基于VMD-FE-CNN-BiLSTM的短期光伏发电功率预测

为提高光伏功率的预测精度,提出一种变分模态分解(VMD)、模糊熵(FE)、卷积神经网络(CNN)和双向长短期记忆神经网络(BiLSTM)的光伏功率组合预测模型。该方法首先采用VMD将原始光伏序列数据分解成多个子序列,从而减少随机波动分量和噪声干扰对预测模型的影响,通过FE对每个子序列进行重组,使用一维CNN的局部连接及权值共享提取不同分量的特征,将CNN输出的特征融合并输入到BiLSTM模型中;利用BiLSTM模型建立历史数据之间的时间特征关系,得到光伏发电功率预测结果。与BiLSTM、CNN-BiLSTM、EEMD-CNN-BiLSTM、VMD-CNN-BiLSTM这4种模型进行比较,该文提出的VMD-FE-CNN-BiLSTM模型在光伏发电功率预测中具有较高的精确度和稳定性,满足光伏发电短期预测的要求。

融合变分模态分解的时空卷积短时车速预测

精准的短时车速预测能够帮助城市缓解交通拥堵问题。针对卷积神经网络(CNN)不能处理非欧式几何数据的缺陷,考虑到图卷积神经网络(GCN)整合全局特征的优点,结合双向长短期记忆网络(BiLSTM)提取时间特征的能力,将GCN和BiLSTM相结合,充分挖掘路网信息的时空特性。为了减少噪声对数据的干扰,引入变分模态分解(variational modal decomposition,VMD)进行降噪处理,提出了基于VMD-GCN-BiLSTM(VGBLSTM)的短时车速预测模型。仿真结果表明:VGBLSTM模型预测精度显著提升,特别是对波峰和波谷时刻拟合效果得到明显改善,对交通规划具有一定的参考作用。

基于优化VMD-CNN-BiLSTM的电机轴承智能故障诊断研究

针对滚动轴承早期故障信号较弱及特征数据提取效果差,导致故障诊断准确率低以及故障诊断效率低的问题,提出一种信号处理结合深度神经网络的故障诊断方法。首先,采用变分模态分解(VMD)法提取主轴承振动数据中的特征数据;然后为了确定VMD算法中最佳的模态分量个数K及惩罚参数α,增强特征提取的效果,将最小排列熵作为适应度函数,采用全局优化能力强的正弦混沌自适应鲸鱼优化算法(CAWOA)进行参数的确定,得到最优模态分量;接着,根据最优模态分量构造特征向量,将特征向量作为CNN-BiLSTM网络的输入,实现故障的分类。最后,根据实验平台采集的数据进行实验分析。结果表明,优化VMD-CNN-BiLSTM轴承故障诊断模型相较于其他故障诊断模型,在准确率以及实时性上均有明显提升。

基于改进沙猫群算法优化CNN-BiLSTM的热负荷预测

针对传统热负荷预测精度不高、无法满足换热站及热网优化调控需求的问题,提出一种VMD-ISCSO-CNN-BiLSTM的热负荷预测模型。首先,利用变分模态分解(VMD)对原始供热负荷数据进行降噪处理,降低数据的不稳定性;其次,由K-means算法改进种群初始化,由演变机制改进寻优能力和由变异机制改进跳出局部最优能力,利用改进沙猫群算法(ISCSO)对卷积神经网络、双向长短期记忆神经网络(CNN-BiLSTM)超参数进行寻优,建立热负荷预测模型;最后通过实例进行分析。结果表明,数据降噪后模型预测精度更高,R^(2)提升1.1%;由ISCSO优化的模型比其他算法优化的模型预测效果更好,拟合度达到99.4%;VMD-ISCSO-CNN-BiLSTM的组合预测模型相较于单一模型,RMSE降低18.5%,MAE降低13.8%,R^(2)提升15.8%,并有更好的拟合度,泛化性强,满足工程实际要求。

基于VMD-LSTM的水库中长期径流预测模型

针对径流时间序列非平稳、非线性、变异性强等复杂特点及传统的直接预测方法干扰性强等问题,采取“分解-预测-重构”的策略,耦合变分模态分解(VMD)方法和长短期记忆神经网络(LSTM),构建基于VMD-LSTM的中长期径流预测模型。首先采用VMD方法对历史中长期径流序列进行信号分解和预处理,得到一系列相对平稳的子序列;然后利用LSTM模型对每个子序列进行建模和预测;最后加和各个子序列结果得到重构的径流预测。池潭水库的月径流预测结果表明,与单一LSTM模型比,其均方根误差、平均绝对误差、平均绝对百分比误差分别下降52.6%、49.9%和45.1%。时间尺度的改变会影响径流预报的准确性,预测步长从1个月增至3个月,确定性系数由0.84降至0.68。

基于VMD-CNN-BiLSTM的轴承故障多级分类识别

双馈风力发电机(DFIG)作为风能发电领域的关键设备之一,保障其稳定运行显得尤为重要。针对DFIG轴承故障的多级分类问题,提出了一种基于参数优化的变分模式分解-卷积神经网络-双向长短期记忆(VMD-CNN-BiLSTM)故障诊断模型。首先,采用改进的麻雀优化算法——鱼鹰-柯西-麻雀搜索算法(OCSSA)对变分模态分解(VMD)的惩罚因子、模态分量进行了优化,OCSSA算法是将鱼鹰算法和柯西变异策略与麻雀算法进行了融合,形成了一种新的优化算法,该算法利用强大的参数搜索能力获取了更精确的频率特征;然后,利用卷积神经网络(CNN)提取了信号的时域和频域特征,并对特征进行了融合;最后,利用双向长短期记忆网络(BiLSTM)学习了故障的序列模式,完成了故障的多级分类任务。研究结果表明:基于OCSSA算法优化的VMD-CNN-BiLSTM模型在多级轴承故障识别方面表现出明显的优势,平均识别准确率可达98.36%,与CNN-LSTM、CNN-BiLSTM和VMD-BiLSTM模型进行对比,该模型具有更卓越的故障诊断性能、出色的泛化能力和快速的计算速度。这一结果充分验证了该模型在双馈风力发电机轴承故障的多级分类识别任务上的有效性,且适用于在线监测和智能诊断,为实现高效、可靠的风能发电提供了重要的实际应用价值。