针对光伏出力和电动汽车充电特性的随机特性对电力系统的冲击不断增强,准确及时的源荷预测是实现增强电力系统适应性和稳定性的重要课题。因此,提出一种基于共享权重长短期记忆网络(shared weight long short-term networks,SWLSTM)与St...针对光伏出力和电动汽车充电特性的随机特性对电力系统的冲击不断增强,准确及时的源荷预测是实现增强电力系统适应性和稳定性的重要课题。因此,提出一种基于共享权重长短期记忆网络(shared weight long short-term networks,SWLSTM)与Stacking集成模型相结合的源荷区间预测方法。首先,光伏出力存在时序性特征,采用局部线性嵌入改进k-means算法聚类提取特征日,在实现数据降维同时,减少了网络训练难度;其次,在Stacking集成模型的框架下,将SWLSTM作为元学习器,并通过Q统计量筛选合适的基学习器模型,从而实现多模型融合的多异学习器Stacking集成学习的源荷预测;紧接着,为了得到预测的不确定信息,引入置信度区间预测;最后,采用实测数据对本文所提方法进行验证。结果表明改进k-means算法能够降低其求解难度,加快求解速度,可以快速获取聚类特征;所引入集成学习模型和置信度区间,有效表征源荷预测的不确定性,提升区间预测模型的泛化能力。展开更多
航空发动机剩余寿命(remaining useful life,RUL)预测是设备故障预测与健康管理(prognostics and health management,PHM)的核心问题。针对发动机数据维度高、滞后性强和复杂度高等挑战,提出了一种基于自训练权重的多尺度注意力双向长...航空发动机剩余寿命(remaining useful life,RUL)预测是设备故障预测与健康管理(prognostics and health management,PHM)的核心问题。针对发动机数据维度高、滞后性强和复杂度高等挑战,提出了一种基于自训练权重的多尺度注意力双向长短期记忆神经网络模型。通过不同尺度的双向长短期记忆神经网络(bidirectional long short-term memory neural network,BiLSTM)提取多尺度特征;提出一种基于自训练权重的融合算法,通过引入注意力机制进行不同尺度的特征筛选,以提高预测精度。将各模型在NASA的C-MAPSS数据集上进行实验对比,结果证明,所提出预测模型在准确率和均方根误差指标上均有所提升。展开更多
文摘针对共享电动汽车通过需求响应参与电力系统备用服务的可调度容量预测问题,基于历史轨迹数据提出一种基于模型无关的元学习(model-agnostic meta-learning,MAML)、卷积神经网络(convolutional neural network,CNN)、长短期记忆网络(long short term memory network,LSTM)和注意力机制(attention mechanism)的可调度容量评估模型,采用LSTM对CNN从历史数据中提取有效的特征向量动态变化进行建模学习,并用MAML对CNN-LSTM网络的初始化参数进行训练,在解决传统神经网络难以有效提取历史序列中潜在高维特征且当时序过长时重要信息易丢失的问题的同时,通过多任务训练对元预测网络进行微调以快速适应新预测任务,从而提高模型的预测精度及泛化能力;加入注意力机制突出对预测结果起关键性作用的时序信息,进一步提高预测精度。仿真结果表明所提模型可以有效预测不同日期类型和不同功能区域共享电动汽车的可调度容量,也为后续共享电动汽车通过需求响应参与电网备用服务的风险评估研究提供参考。
文摘针对光伏出力和电动汽车充电特性的随机特性对电力系统的冲击不断增强,准确及时的源荷预测是实现增强电力系统适应性和稳定性的重要课题。因此,提出一种基于共享权重长短期记忆网络(shared weight long short-term networks,SWLSTM)与Stacking集成模型相结合的源荷区间预测方法。首先,光伏出力存在时序性特征,采用局部线性嵌入改进k-means算法聚类提取特征日,在实现数据降维同时,减少了网络训练难度;其次,在Stacking集成模型的框架下,将SWLSTM作为元学习器,并通过Q统计量筛选合适的基学习器模型,从而实现多模型融合的多异学习器Stacking集成学习的源荷预测;紧接着,为了得到预测的不确定信息,引入置信度区间预测;最后,采用实测数据对本文所提方法进行验证。结果表明改进k-means算法能够降低其求解难度,加快求解速度,可以快速获取聚类特征;所引入集成学习模型和置信度区间,有效表征源荷预测的不确定性,提升区间预测模型的泛化能力。
文摘航空发动机剩余寿命(remaining useful life,RUL)预测是设备故障预测与健康管理(prognostics and health management,PHM)的核心问题。针对发动机数据维度高、滞后性强和复杂度高等挑战,提出了一种基于自训练权重的多尺度注意力双向长短期记忆神经网络模型。通过不同尺度的双向长短期记忆神经网络(bidirectional long short-term memory neural network,BiLSTM)提取多尺度特征;提出一种基于自训练权重的融合算法,通过引入注意力机制进行不同尺度的特征筛选,以提高预测精度。将各模型在NASA的C-MAPSS数据集上进行实验对比,结果证明,所提出预测模型在准确率和均方根误差指标上均有所提升。