基于LSTM的滚动预测风机发电量研究

针对风能产业持续发展、占比不断增加、风电固有的不稳定性给电网安全运行带来的隐患,提出一种基于长短期记忆网络LSTM的滚动预测风机发电量模型。对风机输出功率进行预测,为电网调度、机组组合、风机维护等操作提供依据,有效保障电网安全运行。以风机历史数据作为训练与测试数据,将当前时段模型的输出数据组装成下个时段模型输入数据对模型参数进行动态的自动微调,以提高模型预测准确率。实验结果表明,随着测试数据的增加,滚动预测模型可以进一步提高预测准确率。

基于LSTM的滚动预测算法的电缆缆芯温度的研究

在电力系统实际工作的过程中,电缆导体的温度过高往往会造成电力系统出现故障,但由于电缆的缆芯温度不易监测,因此提出一种基于LSTM的滚动预测方法对电缆的缆芯温度进行预测。根据采集到的缆芯温度数据集,利用该算法对模型进行训练,动态调节网络模型参数,学习数据变化的规律,从而实现缆芯温度的预测。结果表明该算法模型的RMSE为0.197 9℃,与BP、LSTM算法模型进行对比,验证了该算法模型可以有效的预测短期缆芯温度变化趋势,表明该算法在电力系统安全运行方面具有一定的实际应用意义。

基于改进LSTM的滚动预测模型的能源供给研究

随着供给侧结构性改革的不断深入、可持续发展目标的要求,低碳经济模式逐渐成为经济发展重点,科学合理地预测能源供给情况,对制定能源发展政策具有重要意义。基于能源发电量数据及外部气候数据,利用灰色关联度分析法筛选关联度较高的变量作为输入,将能源发电量作为输出,利用改进LSTM的滚动预测方法对模型进行训练,对新数据持续学习,动态调整模型参数,滚动更新数据变化最新规律。结果表明,模型预测准确率达到92.60%,预测效果较好。