基于主成分分析和长短期记忆神经网络的光伏功率区间预测

针对光伏发电功率的随机变化,提出一种基于主成分分析和长短期记忆神经网络的光伏功率区间预测方法,有效实现了光伏功率的区间预测。首先,将用于训练模型的输入数据进行主成分分析法降维,在提取数据特征的同时降低数据维度;然后,将降维后的数据与真实光伏功率一同输入基于分位数的长短期记忆神经网络预测模型中迭代训练,得到训练完毕的预测模型;最后,在对比仿真中验证了所提方法的有效性。

计及误差修正的变分模态分解-长短期记忆神经网络短期负荷预测

精确地短期负荷预测为电力系统经济调度和机组最优负荷分配交易奠定基础。因此,提出了一种将变分模态分解(variational mode decomposition,VMD)和长短期记忆神经网络(long short-term memory,LSTM)结合的短期负荷预测模型,并使用支持向量回归(support vector regression,SVR)构建修正后的误差序列对初始预测序列补偿。首先,运用VMD算法将非平稳的负荷序列分解为多个相对平稳的模态分量;然后,将每个模态分量输入LSTM模型进行预测,并将各分量预测结果合并得到VMD-LSTM的预测结果;最后将残差值输入SVR模型中构造误差序列,来修正后一日的VMD-LSTM预测结果。通过实际案例测试,实验结果对比其他模型结果有更低的预测误差,证明所提方法的有效性。

基于相关性分析和长短期记忆网络分位数回归的短期公共楼宇负荷概率密度预测

公共楼宇是智能电网用电环节需求响应的重要组成部分,在强不确定性环境下,为了提高公共楼宇短期负荷预测的精度,并能更好反映楼宇负荷的不确定性。提出了一种集合多维尺度分析技术(multidimensional scaling,MDS),基于Copula函数相关性测度、长短期记忆网络分位数回归(quantile regression long short-term memory,QRLSTM)和核密度估计(kernel density estimation,KDE)的短期公共楼宇负荷概率密度预测的方法。首先采用MDS技术对楼宇群进行初步划分,再通过基于Copula函数的相关性测度方法定量计算影响因素(外界天气、人类活动)与目标楼宇负荷的相关程度;其次,运用QRLSTM回归模型预测未来不同分位数上的负荷值。最后,通过核密度估计得到未来任意时刻预测点的概率密度函数。实验结果表明,综合考虑强相关影响因素,并结合QRLSTM回归和KDE技术,能够更好地解决短期公共楼宇负荷概率密度预测问题。

基于变分模态分解和分位数卷积-循环神经网络的短期风功率预测

由于风力发电的随机性和间歇性,风功率预测不仅需要准确的点预测,而且需要可靠的区间预测和概率预测来量化风功率的不确定性。提出了一种基于变分模态分解(variational mode decomposition,VMD)和分位数卷积-循环神经网络的风功率概率预测模型。首先,使用VMD技术将原始风功率数据序列分解为一系列特征互异的模态分量,再通过卷积神经网络(convolutional neural network,CNN)提取反映各模态分量动态变化的高阶特征。然后,基于提取的高阶特征进行分位数回归建模,采用长短期记忆(long shortterm memory,LSTM)循环神经网络预测未来任意时刻不同分位数条件下的风功率值。最后,利用核密度估计(kernel density estimation,KDE)得到风功率概率密度曲线。以中国某风电场数据作为算例测试,证明了所提出模型的有效性。

基于约束并行LSTM分位数回归的短期电力负荷概率预测方法

负荷概率预测能准确量化负荷的不确定性,为电力系统运行决策提供全面的预测信息。针对负荷的时序性特点以及现有分位数回归方法存在的分位数预测值交叉问题,提出了一种基于约束并行长短期记忆神经网络分位数回归的短期电力负荷概率预测方法。该方法结合长短期记忆神经网络与分位数回归,并行生成预测负荷的多个分位数结果,并加入考虑分位数预测值之间约束关系的组合层,以保证分位数预测值的合理性。实际算例结果表明,与常见负荷概率预测方法相比,所提方法不仅具有更高的预测效率,而且能获得更合理的分位数预测结果。

基于CNN-LSTM分位数回归的母线负荷日前区间预测

针对部分工业类母线负荷波动较大,传统点预测方法难以准确预测的问题,文中提出一种基于卷积神经网络(CNN)与长短期记忆网络分位数回归(QRLSTM)组合的母线负荷日前区间预测模型。首先,针对工业类负荷功率的高频波动,采用去噪自编码器对历史负荷数据进行降噪处理;然后,利用基于时间分布层封装的一维CNN网络进行负荷特征提取和压缩,以提升整个模型的学习效率;最后,建立含有注意力机制的QRLSTM模型进行特征学习,得到不同分位数下的负荷区间预测结果。对工业类和居民商业类2种典型的220 kV母线负荷进行了负荷日前区间预测测试,并与常规的分位数回归方法进行了对比。结果表明,文中方法获得的预测结果总体上区间覆盖率更大、区间平均宽度和区间累计偏差均更小,预测效果更好。

