基于VMD-LSTM-SVR的IGBT寿命特征时间序列预测

绝缘栅双极型晶体管(IGBT)失效是变频器等电力电子设备故障的主要原因,精确预测其寿命是解决该问题的方法之一,这对寿命预测模型的准确性和可靠性提出了更高要求。关断瞬态尖峰电压(Vce,peak)可以反映IGBT的老化状态,首先通过变分模态分解(VMD)技术将Vce,peak构成的时间序列分解为趋势序列和波动序列,再利用长短期记忆(LSTM)网络的时间序列特征提取优势和支持向量机回归(SVR)的非线性求解能力,建立VMD-LSTM-SVR组合模型,提升模型的预测性能。模型预测对比实验结果表明,VMD-LSTM-SVR模型提升了IGBT寿命特征时间序列预测能力,与其他模型相比,该模型的预测精度指标均方根误差下降至0.0411 V,决定系数提升至0.75111。

基于LSTM-SVR模型的航空旅客出行指数预测

航空旅客出行的情况对民用航空机场建设与运营具有重大意义。定义了一种航空旅客出行指数,运用机器学习方法对航空旅客出行指数进行预测,克服了单一预测模型精度的不足。提出一种将长短期记忆网络(LSTM)与支持向量回归(SVR)相结合的航空旅客出行指数组合预测模型,并对预测结果集进行聚类分析。以上海机场航空旅客数据为实证,验证了LSTM-SVR组合预测模型可行性与有效性,实验结果显示:LSTM-SVR组合预测模型较传统单一预测模型具有更高的精度;同时,LSTM-SVR组合预测模型与其他组合预测模型相比也有较明显优势。此外,基于K-均值算法对航空旅客出行指数进行聚类分析并给出评级,此举为机场运营管理及旅客出行提供一定的决策支持。

基于LSTM-SVR组合模型的山西动力煤价格预测

煤炭是重要的基础能源,特别是动力煤在我国占有极高的战略地位,但煤炭价格的预测却十分困难。引入循环神经网络(RNN)对动力煤价格进行预测,在此基础上针对动力煤价随时间变化起伏大的特点,通过优化RNN模型,建立了长短期记忆模型(LSTM),引入支持向量回归机模型(SVR),通过串联的方式形成LSTM-SVR组合模型,以减少单一模型进行预测的风险,提高预测结果的精度。同时采用滑动平均法,以提高特征数据与动力煤价格的相关性。结果表明,经LSTM-SVR组合模型预测的2023年上半年山西动力煤价发展趋势与实际煤价有着较高的线性拟合性,预测准确率达到95.69%。该模型预测2024年山西动力煤价格将逐渐降低,从最高约1200元/t降低至700元/t。研究成果对煤炭企业调整经营战略、优化内部资本结构、维持整个行业长期稳定发展具有重要意义。

基于LSTM-SVR的锂电池健康状态预测研究

锂电池健康状态(SOH)是表征电池衰退的重要指标,也是新能源汽车运行寿命的一个重要指标。为了提高锂电池健康状态SOH的预测精度,采用深度学习LSTM与SVR结合的算法来对锂电池健康状态进行预测,并利用网格搜索(GS)搜索SVR超参数。首先,使用平均放电电压、平均放电温度、容量作为健康因子(HI);其次,利用以往锂电池数据集对算法进行验证。实验结果表明:使用LSTM-SVR算法相比于LSTM算法在RMSE指标和拟合程度上更优,其均方根误差在0.6以内,平均绝对百分误差在0.6%以内。

基于多模型融合的中长期径流集成预测方法

中长期水文预报是流域水资源规划与合理配置的重要依据。为提高中长期径流预测精度,提出了一种基于多模型融合的水库中长期径流集成预测方法。该方法将ARMA、BP、LSTM、RF和SVR等5个异质预测模型进行融合,同时采用超参数优化方法确定各模型的最优参数。将其用于青海省龙羊峡水库的中长期径流预报中,结果表明,通过Stacking融合算法建立的集成预测模型相较于单一模型,取得了更高的预测精度(R2值由0.71提升至0.82)。此方法可为提升流域中长期径流预测精度提供一定参考。

基于主要驱动因子筛选法和深度学习算法的浙江省动态需水量预测

收集了浙江省2000—2020年各用水行业需水量数据,采用基于Spearman秩相关分析的主要驱动因子筛选法筛选了影响各行业需水量的主要驱动因子,进而构造了改进的长短时记忆(LSTM)神经网络需水量预测模型,对各行业需水量进行动态滚动预测,并将改进LSTM模型的预测结果与传统单变量LSTM预测模型、卷积神经网络模型、支持向量回归模型的预测结果进行了对比。结果表明,基于主要驱动因子筛选法改进的LSTM模型能实时动态滚动预测各行业每年需水量,且预测结果精度高于其他3种模型。

基于分解重构的欧盟碳排放权市场波动率预测研究——新冠疫情、俄乌冲突背景下

碳排放权交易系统受多种因素影响具有强非线性、强波动性等特点,碳排放权收益波动率的预测极具挑战性。近年来突发的新冠疫情和俄乌冲突对碳市场带来了前所未有的冲击。以GARCH(1,1)波动率作为欧盟碳排放权的“真实”波动率,针对近几年动荡不安的碳市场,提出了一种基于自适应噪声完备集合经验模态分解(CEEMDAN)、样本熵(SE)、支持向量回归(SVR)、长短时记忆神经网络(LSTM)的波动率复合预测模型,即CEEMDAN-SE-SVR/LSTM/LSTM。该模型通过CEEMDAN和SE捕捉碳排放权波动率不同时间尺度上的特征,利用传统机器学习SVR在小样本上的鲁棒性以及深度学习LSTM模型长记忆特征对波动率实现精准预测。以近期欧盟EUA期货数据为样本进行了实证分析,结果表明,CEEMDAN-SE-SVR/LSTM/LSTM模型预测精度和鲁棒性优于其它参考模型。

