网络(iDGA-LSTM)的分布式光伏出力时空协同概率预测方法。首先,考虑广域范围内分布式光伏出力的空间相关性,构建了基于图注意力网络的分布式光伏空间相关特征提取与聚合模型;接着,针对提取得到的分布式光伏空间相关性特征,构建了基于动态图注意力-长短期记忆网络的分布式光伏时空耦合特征提取模型;然后,综合考虑分布式光伏出力的时空耦合特性,结合数值气象预报特征,构建了基于改进分位数回归的分布式光伏出力概率预测模型。最后,以某实际分布式光伏数据为例对所提预测方法进行验证,算例分析结果表明,所提方法有效提高了分布式光伏出力预测的可靠性与精准性,能够为不同风险水平下的电力系统运行提供参考。

考虑训练样本分布不均衡的超短期风电功率概率预测

提出一种考虑训练样本分布不均衡的超短期风电概率预测方法。首先构建深度信念混合密度网络,通过深度信念网络独特的预训练和微调机制提取输入变量的隐特征,利用Beta混合概率分布的有界性准确表征风电预测功率的概率分布,实现隐特征与预测功率概率分布参数之间的非线性映射;然后引入训练样本分布平滑策略,其中特征分布平滑技术用于校准输入特征,标签分布平滑技术用于对各样本误差赋予差异化权重,从输入和输出两方面改善训练样本分布不均衡现象对预测结果的不利影响。实际算例结果表明,与常见风电功率概率预测模型相比,所提模型在点预测和概率预测方面均能获得较高的预测精度,尤其能有效提高低密度样本区域的预测精度。

基于多窗宽核密度估计的风电功率超短期自适应概率预测

精准的风电功率预测是保证新型电力系统安稳运行、促进风电消纳的重要手段。针对核密度估计所求分位数在不同置信度下鲁棒性差的问题,提出多窗宽核密度估计方法,根据不同置信度生成不同窗宽的核密度估计值,实现了风电功率的超短期自适应概率预测。首先,结合风电功率曲线和数据驱动模型,建立基于改进双向长短期记忆网络的风电功率超短期确定性预测模型。其次,推导了最优窗宽核密度估计方法,并基于此构建多窗宽核密度估计误差拟合模型,在不同置信度下自适应生成最优窗宽并构建预测区间。最后,基于实际运行数据验证模型的可行性与有效性。结果表明,所提模型可有效提高确定性预测的精度和概率预测的鲁棒性。

基于改进INFO-CNN-QRGRU模型的农村分布式光伏发电短期概率预测

随着“双碳”目标的推进,清洁能源所占比重大幅度增加,分布式光伏发电在我国农村地区快速发展,但其随机性、间歇性的特点给新能源消纳和电网稳定带来很大的挑战。光伏发电预测可以在一定程度上改善新能源消纳问题,减少光伏发电的不稳定性对电网的冲击。因此,为提高光伏发电功率预测精度,提出一种基于改进向量加权平均算法优化CNN-QRGRU网络的光伏发电概率预测方法。首先采用ReliefF算法对特征变量进行选择,在此基础上利用高斯混合模型(Gaussian mixture model,GMM)聚类方法将天气分为晴天、晴转多云和阴雨天3种类型,将处理好的数据输入到CNN-GRU模型中,并利用向量加权平均(weighted mean of vectors algorithm,INFO)优化算法对模型超参数进行调参,将分位数回归模型(quantile regression,QR)与INFO-CNN-GRU模型相结合得到光伏功率条件分布,结合核密度估计法从条件分布中获得概率密度函数,完成概率预测。以实际光伏电站数据作为基础,将提出的INFO优化算法与其他几种传统的优化算法进行对比,结果表明INFO的优化效果更好,在此基础上进行概率预测,得到的概率预测结果相较于点预测能提供更多有效信息,更具有应用价值。

基于AL-BILSTMDN的输电线动态热极限概率预测

针对输电线动态热极限概率预测精度不足的问题,提出一种基于交替学习-双向长短时混合密度网络模型的动态热极限概率预测方法。该模型基于双向长短时混合密度网络抓取训练数据时序信息并实现动态热极限概率预测。同时,使用交替学习方法对时序数据集中的复杂模式数据进行强化学习,即区分出训练集中具有较为复杂模式的部分,让复杂模式训练集和全部训练集在模型中交替迭代直至最优,从而解决不平衡数据集混叠造成的局部最优问题。通过辽宁省某地区实例分析显示,所提模型可提升预测精度、降低过载概率。

