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。

基于变分模态分解和麻雀搜索算法的双向长短期记忆网络的风电短期功率预测方法研究

针对风电随机波动性导致风电短期功率预测不准的问题,提出一种基于变分模态分解和麻雀搜索算法的双向长短期记忆网络的风电短期功率预测方法。首先采用变分模态分解将历史数据中的风电功率分解成若干个子序列,子序列中每个元素均对应一个历史时刻的气象数据向量,二者形成原始数据矩阵;然后采用基于麻雀搜索算法的双向长短期记忆网络功率预测方法对若干个原始数据矩阵分别进行建模;最后通过麻雀搜索算法自动寻出双向长短期记忆网络最优参数,并将若干个预测结果叠加形成最终预测结果。用湖南某风电场实际运行数据进行仿真测试,结果表明,所提模型的均方根误差、平均绝对误差和平均绝对百分比误差比双向长短期记忆网络模型分别减少了77.29%、75.52%和75.04%,有效提升了风电场短期功率预测精度。

基于变分模态分解的卷积长短时记忆网络短期电力负荷预测方法

电力负荷序列易受多重外部因素影响而呈现复杂性,不利于精准预测。为此,提出一种基于变分模态分解(variational mode decomposition,VMD)的卷积神经网络和长短期记忆网络(convolutional neural network and long short-term memory network,CNN-LSTM)相结合的短期电力负荷并行预测方法。先采用VMD将负荷数据分解为规律性强的各本征模态函数(intrinsic mode function,IMF)及残差;再将各分量分别输入到各自对应的CNN-LSTM混合预测网络,获得各初始预测值,并将该值与由气候、日期类型等组合得到的相关因素特征集相结合,进一步得出修正预测值;最终,叠加各分量修正预测值即得到完整预测结果。在实际负荷数据上做验证分析,结果表明,考虑相关外部因素特征集后日负荷预测平均相对误差均值可降低2.18%。与几种常规负荷预测方法进行效果对比,验证了该方法的有效性和可行性。

基于自适应变分模态分解和长短期记忆网络的月径流预报

准确可靠的月径流预报是流域水旱灾害防治及水资源合理配置的重要依据。原始径流时间序列包含多种频率成分,将时间序列数据分解预处理技术和机器学习模型相结合的混合模型已被用于捕捉径流动态过程。然而,将数据分解技术直接应用于整个时间序列是一种不切实际的方法,会导致部分信息从测试阶段传输到模型的训练过程中。为此,设计了一个用观测数据更新历史样本的自适应动态分解策略,提出基于自适应变分模态分解和长短期记忆网络的分解-预测-集成月径流预测混合模型。首先,采用自适应分解策略对径流时序数据进行变分模态分解,得到不同频率成分的子序列;其次,为每个分解子序列构建长短期记忆神经网络径流预测模型,并采用贝叶斯优化算法优选模型超参数;然后,将子序列的预测结果集成得到径流的最终预测结果;最后,以金沙江上游石鼓水文站月径流预报为研究实例,对比传统的分解策略(“捆绑分解”)和分解方法(离散小波变换和集成经验模态分解),验证所提混合模型的有效性和可行性。结果表明,所提混合模型在数据分解预处理中避免了引入未来信息,并能够进一步提升径流预报精度。

基于长短期记忆神经网络的电力用电量预测

为解决现有用电量预测精确度较低等问题,提出了基于长短期记忆神经网络的电力用电量预测方法。分析了电力负荷分类以及典型负荷曲线,说明了支持向量回归以及长短期记忆神经网络的基本原理,提出了基于支持向量回归和长短期记忆神经网络结合的预测方法,说明了预测流程,给出了预测结果统计评价标准。根据所提出的方法进行了案例分析,论证了所提方法的有效性。