基于LASSO回归和QRLSTM的来水预测方法研究

精准的河流断面来水流量预测对于水资源配置管理、洪水预警和防灾减灾、生态保护和水力发电工程规划有着重要意义。为了提高单一来水流量预测模型的预测精度,采用LASSO回归算法结合分位数回归长短期记忆神经网络(QRLSTM)以及核密度估计(KDE)算法,提出了一种来水流量预测方法(LASSO-QRLSTM)。首先采用LASSO回归从高维来水特征向量中提取关键的解释变量,以降低解释变量与被解释变量之间非线性关系的复杂程度;接着建立QRLSTM来水流量预测模型,以获得不同分位点下的分位数预测值;进而利用KDE拟合概率密度函数,获得未来的来水流量可能值以及相应的概率,得出最终预测结果。将提出的模型应用于广东省西江关键断面和高要水文站的来水流量预测,并与LASSO-QRNN、LASSO-GBDT、QRLSTM、QRNN、GBDT模型进行对比。结果表明:(1)结合LASSO回归的混合预测模型预测效果均好于单一的QRLSTM、QRNN、GBDT模型。(2)提出的LASSO-QRLSTM模型在对思贤滘断面流量预测中的RMSE为1 804.270 m^(3)/s,NSE值达0.973;在概率性指标方面,LASSO-QRLSTM模型的连续分级概率评分(CRPS)和弹球损失(PL)值分别为842.618和465.964,各项评价指标均为最佳,在对比模型中表现出最好的预测效果,特别是在极值处具有更好的拟合效果和更窄的概率预测区间,表现出该模型在河流来水流量预测中的独特优势。(3)在后续对高要水文站来水流量的预测中,其预测性能得到进一步验证,展现出良好的适应性和稳定性。研究成果可为精准的水文预测和水资源优化配置提供参考。

基于变分模态分解和多模型融合的用户级综合能源系统超短期负荷预测

针对用户级综合能源系统(integrated energy system,IES)多元负荷波动性和随机性较强、精确预测难度较大的问题,提出了一种基于变分模态分解(variational mode decomposition,VMD)和多模型融合的超短期负荷预测方法。首先采用VMD将IES各类负荷序列分解成不同的本征模态函数(intrinsic mode function,IMF);然后将各IMF结合气象信息构造不同的特征集,分别输入支持向量回归机(support vector regression,SVR)、长短期记忆(long short-term memory,LSTM)网络和一维卷积神经网络(one-dimensional convolutional neural network,1DCNN)进行预测;最后,将3个模型的预测结果输入SVR进行融合得到最终的预测值,并采用和声搜索(harmony search,HS)算法优化SVR的参数。通过某用户级IES的实际数据对所提方法的有效性进行了验证,结果表明,所提出的多模型融合方法优于单模型预测方法,对电、冷、热负荷均具有最好的预测精度。

基于EMD-BiLSTM-ANFIS的负荷区间预测

考虑到新型电力负荷随机性增强,传统的准确预测方法已无法满足要求,提出一种EMD-BiLSTM-ANFIS(Empirical Mode Decomposition-Bi-directional Long Short-Term Memory-Adaptive Network-based Fuzzy Inference System)分位数预测负荷概率密度的方法,使用负荷预测区间取代点预测的准确数值,能为电力系统分析与决策提供更多数据,增强预测的可靠性。首先将原始负荷序列通过EMD(Empirical Mode Decomposition)分解成若干分量,并通过计算样本熵分为3类分量。然后将重构后的3类分量与由相关性筛选的外界因素特征采用BiLSTM、ANFIS模型进行训练和分位数回归(QR:Quantile Regression),并将分量的预测区间结果累加得到最终负荷的预测区间。最后利用核密度估计输出任意时刻用户负荷概率密度预测结果。通过与CNN-BiLSTM(Convolutional Neural Network-Bidirectional Long Short-Term Memory)、LSTM(Long Short-Term Memory)模型对比点预测及区间预测结果,证明了该方法的有效性。

基于相似日聚类和QR-CNN-BiLSTM模型的光伏功率短期区间概率预测

精确的短期光伏功率区间概率预测可以有效量化光伏功率预测的不确定性,对于新型电力系统运行调度避险至关重要。为了提高模型预测性能,基于气象变量的数据特征提出模糊C均值(fuzzy C-means,FCM)聚类方法,将历史数据集聚类为晴天、晴转多云和阴雨天,采用与测试集具有相似天气类型的历史数据作为训练样本训练模型;集合卷积神经网络(convolutional neural network,CNN)模型出色的特征提取优势,双向长短期记忆(bidirectional long short term memory,BiLSTM)神经网络模型擅长双向捕捉长时间序列中长期依赖关系的优势,以及可生成区间预测结果的分位数回归(quantile regression,QR)模型,提出QR-CNN-Bi LSTM深度学习融合模型,计及筛选得到的多种气象因素,对光伏功率进行以5min为间隔的精细时间粒度分类区间预测,最后采用交叉验证和网格搜索方法的核密度估计给出概率密度预测结果。选取多种评价指标对提出的模型进行评价,并与QR-LSTM、QR-BiLSTM模型预测结果做对比分析,结果表明:1)FCM算法能有效实现光伏历史数据集的聚类;2)QR-CNN-BiLSTM融合模型能够生成以5min为间隔的高质量区间预测结果,95%置信预测区间综合评价指标平均值由QR-LSTM、QR-BiLSTM的0.1371、0.1288减小到0.0971;3)基于交叉验证和网格搜索方法的核密度估计能够实现可靠的光伏功率概率密度预测结果生成。