基于多特征参数的GA-WOA-BP火灾概率预测模型研究

为进一步提升火灾概率预测的准确率,针对BP神经网络在拟合过程中探测精度低、泛化能力差的问题,提出一种基于多特征参数的GA-WOA-BP火灾概率预测模型。首先通过试验采集了榉木、棉绳阴燃、明燃时的火灾特征参量,计算后得到了相应的火灾类型发生概率;其次通过遗传算法优化BP神经网络的隐藏层结构,鲸鱼优化算法优化BP神经网络的初始权重,构建了GA-WOA-BP模型,提高融合算法的拟合能力。最后,以多特征火灾参数作为模型输入,以不同类型火灾发生概率作为输出完成火灾概率的预测。结果表明,相比单纯BP神经网络,基于多特征参数的GA-WOA-BP火灾概率预测模型具有更好的预测性能,其评价指标RMSE、MAE、R2分别为0.020 22、0.014 33和0.992 31,能为火灾概率预测提供数据参考。

基于条件变分自编码器和贝叶斯神经网络的短期电力负荷概率预测

考虑到输入信息和预测模型的不确定性对负荷预测结果的影响,本文提出一种基于条件变分自编码器和贝叶斯神经网络的短期电力负荷概率预测方法.通过条件变分自编码器生成指定天气因素预测值和日历特征条件下实际天气因素可能的多个随机样本,以模拟天气预测信息的不确定性;构建GRU-S2S贝叶斯神经网络学习模型参数的分布特征,以反映预测模型的不确定性,并结合MC dropout技术获得多个可能的负荷预测值;遍历天气因素全部模拟样本,将预测模型输出的负荷预测值构成集合,并通过核密度估计获得预测时段内各时刻预测负荷服从的概率分布.实际算例结果表明,该方法在短期负荷概率预测中具有更高的分位数预测精度和更可靠稳定的区间预测结果.

基于改进BNN-LSTM的风电功率概率预测

针对确定性的风电功率预测难以提供预测结果的波动区间和支撑风险决策的问题,以贝叶斯网络为基础,通过将先验分布置于LSTM网络层权重参数之上,构建了贝叶斯LSTM神经网络(BNN-LSTM)。以时间卷积神经网络(TCNN)处理风电功率预测的历史时序数据,提取时序数据的关联特征。使用互信息熵方法分析了风电功率的气象数据集,剔除关联性小的变量,对气象数据集进行降维处理。并采用嵌入(embedding)结构学习风电功率时间分类特征。随后将TCNN处理后的时序数据、降维后的气象数据以及时间分类特征数据一起送入BNN-LSTM预测模型,通过在某风电数据集不同算法的概率预测指标pinball损失和Winkler评分的对比验证,可知,本文所提方法能从可对风电功率波动做出较为准确的响应,预测效果更好。

基于在线高斯过程回归的短期风电功率概率预测

预测未来几个小时的风电出力对于电力系统的安全经济运行以及风电参与电力市场至关重要。由于风电功率序列具有强随机性与非平稳性,需要对其不确定性进行刻画建模。同时,考虑到机组设备老化、叶片污染及风电场环境变化等因素会影响风电机组的出力特性,从而使得风电功率预测模型参数存在时变,增大了风电功率预测难度。文中提出了一种基于在线高斯过程的短期风电概率预测方法:首先,利用高斯过程回归模型对风电功率预测问题进行建模;然后,结合结构化内核插值与Woodbury恒等式,降低高斯过程计算复杂度,实现高斯过程的快速求解;最后,采用分块缓存与更新的方法实现高斯过程模型参数与超参数实时在线更新。经2014年全球能源预测大赛发布的风力发电数据验证,结果表明所提算法具有较好的预测性能,同时具有自适应性,可以有效应对模型参数时变问题。

基于组合深度学习的光伏功率日前概率预测模型

为准确量化复杂场景下光伏预测功率的不确定性,提出了一种基于时序卷积网络-注意力机制-长短期记忆网络组合的光伏功率短期概率预测方法。首先,基于多种相关性分析方法选出与光伏功率强相关的气象因素;然后,基于时序卷积网络的特征提取能力和长短期记忆网络的时序特征建模能力,并结合注意力机制和分位数回归,建立组合深度学习预测模型;最后,采用核密度估计方法生成连续概率密度函数。以实际集中式和分布式光伏电站为案例进行分析,结果表明:与长短期记忆网络、时序卷积网络、时序卷积网络-注意力机制和时序卷积网络-长短期记忆网络相比,所提方法在确保最优预测区间的同时,可以提升概率密度预测的性能。

