基于经验模态分解与特征相关分析的短期负荷预测方法

提出了一种基于经验模态分解与特征相关分析的短期负荷预测新方法。该方法从分解负荷序列入手,采用经验模态分解将原始负荷时间序列分解成不同频率的本征模函数(IMF)分量和残差分量,以弱化复杂影响因素环境下原始序列的波动性,获取更具规律性的分量。然后运用最小冗余度最大相关性标准(mRMR)技术分析各IMF分量和日类型、天气、电价等特征信息之间的相关性,获得最佳特征集。最后采用基于智能算法的最小二乘支持向量机(LSSVM)负荷预测模型对各经验模态分量进行预测,并将各分量预测结果叠加得到最终负荷预测值。以某电网实际数据进行算例分析,结果表明所提出的组合模型能够更准确地对外部因素敏感的短期负荷进行预测。

计及历史数据熵关联信息挖掘的短期风电功率预测

对风电功率历史数据进行关联信息挖掘,将有助于提高短期风电功率预测的准确度和计算效率。为解决风电功率预测模型的输入、输出变量的相关性冗余问题,尝试采用了一种基于信息熵和互信息的熵相关系数指标,旨在量化评估不同历史日风电样本与待预测日参考样本间的复杂非线性映射关系,并与线性相关系数、秩相关系数、欧氏距离指标进行了对比研究。同时,设计了一种BP神经网络改进模型,通过亲密样本筛选、隐含层结构寻优、网络权重赋初值等环节,克服了传统预测模型的训练数据冗余度大、收敛速度慢问题,提高了预测模型的泛化能力和计算效率。对某风电场实测数据的算例分析表明,所提出的方法在改善短期风电功率预测性能方面具有应用可行性。

基于熵权综合关联度数据挖掘的风电功率实时预测研究

采用一种基于熵权综合关联度指标,来量化评估不同历史时段风电样本与待预测时段参考样本间的复杂非线性映射关系,解决预测模型输入与输出变量的相关性冗余问题,并与Pearson相关系数、Kendall相关系数、Spearman相关系数、互信息相关系数指标进行对比研究。然后,采用一种神经网络改进模型,通过相似样本筛选、隐含层结构寻优、网络权重赋初值等,减小训练数据冗余度的影响及加快收敛速度,提高预测模型的泛化能力和计算效率。通过吉林省某风电场的实测数据进行实验仿真,结果表明该方法可有效提高风电功率实时预测准确率。

基于互信息PSO-LSSVM的SO_(2)浓度预测

针对火电厂SO_(2)污染物排放问题,提出了一种基于互信息的粒子群寻优(PSO)最小二乘支持向量机(LSSVM)模型预测方法,通过筛选出与SO_(2)实测入口浓度相关性较高的辅助变量,将其作为模型的输入,实现对主导变量SO_(2)浓度的预测。利用互信息筛选出的辅助变量相比于机理分析、皮尔逊相关性筛选出的辅助变量具有更高的相关性。利用互信息筛选出的辅助变量作为LSSVM模型的输入以及粒子群法确定LSSVM的参数,不仅缩短了计算时间,还提高了预测精度。将该方法应用到某火电厂的SO_(2)浓度软测量中,利用现场数据进行仿真,结果表明预测精度较高,相对误差较低,预测趋势更贴近实际值,减小了实际值与预测值的误差(均方根误差为2.485,平均相对误差为0.2603%),为现场的SO_(2)浓度提前控制提供了软件技术支持。

基于改进特征子集区分度的行为识别特征选择方法

基于传感器的人体行为识别方法在健康监测、运动分析和人机交互等方面得到了广泛应用。特征选择是准确识别人体行为的关键环节,其目的是在提高分类性能的基础上从高维特征空间中筛选出与分类相关的特征,以降低特征维数和计算复杂度。然而,传统的特征选择方法面临着未考虑所选特征冗余性的挑战。因此,针对基于特征子集区分度(Discernibility of Feature Subsets,DFS)衡量准则的特征选择方法仅考虑多个特征的相关性而忽视特征之间冗余性对分类结果影响等缺陷,提出一种基于冗余性的特征子集区分度衡量准则的特征选择方法(Redundancy and Discernibility of Feature Subsets,R-DFS),在特征选择的过程引入冗余性分析,删除冗余特征,以提高分类准确率和降低计算复杂度。实验结果表明,改进方法可有效降低特征维数并提高分类准确度。