采用小波变换和双向长短期记忆网络的脑电睡眠分期模型

针对睡眠生理信号采集难度大、睡眠分期精度低的问题,提出一种采用小波变换和双向长短期记忆网络的脑电睡眠分期模型。首先使用连续小波变换提取睡眠脑电的时频图;然后使用卷积神经网络从脑电信号的时频图中提取睡眠相关的脑电特征,作为单个睡眠片段的分期依据,再使用双向长短期记忆网络进一步提取睡眠片段之间的状态转换规则;最后利用深度学习方法建立特征、规则与睡眠阶段的映射,使用数据扩充和两步训练法训练模型,削弱数据不均衡的影响,完成连续片段的睡眠分期。采用SHHS公开数据库的5793名被试者的睡眠脑电数据对该模型进行验证,实验结果表明,睡眠分期准确率达到85.82%,整体F1达到78.39,Kappa系数达到0.799,和现有方法相比性能明显提升。

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。

基于改进长短期记忆网络和高斯过程回归的光伏功率预测方法

为了获得精确的光伏功率预测结果和量化其不确定性,提出了一种基于改进长短期记忆网络(LSTM)与高斯过程回归(GPR)的光伏功率预测方法。首先,为了减少需要优化的变量,对LSTM结构进行改进,随后将利用遗传算法得出的最优特征变量组合输入改进LSTM得到第一次点预测结果,然后将第一次点预测结果和实际值结合GPR得到最终具有概率意义的预测结果。最后以湖南竺家光伏电站为例进行仿真验证,仿真结果表明所提方法相较于其他方法能够在较短时间内获得高精度、预测区间合适、可靠性强的预测结果,能够同时兼顾准确性和可靠性,具有一定的实际工程指导意义。

基于变分模态分解与双向长短期记忆神经网络的超短期风速预测

风速预测对于风电机组稳定运行,提高电力系统稳定性有着重要的意义。针对风速序列具有随机性、波动性大的特点,提出一种基于分解组合算法的风速超短期预测模型。采用变分模态分解算法将风速原始序列分解为若干平稳子序列,再利用优化的双向长短期记忆神经网络对子序列建立预测模型,最终组合得到预测结果。通过实例分析并与其他模型对比表明,该模型能够有效提高风速超短期预测精度。

基于自回归与长短期记忆网络混合模型的热电偶动态补偿方法研究

热电偶在动态温度测量时由于热惯性存在动态误差。为补偿热电偶的动态误差,提出一种基于自回归与长短期记忆网络混合模型的补偿算法。该算法通过自回归模型对热电偶动态响应进行辨识,再由长短期记忆网络作为非线性补偿器校正动态误差。采用不同强度的高斯白噪声模拟噪声环境,仿真构建热电偶模拟测量数据集。在模拟测量数据集上对算法做验证。计算结果表明,该算法在不同噪声环境下均能有效地减少动态误差。搭建热电偶动态温度测量实验平台,以K型镍铬/镍硅热电偶为实验对象,取得实验测量数据集。实验和计算结果表明,经算法补偿后的热电偶动态响应得到改善,平均动态误差为0.0028,标准差为0.0102。

基于变分模态分解和长短期记忆网络的大平移抖动电子稳像算法

山地车载光电系统在采集图像的过程中经常出现大平移随机抖动,造成视频模糊、稳定性较差等问题。均值滤波法和小波变换法等算法通常根据帧间运动的物理特性(如频率、幅值等)建立数学模型。针对该类算法通常基于先验的滤波算子进行处理,缺乏一定的自适应性,难以适用于复杂的电子稳像应用环境的问题,提出一种基于变分模态分解(VMD)和长短期记忆(LSTM)网络的自适应电子稳像算法。通过对全局运动矢量序列依频率信息进行自适应分解,以获得一系列具有窄带特性的本征模态函数(IMF);同时,结合IMF的时空域信息,将IMF作为训练变量,搭建LSTM网络模型,对IMF进行分类,筛选出有意运动主导的IMF并重构出有意运动矢量序列,实现视频的稳定。实验结果表明,与均值滤波法和小波变换法等算法对比,所提算法所得结果分类准确度最高(最低91.4%),通过深度学习网络对频率、幅值、时空域信息等进行综合评判,对大平移抖动稳像有明显的提升效果,具有更好的鲁棒性。