分布式光伏集群发电功率波动模式识别与超短期概率预测

分布式光伏功率不确定性的量化评估对于配电网安全稳定运行具有重要意义.考虑到不同出力波动模式下功率特性差异显著,为得出适应功率波动模式的预测模型并对功率不确定性进行精细化评估,提出一种分布式光伏集群发电功率波动模式识别与超短期概率预测方法.首先,综合卫星云图和光伏功率数据,通过出力波动的特征提取构建波动模式识别模型,实现对波动规律的挖掘.在此基础上,通过分类建模考虑不同波动模式的可预测性差异及波动模式与预测误差的关联关系,使预测区间宽度能更好地适应预测误差分布特征.由此实现对不同波动模式下功率不确定性的精细化考虑,从而提高概率预测精度,为电网调度提供更多参考,削弱分布式光伏功率强波动性对电力系统的影响.

基于深度自回归神经网络的多井产量概率预测

传统产量预测方法易受到单井生产历史和模型假设条件的限制,预测结果无法量化不确定性,难以考虑区块其他生产井开发规律对目标井的指导作用,无法充分利用大量相关的生产历史数据。为此,提出一种以深度自回归神经网络为基础,多井产量数据驱动的概率预测新模型。考虑生产时间、油/套压等动态协变量数据,结合贝叶斯推断,利用梯度下降算法和极大似然估计方法,得到多井共有的广义历史—未来产量概率演化模式,实现基于数据驱动的多井产量概率预测。利用鄂尔多斯盆地某两个区块943口致密气井的数据,研究了深度自回归神经网络模型在单井预测、分类预测和总体区块产量预测上的性能。研究结果表明:相比传统深度学习模型(LSTM),新模型利用学习得到的广义产量概率演化模式与目标井的特定产量历史数据相结合,形成“广义+特定”的产量概率预测方法,平均意义上较LSTM模型相对误差降低了45%。分类模型较全局模型相对误差降低了24%,实现了在全局模型的基础上,进一步降低了概率预测的不确定性,提高了特定精细分类井的预测精度。经过实际数据验证,新模型预测精度更好,鲁棒性更强,可以用于油气藏多井产量预测分析。

基于条件增强扩散模型的短期负荷概率预测

负荷概率预测可为电网规划提供指导,条件生成模型通过挖掘历史相似日信息,有效提高了预测性能。然而,以往研究未关注曲线形态信息和无条件模型的噪声解析作用,使得生成曲线的不确定性较高。为此,提出基于条件增强扩散模型的短期负荷概率预测方法。首先,构建改进的iTransformer日负荷预测模型,对相邻日负荷数据进行预测。其次,采用无条件噪声估计和条件噪声估计相结合的损失函数,构建结合多头自注意力机制和U型网络的扩散模型。然后,将日负荷预测结果和温度等特征作为条件输入,通过条件增强引导的反向扩散过程,将多组随机噪声进行去噪,生成多条负荷曲线进行概率密度分析。最后,基于中国某地区公开数据集展开算例分析,与多种模型进行对比,结果表明所提方法具有更高的预测精度。

吉林省延边地区森林火灾发生概率预测模型

对于森林火灾这种严重危害森林生态系统的自然灾害而言,预防大于扑救。为实现对吉林省延边地区的森林火灾进行预测,根据历史火灾资料、气象数据、地形地貌数据、植被数据和人为与社会经济数据建立了延边地区森林火灾发生概率预测模型。研究结果表明:建立的4个林火发生概率预测模型均具有较高的拟合度(模型精度值>0.9)和准确率(>80%);经最优模型筛选,随机森林模型(RF)的综合得分最高,最适用于延边地区的林火发生概率预测模型;最优模型中,最小相对湿度和人口密度的变量重要性最大;延边地区南部的林火发生概率明显高于北部,IV级和V级林火发生风险区也多分布于南部。