基于VMD-LSTMQR的滚动母线负荷区间预测

负荷区间预测能够对负荷出力变化进行概率化分析,准确量化不确定性因素对负荷的影响。相较于传统的点预测,区间预测更能直观反映负荷变化趋势,有助于保障电力系统的安全稳定运行。基于此,文中提出一种基于变分模态分解-长短期记忆神经网络分位数回归(VMD-LSTMQR)的滚动母线负荷区间预测方法。首先,文中采用VMD将原始母线负荷分解成一系列不同频率特征的子序列;接着,确定不同子序列的最优滚动步长并采用LSTMQR分别对不同子序列进行区间预测;最后,将不同子序列的区间预测进行重构,得到原始母线负荷预测结果。文中利用220 kV和10 kV母线负荷数据验证了所采用的区间预测模型相较于传统区间预测模型在预测精度、区间宽度方面得到明显改善。

基于CNN-BiLSTM的锂电池剩余使用寿命概率密度预测

通过预测锂离子电池的剩余使用寿命(RUL),可以对电池实现管理和维护,提升电池的耐用性和安全性。由于锂离子电池在使用过程中,不同的工况条件会增加锂离子电池RUL预测的不确定性,传统的点预测不能对电池的不确定性进行表达,因此提出了一种基于卷积神经网络(CNN)和双向长短时记忆循环神经网络(BiLSTM)的混合神经网络分位数回归的概率密度预测。该方法通过预测不同分位数条件下的电池容量,不仅可以利用中位数和众数对剩余寿命进行点估计,还可以利用核密度估计得到每个循环周期下电池的容量和剩余使用寿命的概率密度分布,为使用者提供更多有效的决策信息。

基于QR-NFGLSTM与核密度估计的风电功率概率预测

为提高风电功率概率预测精度和缩短长短期记忆网络的训练时间,提出一种基于分位数回归结合新遗忘门长短期记忆(NFGLSTM)网络与核密度估计的风电功率概率预测方法。该方法对长短期记忆网络的结构改进,提出一种新的遗忘门结构,以缩短训练时间。基于分位数回归和NFGLSTM网络建立组合预测模型,得到风电功率点预测值和某一置信度下的预测区间,采用Cosine核函数的核密度估计求解预测值的概率密度函数。基于某风电场的实测数据的算例分析表明,和传统预测方法相比,该方法可缩短长短期记忆网络的训练时间,提高概率预测精度。

机器学习方法拟合宏观经济变量优于传统统计方法吗--基于经济政策不确定指数的拟合

采用机器学习技术(BP神经模型、随机森林分位数回归、长短期记忆神经网网络LSTM)和传统统计方法(ARIMA模型)相结合对美国、英国经济政策不确定指数(EPU)历史数据进行拟合,结果发现四种方法中,长短期记忆神经网络LSTM的拟合效果最优,其次是随机森林分位数回归方法和BP神经网络技术,ARIMA模型拟合效果最差。美国EPU历史数据时间维度比英国EPU历史数据时间维度长,因而LSTM神经网络技术的拟合效果优越度非常显著,ARIMA模型的拟合均方根误差几乎是LSTM神经网络技术拟合均方根误差的3倍。机器学习技术对宏观经济变量的非线性长期预测,尤其是在大数据背景下具有较强适用性。

基于深度学习的乘用车市场预警模型研究

经过半个多世纪的发展,中国已经成为全球最大的汽车生产基地以及消费市场.在此背景下,如何对汽车市场销量进行预警备受关注,但是至今尚无精确有效的预警模型.文章基于分位数广义自回归条件异方差模型(QGARCH)与长短期记忆网络模型(LSTM)构建了一个针对国内乘用车市场的精确有效的预警系统.第一步,文章根据QGARCH模型构建了具有时变性与较强解释性的预警区域.第二步,通过对已有的数据进行处理后,根据LSTM模型对国内乘用车市场销量的同比增速进行预测.文章将LSTM预测结果与支持向量机(SVM)、随机森林(RF)、极端梯度提升树(Xgboost)等模型的预测结果进行了比较,验证了LSTM模型在乘用车市场销量预测上的优势.最后,基于QGARCH模型与LSTM模型构建了一个精确有效的预警体系.结果显示,文章构建的预警体系能够准确预测未来乘用车市场的预警情况且具有较强解释性,对汽车企业具有极大的参考价值.