基于EEMD-LSTM组合模型石家庄月降水量预测研究

为了探讨EEMD-LSTM算法对石家庄逐月降水量进行预测的可行性,通过对石家庄市1980-2020年降水数据进行分析发现,该地降水具有不稳定性和复杂性。为解决这一问题,采用经验模态分解(EEMD)方法对降水数据进行预处理,并将提取出的各模态每个子序列(IMF)输入到LSTM神经网络中进行预测。结果表明,EEMD-LSTM算法在石家庄逐月降水量预测中具有较好的性能,其预测结果与实际观测值的误差较小,相应的MAE和RMSE分别为2.12、3.13mm,决定系数为0.92。研究表明,EEMD-LSTM算法可作为一种新的有效工具,用于石家庄市降水量预测研究。

基于LSTM分位数回归的零碳能源系统不确定性规划方法研究

零碳能源系统是建设清洁低碳能源体系、促进碳中和目标达成的有效途径。但风、光等可再生能源发电的间歇性和波动性给零碳能源系统的合理规划与科学配置带来巨大挑战。基于此,提出了基于长短期记忆网络(LSTM)分位数回归的零碳能源系统不确定性规划方法。首先,构建了零碳能源系统的物理结构,并对系统内典型设备进行建模;其次,基于区间数理论思想,构建了基于LSTM分位数回归的光伏发电区间预测模型;然后,以系统年总经济成本最小为目标函数,构建了可实现设备配置与运行策略协同优化的混合整数线性规划模型;最后,通过典型算例分析,验证了所提模型应对零碳能源系统不确定性规划的可行性。

工业加热电炉高耗电异常DCS数据主动采集技术研究

工业加热电炉在运行过程中容易出现高耗电现象,且异常用电数据产生的频率较高、数据量较大,使得对异常数据的采集效率降低。为此,提出工业加热电炉高耗电异常分布式控制系统数据主动采集技术研究。利用局部平均值计算工业加热缺失DCS数据,采用拉格朗日插值法对其插补,对插补后的数据标准化处理。构建用电不平衡特征矩阵,采用局部离群因子检测算法,提取出用电异常数据特征集,构建基于长短期记忆网络(long short-term memory,简称LSTM)的分位数回归模型,实现工业电炉异常DCS数据的主动采集。实验结果表明,所提方法有效地提高了采集效率和采集精度,采集平均用时仅为029ms,其准确率-召回率在98%以上。

基于深度学习分位数回归模型的风电功率概率密度预测

针对风电功率预测问题,在现有预测方法和概率性区间预测的基础上,提出基于深度学习分位数回归的风电功率概率预测方法。该方法采用Adam随机梯度下降法在不同分位数条件下对长短期记忆神经网络(LSTM)的输入、遗忘、记忆、输出参数进行估计,得出未来200 h内各个时刻风电功率的概率密度函数。根据美国PJM网上的风电功率实际数据的仿真结果表明,所提方法不仅能得出较为精确的点预测结果,而且能够获得风电功率完整的概率密度函数预测结果。与神经网络分位数回归相比,其精度更高,且在同等置信度下的预测区间范围更小。

基于多项式修正的LSTM网络流量预测

在网络信息化高速发展的时代,网络流量数据拥有许多利用价值,其具有高噪声、不稳定等特点,导致对其预测难度较高。本文通过基于多项式修正的LSTM模型设计取自CICIDS的网络流量数据集进行多次的有效特征提取,利用多项式拟合的方式来修正不同LSTM模型提取出的特征权重。预测结果表明,此方法在保证预测的有效性和可靠性的基础上,能够并行训练不同模型的特征提取,避免了复杂网络中常见的“梯度消失或梯度爆炸”等因素引起的训练效果不佳的问题。