基于长短期记忆神经网络模型的空气质量预测

随着城市化和工业化的快速发展,空气污染问题日益突出,空气质量预测显得尤为重要。当前一些有代表性的研究对空气质量进行实时监测和预报,例如周广强等采用数值预报的方法对中国东部地区的空气质量进行分析,但其实验结果表明该方法难以预测非常重的污染;SANKAR等使用多元线性回归对空气质量进行预测,但其实验结果表明线性模型预测精度低、效率慢;P REZ等使用统计方法对空气质量进行预测,实验结果证明统计方法的预测精度比较低;WANG等采用改进的BP神经网络建立了空气质量指数的预测模型,其实验验证了BP神经网络收敛速度慢、容易陷入局部最优解的问题;YANG等利用相邻网格的空气质量浓度效应,建立了基于随机森林的PM 2.5浓度预测模型,通过实验过程证明网格划分程序削弱了后续空气质量分析的质量和效率。这些方法都难以从时间角度建模,其中预测精度低是比较重要的问题。因为预测精度低可能会导致空气质量预测结果出现较大的误差。针对空气质量研究中预测精度低的问题,提出了基于长短期记忆单元(long short-term memory,LSTM)的神经网络模型。该模型使用MAPE,RMSE,R,IA和MAE等指标来检测LSTM神经网络与对比模型的预测性能。由于Delhi和Houston是空气污染程度比较严重的城市,所以使用的实验数据集来自Delhi的Punjabi Bagh监测站2014—2016年的空气质量数据和Houston的Harris County监测站2010—2016年的空气质量数据。LSTM神经网络与多元线性回归和回归模型(SVR)的比较结果表明,LSTM神经网络适应多个变量或多输入的时间序列预测问题,LSTM神经网络具有预测精度高、速度快和较强的鲁棒性等优点。

基于深度学习长短期记忆神经网络的有色金属期货市场预测研究

为提高金融资产预测能力,该文采用深度学习长短期记忆(LSTM)神经网络模型对上海期货交易所(SHFE)和伦敦金属期货交易所(LME)的铝、铜、镍、铅、锡和锌6种有色金属期货价格分别进行长、短期预测,与传统机器学习多层感知器(MLP)模型以及线性自回归移动平均(ARIMA)模型进行对比研究。数据源于Wind数据库和国际货币基金组织(IMF)数据库。使用Python深度学习软件模拟预测有色金属期货价格,结果显示:有色金属期货市场长期预测中,LSTM模型的预测表现略逊于ARIMA模型,MLP模型预测效果不理想;短期预测中,LSTM模型的预测结果和ARIMA模型相近,均优于MLP模型;LSTM模型与MLP模型相比,模型的稳定性和预测的精确度都更加出色。LSTM模型可作为ARIMA模型的最优替代之一。

基于变分模态分解-排列熵-改进鹈鹕优化算法的长短期记忆网络的短期负荷预测

针对传统的电力负荷预测模型中出现的模态分解混叠、长短期记忆网络参数难以选择等问题,提出一种新的模型,即基于变分模态分解、排列熵组合和改进鹈鹕优化算法的长短期记忆网络模型。首先,利用变分模态分解将电力负荷数据分解为多个复杂程度较低的模态,并利用排列熵对子序列进行重组,降低预测难度;接着,引入Logistic混沌映射、融合柯西变异和反向学习两种策略改进鹈鹕优化算法,提高全局寻优能力;然后利用改进后的鹈鹕优化算法对长短期记忆网络参数进行优化,提高模型的泛化能力和实际操作性;最后,对重组后的子模态分别进行预测并叠加,得到最终预测结果,并使用两份不同地区数据集与多种优化算法预测模型进行比较。实验结果表明,变分模态分解-排列熵-改进鹈鹕优化算法的长短期记忆网络模型具有更高的预测精度和稳定性,可以有效地进行短期电力负荷预测。