基于优化的VMD-mRMR-LSTM模型的短期负荷预测

随着智能电网技术的发展和电力市场的推进,用电模式的复杂性逐渐凸显,对短期负荷预测的精度和稳定性提出了更高的要求。针对传统负荷预测方法缺少对时序数据相关性、特征值的全面考虑等问题,提出一种基于优化的变分模态分解、最小冗余最大相关性与长短期记忆神经网络的组合预测模型。首先,将波动性高的负荷序列分解为一组相对平稳的模态分量,其中利用麻雀智能算法优化VMD的关键参量。其次,利用m RMR方法分析各模态分量与预测模型输入特征元素间的相关性,获取各预测模型的最优输入特征集,并在分析负荷影响因子中考虑实时电价。最后,采用不同结构参数的LSTM方法对各分量分别预测,将预测结果叠加得到最终的预测值。以澳大利亚的实际运行数据做算例分析,与常规负荷预测方法进行对比,验证了该方法的有效性。

基于MRMR和双重注意力机制的城市能源多元负荷短期预测

为支撑城市能源系统的经济调度和优化运行,将最小冗余最大相关性(MRMR)分析方法与基于双重注意力机制和序列到序列(Seq2Seq)的神经网络相结合,提出一种新型城市能源系统多元负荷短期预测方法。首先,确定目标预测负荷,以MRMR为标准筛选特征序列集,既保持了低冗余度,又保证了输入序列信息的完整性;然后,在Seq2Seq模型基础上,将双重注意力机制融入长短期记忆网络,增强了算法对特征序列时空特征的学习能力;最后,以美国亚利桑那州立大学城市能源系统的实测负荷数据为例进行分析。实验结果表明,所提方法相比现有预测方法具有更高的预测精度和充足的鲁棒性,在4个季节和不同气象误差下都具有良好的表现,可以为城市能源系统的调度运行提供有力的决策依据。

耦合时序特征分解筛选的大坝变形分析模型

高精度的变形预测对大坝安全运行和长期维护具有重要意义。针对当下方法预测精度低、数据信息挖掘不充分的问题,通过将变形序列进行变分模态分解,构建大坝变形影响因子与分量之间的关系,进而搭建不同结构参数的长短期记忆神经网络,最终提出了一种大坝变形分析模型。该模型综合灰狼算法、最小能量误差标准、最小冗余最大相关性方法等策略,从前端分解、信息提取和时序预测三方面对模型进行了改进,实现了最优化建模。实例分析表明,相较于常规监控模型,所提出的变形分析模型能够准确模拟坝体形变过程,具有较高的预测精度和泛化性能,可以为大坝变形安全分析提供参考。

基于量测体系的区域配电网拓扑识别方法研究

目前的配电网拓扑识别需要依靠人工现场识别,准确性不高。为此提出一种基于量测体系的区域配电网拓扑识别方法。利用μPMU电压采集系统,采用最大相关和最小冗余算法消除特征变量的冗余,获得准确的线-线识别结果,再采用改进的灰色关联度算法对各变压器和电压采集点之间的连接关系进行判别,从而得到区域配电网的拓扑。仿真结果表明了方法的正确性和有效性,并在实际应用中有显著的效果。

基于支持向量机的乙酰胆碱酯酶抑制剂的构效关系研究

基于最大相关性-最小冗余性方法(mRMR),对27个乙酰胆碱酯酶(AchE)抑制剂进行了特征变量筛选,获得了14个变量。然后,采用支持向量机回归(SVR)方法研究了这27个化合物的定量构效关系。通过留一法交叉验证进行评估,其平均相对误差MRE=2.72%,均方根误差RMSE=0.273,q^2=0.936。最后,通过敏感性分析发现,特征变量logP与药物活性呈负相关,refractivity和water accessible surface area与药物活性呈正相关。