基于分层关联性建模的分布式光伏功率超短期概率预测

准确的区域分布式光伏功率概率预测可为有源配电网优化运行提供更全面的信息支撑。当缺乏气象测量或预报数据时,对分布式光伏时空相关信息的挖掘利用可以有效提升功率预测精度,然而,现有研究或难以针对性挖掘时空关联信息,或在建模过程中丢失大量有效信息。为此,提出了一种基于分层关联建模的区域分布式光伏功率超短期概率预测方法。首先,采用基于深度一致性的聚类方法对分布式光伏集群进行子区域划分,支撑对子区域内部时空关联的针对性建模;在此基础上,构建分层图结构以同步建模子域内与子域间时空关联关系,有效利用不同层级间关联信息;然后,提出了基于分层图卷积神经网络的概率预测模型,挖掘光伏电站之间的深度时空关联特征,提升区域分布式光伏超短期功率概率预测精度。最后,利用实际分布式光伏功率数据集验证了该方法的有效性。

一种模糊时间序列概率预测方法

在时序预测任务中,历史观测值的不确定性给预测带来了困难。而模糊时间序列预测方法在处理数据不确定性方面具有独特的优势。概率预测则能够提供预测目标的分布情况,从而量化预测结果的不确定性。因此,为了减少不确定性对预测任务的影响,提出了一种基于概率加权策略的模糊时间序列概率预测方法。该方法利用预测目标的历史观测值建立概率加权的模糊时间序列预测模型,通过引入额外的观测值对预测模型的模糊规则库进行细化。在细化过程中,使用2种计算成本较低的算子重构模糊逻辑关系。具体地,交算子用于剔除干扰的信息,并算子则融合所有信息,从而得到2个不同的模糊逻辑关系组集合。当前时刻观测值在2个集合中对应的模糊逻辑关系组即为对下一时刻模糊集的预测,最后经过解模糊输出下一时刻的概率分布。在公开时间序列数据集上验证了该方法的准确性和有效性,与近期提出的PWFTS预测方法相比,预测精度有显著提高。

概率预测强化学习下非结构环境机械臂变阻抗力跟踪控制

针对非结构环境下末端实时移动机械臂阻抗控制力跟踪问题,通过动态调节阻尼系数以应对接触环境的不确定性。为确保阻抗策略的高效搜索,利用机械臂与接触环境交互产生状态-动作序列构建概率预测模型(PPM)。学习过程中,机械臂仅需与非结构接触环境进行少量交互即可获得最优变阻抗策略,这使得该过程在真实机械臂上直接训练成为可能。仿真实验表明,在几种非结构环境下,所提出的方法使力跟踪动态和稳态性能均明显优于传统阻抗控制和自适应变阻抗控制。

一种二模态天气分型方法及其在光伏功率概率预测的应用

天气分型是光伏功率预测中不可或缺的预处理步骤,为精细刻画光伏出力的不确定性,提出一种新的基于光伏功率聚类的二模态天气分类方法。该方法结合气象信息和功率信息进行天气分型,为天气分型在光伏功率预测的应用提供了一条有效的新路径。此外,该方法使用数据融合技术,依据融合数值天气预报(numeric weather prediction,NWP)气象和实际气象二者间的相关信息进行天气分型,以减少模型对NWP准确度的依赖并提高模型的鲁棒性。以吉林某光伏电站数据为例,验证了该天气分型方法的合理性,同时,将天气分型方法与功率概率预测相结合,其测算结果表明,使用所提方法进行天气分型概率预测的区间覆盖率更接近预设的置信水平,且平均带宽更窄。

结合贝叶斯Autoformer的多维自适应短期电力负荷概率预测方法

建立准确的电力负荷短期预测模型对于电力系统的稳定运行和智能化进程至关重要。目前的主流预测方法无法很好地突破数据波动性和模型不确定性两个问题。基于此,该文提出一种基于贝叶斯Autoformer的多维自适应短期电力负荷概率预测方法。具体地,提出自适应特征提取方法获取多维度特征,通过捕捉多尺度特征和时频局部信息,增强模型对负荷数据中高波动性和非线性特征的处理能力。其次,提出基于贝叶斯Autoformer的预测模型,它可以捕获负荷数据中重要子序列特征以及不确定性,并通过贝叶斯优化方法实现概率预测分布和参数分布的动态更新。所提模型在3个量级(GW,MW,KW)的实际负荷数据集上进行一系列实验分析(对比分析、自适应分析、鲁棒性分析)。结果表明,所提预测模型在自适应和准确性方面具有优越的性能,均方根误差(RMSE)、弹球损失(Pinball Loss)、连续概率评分(CRPS),相较对比方法分别提升1.9%,24.2%,4.5%。