基于时域卷积网络的风力涡轮机发电功率多时间尺度预测

基于时域卷积网络,提出一种风力涡轮机发电功率的多时间尺度预测方法。首先,对影响发电功率的若干数据进行清理和归一化处理,减少异常值所带来的不良影响。其次,为了能够有效地捕捉时间序列数据中的动态特征,搭建了一种三层结构的时域卷积网络模型,对风力涡轮机未来一段时间内的发电功率进行预测。最后,利用公开数据集进行仿真实验,验证所提出模型的有效性,并对不同时间尺度的预测结果进行对比分析。

路段行程时间多时间尺度预测方法

采用长春市实际调查数据对一种基于浮动车的路段行程时间多时间尺度预测方法进行仿真实验,结果表明基于该方法的交通流路段行程时间多时间尺度预测结果与真实值之间的平均绝对相对误差均小于7%,完全满足路段行程时间预测的精度要求。

基于混合神经网络的多时间尺度负荷预测

精准的负荷预测对于电力系统保持经济、可靠运行有十分重要的意义,电力系统规划、运行、电力市场竞价系统的设计等都需要不同时间尺度的负荷预测结果,然而现有研究大多围绕一个时间尺度展开,单一模型难以满足实际工程需求。造成这一现象的原因在于模型预测结果的误差会随着预测时间尺度的延长而出现不同程度的增加,预测难度大,并且影响负荷的因素大多分布在不同时间尺度的数据上,难以充分利用。针对以上问题,本文在考虑负荷曲线的定积分与对应时间内用电量之间约束关系的前提下,提出融合多时间尺度数据的混合神经网络模型。该模型的损失函数同时考虑了点预测结果的误差以及负荷曲线定积分的物理意义,增强了负荷时间序列中各个元素之间的几何相关性。并且利用神经网络将短尺度数据提取为抽象的综合数据后,与长尺度数据拼接组成新的特征向量,用于预测不同时间尺度的负荷值。算例结果表明,本文提出的模型在实际的变压器负荷数据上能够实现多个时间尺度的预测并且有效提高预测精度。

多时间尺度时间序列趋势预测

针对股票、基金等大量时间序列数据的趋势预测问题,提出一种基于新颖特征模型的多时间尺度时间序列趋势预测算法。首先,在原始时间序列中提取带有多时间尺度特征的特征树,其刻画了时间序列,不仅带有序列在各个层次的特征,同时表示了层次之间的关系。然后,利用聚类挖掘特征序列中的隐含状态。最后,应用隐马尔可夫模型(HMM)设计一个多时间尺度趋势预测算法(MTSTPA),同时对不同尺度下的趋势以及趋势的长度作出预测。在真实股票数据集上的实验中,在各个尺度上的预测准确率均在60%以上,与未使用特征树对比,使用特征树的模型预测效率更高,在某一尺度上准确率高出10个百分点以上。同时,与经典自回归滑动平均模型(ARMA)模型和PHMM(Pattern-based HMM)对比,MTSTPA表现更优,验证了其有效性。

基于混合智能模型的分布式风力发电预测方法

进行准确的多尺度风功率预测对分布式风电机组的可靠和经济运行至关重要。提出了一种基于人工智能算法的混合模型,包括最小冗余最大相关(mRMR)准则的输入变量选择(IVS)模块,以及元启发式随机算法优化的自适应神经模糊推理系统(ANFIS)。所提混合模型将可利用的相关数据,包括历史风电功率时间序列和区域数值天气预报(NWP),利用最小冗余最大相关(mRMR)的滤波方法来自动选择不同预测步长的输入变量;然后对于具备最优特征的输入数据,通过自适应神经模糊推理系统来进行监督学习;模型应用粒子群优化(PSO)算法对ANFIS参数训练以达到最优预测效果;最后通过实际分布式风电机组的运行数据对所提出的混合智能模型进行评估,实验结果证实了模型的有效性。