面向图像分类的混合量子长短期记忆神经网络构建方法

长短期记忆(long-short tern memory,LSTM)神经网络通过引入记忆单元来解决长期依赖、梯度消失和梯度爆炸问题,广泛应用于时间序列分析与预测.将量子计算与LSTM神经网络结合将有助于提高其计算效率并降低模型参数个数,从而显著改善传统LSTM神经网络的性能.本文提出一种可用于图像分类的混合量子LSTM(hybrid quantum LSTM,HQLSTM)网络模型,利用变分量子电路代替经典LSTM网络中的神经细胞,以实现量子网络记忆功能,同时引入Choquet离散积分算子来增强数据之间的聚合程度.HQLSTM网络中的记忆细胞由多个可实现不同功能的变分量子电路(variation quantum circuit,VQC)构成,每个VQC由三部分组成:编码层利用角度编码降低网络模型设计的复杂度;变分层采用量子自然梯度优化算法进行设计,使得梯度下降方向不以特定参数为目标,从而优化参数更新过程,提升网络模型的泛化性和收敛速度;测量层利用泡利Z门进行测量,并将测量结果的期望值输入到下一层实现对量子电路中有用信息的提取.在MNIST,FASHION-MNIST和CIFAR数据集上的图像分类实验结果表明,与经典LSTM、量子LSTM相比,HQLSTM模型获得了较高的图片分类精度和较低的损失值.同时,HQLSTM、量子LSTM网络空间复杂度相较于经典的LSTM网络实现了明显的降低.

基于时间卷积网络分位数回归的短期负荷概率密度预测方法

为了获得电力系统短期负荷的概率性信息,将分位数回归理论与深度学习算法相结合,提出了一种基于时间卷积网络分位数回归的概率密度预测方法。首先利用距离相关系数衡量不同天气因素与短期负荷的相关性强弱,以此确定输入数据集合;其次通过融合注意力机制的时间卷积网络分位数回归算法预测不同分位数条件下的负荷值;最后利用核密度估计得到待测负荷的概率密度分布。采用中国华东某地的历史负荷数据验证分析,结果表明该方法可以细致刻画待测负荷的概率密度分布,其众数和中位数对预测负荷实际值具有参考意义。

基于改进长短期记忆网络的时间序列预测研究

时间序列预测是研究时间数据行为和预测未来值的一项重要技术,为进一步扩展时间序列预测方法论,提出了一种新颖的时间序列预测框架来处理时间序列预测问题,即VMD-JADE-基于注意力机制的双向长短期记忆网络。变分模态分解用来分解历史时间序列数据,具有降噪的功能;改进的差分进化算法JADE用来优化LSTM的超参数;最后采用基于注意力机制的双向LSTM进行预测,双向机制可以从顺序和逆序两个方向挖掘输入变量的重要信息,注意机制通过对输入的特征赋予不同的权重来捕获重要的因素,有助于提升LSTM的预测性能。在两个时间序列数据集上的实验结果表明,与其它常用的预测方法相比,改进的LSTM模型具有更好的预测性能。

基于排列熵重构与长短期记忆神经网络的水电机组振摆趋势预测方法

针对常规水电机组振摆趋势预测问题,设计了一种基于排列熵重构(PER)与长短期记忆(LSTM)神经网络的混合预测模型。先针对复杂非线性振摆信号,利用变分模态分解(VMD)对其进行固有模态分量(IMFs)提取;其次,为降低IMFs复杂度,采用排列熵原理对所得IMFs进行重构,获取重构序列分量(RSCs);最后,将RSCs作为LSTM模型的输入,通过训练得到拟合度最优的LSTM,进而实现机组振摆趋势的预测。选用国内某水力发电厂^(#)3机组的摆度监测信号作为试验数据进行对比分析,结果表明相比于已有方法所提方法具有更优的预测性能,预测结果对于推动机组状态检修发展具有重要意义。

基于随机森林和长短期记忆网络多元负荷预测的综合能源三层规划调度

针对综合能源系统负荷不确定性对规划和调度造成的高成本低效率问题,提出一种基于多元负荷预测的3层规划调度模型,主要包括预测层、规划层和调度层;基于随机森林回归网络和长短期记忆网络构建了多元负荷的长期和短期预测模型;以综合规划调度成本和调度运行成本最小为目标,采用改进粒子群算法和CPLEX求解器获取最优系统综合成本及配置方案;通过不同场景下的规划调度,分析了设备状态与系统成本。通过对比所构建的3层模型与常规双层模型的规划调度结果,证明了3层规划调度模型的经济性与可靠性。