基于CEEMDAN-BiLSTM的月降水量预测模型

准确预报降水量对防洪防涝、水资源高效开发和利用起着至关重要的作用。由于降水量序列具有较强的非线性和突变性,使得传统的统计预测模型难以准确表征其时序特征。因此,本文提出了基于完全自适应噪声集合经验模态分解(CEEMDAN)和双向长短时记忆网络(Bi LSTM)的月降水量预测模型,通过对1960年1月~2013年12月的江西宜春气象站降水量数据进行预测,并与长短时记忆网络模型(LSTM)、BiLSTM、互补集合经验模态分解和长短时记忆网络模型(CEEMD-LSTM)、CEEMD-BiLSTM和CEEMDAN-LSTM模型进行了对比。结果表明:基于CEEMDAN法能够得到具有波动性更小的降水量分量序列,以此构建的Bi LSTM模型能够很好地捕捉降水量序列的变化特征;相较于其他模型,其预测结果的均方根误差、平均绝对误差和平均绝对百分比误差更小,且相关系数更大,即CEEMDAN-BiLSTM模型在降水量预测上具有更为良好的性能,该模型可为降水量预测提供一种新方法。

基于CEEMDAN-SE-CNN-BiLSTM模型的大豆期货价格预测

为了提高大豆期货价格预测的精确度,综合利用大豆期货市场内外部信息,基于一种“分解—重组—预测—集成”多步期货价格预测模型进行改进。对大豆价格序列进行自适应噪声完备集合经验模态分解(CEEMDAN),得到IMF分量及误差项。筛选后剔除与原序列相关系数小的IMF分量,再用样本熵算法(SE)对分解序列进行重组。用优化的CNN-BiLSTM预测模型对重组序列进行预测,集成后得到最终预测值。实证结果表明:在预测大豆期货价格时,改进后的CEEMDAN-SE-CNN-BiLSTM模型普遍优于LSTM、CNN-LSTM等基准农产品期货预测模型。

CEEMDAN-PSO组合优化BiLSTM的公交站点短时客流预测方法

客流观测数据的非平稳性和选择学习参数的主观性,是影响双向长短时记忆神经网络(Bidirectional Long Short-Term Memory,BiLSTM)预测公交站点短时客流精度的重要因素.通过自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition With Adaptive Noise,CEEMDAN)提升客流观测数据的平稳性,用粒子群算法(Particle Swarm Optimization,PSO)优化BiLSTM隐藏层神经元个数、学习率与训练次数;基于Theano和Tensorflow深度学习库Keras,构建了公交站点短时客流预测组合模型CEEMDAN-PSO-BiLSTM,用均方根误差与平均绝对误差进行预测精度检验,并在浙江省海宁市2个公交站点进行了应用.研究结果表明:客流预测精度由高到低依次为CEEMDAN-PSO-BiLSTM、CEEMDAN-BiLSTM、PSO-BiLSTM、BiLSTM和LSTM,2个站点CEEMDAN-PSO-BiLSTM比BiLSTM预测结果的均方根误差分别下降了53.76%和48.36%、平均绝对误差分别下降了45.71%和40.22%,提升数据平稳性与优化学习参数组合改进BiLSTM的CEEMDAN-PSO-BiLSTM模型,能显著提高公交站点短时客流预测精度.

变时间尺度城轨客流的本征模量分解及组合深度学习预测

城市轨道交通的不同运营状态,通常对应着客流时间序列中不同的本征模态分量(IMF)及时间尺度特征。基于自适应噪声的完全总体经验模态分解(CEEMDAN)算法和双向长短期记忆(BiLSTM)网络,该文构建了地铁短时客流时间序列的组合深度学习预测模型。具体包括:基于CEEMDAN算法实现了客流时间序列的模态分解。分别使用样本熵和层次聚类对IMF分量进行复杂性和相似度分析,并在此基础上完成IMF分量的分类合并与重构;使用Optuna框架中的树形Parzen优化器(TPE)对模型的超参数进行优化,构建CEEMDAN-TPE-BiLSTM组合预测模型。采用实际数据对该文模型进行验证,结果表明,对于特定特征的客流时间序列数据,该文模型的精确性、有效性指标均达到最优。

基于CEEMDAN-IDOA-BiLSTM的超短期风电功率预测

准确可靠的风电功率预测对电力系统调度、风电场的效益和电网的安全稳定运行具有重要意义。为了提高超短期风电功率预测的准确性,提出了一种基于自适应噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和改进野狗优化算法(improved dog optimization algorithm,IDOA)优化双向长短时记忆网络(bi-directional long short-term memory,BiLSTM)的组合模型预测超短期风电功率方法。该方法先采用CEEMDAN分解方法将原始的数据分解来降低原始数据的复杂性和不稳定性,将分解后的所有序列进行偏自相关方法分析,选出重要性较大序列作为IDOA-BiLSTM模型的输入,最后通过IDOA-BiLSTM模型进行超短期风电功率预测。采用甘肃某风电场实测数据为数据集,进行训练模型和预测分析,结果表明所提出的超短期风电功率预测模型具有较高的预测精度,具备实际应用的可行性。

基于BiLSTM网络与误差修正的超短期负荷预测

电力负荷预测对于电力系统电量供需平衡、经济运行具有重要意义,电力负荷具有随机性、波动性等不确定性特征且易受天气因素影响,负荷准确预测存在技术挑战。提出了一种基于双向长短期记忆(BiLSTM)神经网络与误差修正的超短期负荷预测模型,采用最大信息系数描述各影响因素与负荷的关系,并进一步对输入特征进行筛选;考虑负荷变量数值序列的时序性,利用BiLSTM网络建立负荷预测模型,针对预测结果误差,采用自适应噪声的完备集合经验模态分解(CEEMDAN)算法将误差结果序列分解为若干分量,每个误差分量分别再建立BiLSTM预测模型。以我国北方某地区配电网实际负荷数据为算例,采用不同神经网络模型进行对比测试,结果表明该模型具有更高的准确度。

基于CEEMDAN与BiLSTM算法的短期电力负荷预测

针对单一预测模型在长时间序列存在序列特征信息丢失,数据间结构信息紊乱等问题,提出一种基于CEEMDAN-BiLSTM的组合预测模型解决分解信号时模态混叠问题及LSTM计算量过大造成序列特征信息丢失问题。