分布式低碳能源站(distributed low-carbon energy station,DLCES)能提高能源利用效率和可再生能源消纳率,准确预测DLCES的未来运行状态能保障其安全可靠运行。为此,提出一种基于数据驱动的分布式低碳能源站状态预测方法。首先,分析DLCE...分布式低碳能源站(distributed low-carbon energy station,DLCES)能提高能源利用效率和可再生能源消纳率,准确预测DLCES的未来运行状态能保障其安全可靠运行。为此,提出一种基于数据驱动的分布式低碳能源站状态预测方法。首先,分析DLCES结构与运行状态,利用关键状态量和偏移量变化将运行状态划分为正常、恢复、临界及紧急状态;其次,构建深度长短期记忆(long-short term memory,LSTM)模型,并利用改进粒子群算法进行超参数优化,提升预测模型性能;最后,利用测试集数据对柯西变异的粒子群算法(Cauchy mutation particle swarm optimization,CMPSO)和LSTM相结合的模型进行预测仿真,将其与RNN、LSTM及BP神经网络预测结果对比分析。结果表明:CMPSO-LSTM模型能提高预测效果,更具实际意义。展开更多
文摘分布式低碳能源站(distributed low-carbon energy station,DLCES)能提高能源利用效率和可再生能源消纳率,准确预测DLCES的未来运行状态能保障其安全可靠运行。为此,提出一种基于数据驱动的分布式低碳能源站状态预测方法。首先,分析DLCES结构与运行状态,利用关键状态量和偏移量变化将运行状态划分为正常、恢复、临界及紧急状态;其次,构建深度长短期记忆(long-short term memory,LSTM)模型,并利用改进粒子群算法进行超参数优化,提升预测模型性能;最后,利用测试集数据对柯西变异的粒子群算法(Cauchy mutation particle swarm optimization,CMPSO)和LSTM相结合的模型进行预测仿真,将其与RNN、LSTM及BP神经网络预测结果对比分析。结果表明:CMPSO-LSTM模型能提高预测效果,更具实际意义。