红枣期货价格预测方法比较研究

红枣干果期货交易对稳定国内、尤其是新疆南疆的红枣干果价格发挥了重要的积极作用。开展红枣期货价格预测方法研究,有助于红枣产业利益相关者更好地组织生产、加工和投资管理。本研究采用3种价格预测模型对比分析了不同方法在红枣期货价格预测方面的综合性能差异,包括长短期记忆(LSTM)神经网络模型、支持向量回归(SVR)模型和误差反向传播(BP)神经网络模型。试验结果表明,LSTM价格预测模型在预测精度方面与SVR模型相比,均方根误差(RMSE)值降低了17.4%、平均绝对百分误差(MAPE)值降低了25%;与BP模型相比,RMSE值降低了12.8%、MAPE值降低了33.3%;在年度价格预测方面,LSTM模型取得了更佳的性能表现,尤其在提前5日预测红枣期货价格变动趋势时优势明显。基于LSTM的红枣干果价格预测模型可对红枣期货价格预测发挥辅助决策作用。

基于CEEMDAN-GSA-LSTM和SVR的光伏功率短期区间预测

针对光伏输出功率存在间歇性和波动性的问题,提出一种光伏功率短期区间预测模型.首先,该模型采用自适应噪声完备集合经验模态分解将历史光伏出力数据分解为不同的分量并按照其与赤纬角、时角等时序特征量的相关性定义为时序分量和随机分量.其次,分别使用经过引力搜索算法优化的长短期记忆神经网络和支持向量回归模型对时序分量和随机分量进行预测.再次,叠加时序分量和随机分量的预测结果得到点预测结果.然后,对误差进行Johnson变换及正态分布建模后得到光伏功率区间预测结果.最后,利用算例验证该模型的有效性.结果表明:在不同天气情况下,上述模型比现有预测模型精度更高,具有较好的鲁棒性,能够基于预测值提供较为精准的置信区间.

基于多种模型融合的电能计量互感器误差自动化补偿方法

为电能精准计量提供保障,提出基于多种模型融合的电能计量互感器误差自动化补偿方法。获取影响电能计量互感器误差的关键特征数据,作为改进LSTM与SVR输入,得到对应子模型的预测输出,计算子模型的权重系数,通过平均加权法融合模型的预测结果,确定电能计量互感器运行数据预测值,利用自回归积分滑动平均模型实现电能计量互感器误差的动态补偿。实验结果表明,特征数据选择可有效降低电能计量互感器比差和角差波动幅度;误差补偿后的二次电压曲线平滑,且更加接近理想的正弦波形。

考虑多因素的电子式电压互感器误差组合预测方法研究

电子式电压互感器的测量准确度与电网的安全性和经济性有着紧密的联系。为准确地预测EVT长期运行过程中的误差,提出一种考虑多种因素的组合预测方法。该方法通过相关性分析选取与EVT误差相关性较强的参量作为特征量,分别使用融合注意力机制的LSTM模型与SVR模型对互感器的误差进行预测,随后将所得的各预测结果进行组合以得到最终的预测结果。对某变电站实时运行数据进行仿真分析,结果表明所提出的方法能够有效预测EVT在未来一段时间内的误差变化信息,对变电站及时预知EVT误差问题并安排进行计量性能检修具有一定的参考价值。

面向云边协同的配电变压器运行状态评估及态势预测

随着电力物联网建设的高速推进,在配电物联网“云管边端”建设体系指导下,文章提出一种配电变压器运行状态评估与趋势预测通用技术架构。该架构将分别部署在云中心与边缘节点处,在云边协同机制支持下分析处理海量电力数据,完成对大规模配电变压器集群的运行管理。具体流程包括提取配电变压器基础状态、即时状态、累积状态等多维特征,构建评估指标体系,通过动态评估模型实现对配电变压器运行状态的实时画像描述;根据特征数据流的时序性和变化趋势,借助长短期记忆循环神经网络提取数据规律,结合支持向量回归模型进行预测,获得未来时段的特征数据流,并以此输入动态评估模型,实现配电变压器未来运行态势预测。最后,通过实例论证了该技术架构的适用性和先进性。

基于完全集成经验模态分解和模糊熵分频的短期风电功率预测

随着风电接入电力系统的比例日益增大,准确的风电功率预测显得更加重要。为此,提出了一种基于模糊熵和完全集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)的短期风电功率预测模型。采用完全集成经验模态分解将原始风电功率序列进行分解,得到一系列不同频率的子序列。再使用模糊熵(fuzzy entropy, FE)算法识别各频率分量特征,将子序列分量分为高、中频分量类和趋势项。趋势项为低频分量,具有较为平稳、波动性小的特点,采用麻雀算法(sparrow search algorithm, SSA)优化支持向量回归(support vector regression, SVR)进行预测;高、中频分量的波动性大且特点较为复杂,则采用SSA优化长短期记忆神经网络(long short-term memory, LSTM),同时引入注意力机制(attention mechanism, AM)对重要信息进行更好的权值分配。最后,经过实验结果分析表明,该模型具有更高的风电功率预测精度。

耦合二次因子筛选和深度学习的径流预报研究

径流影响因子的有效筛选是径流预报研究的关键环节。然而影响径流的要素众多,且因子间存在复杂的相互作用。现有研究大都采用一次因子筛选的数值驱动模型,且研究结果表明输入因子在空间上存在数据冗余,导致预报效果不佳。基于此,以渭河流域为例,对比分析支持向量回归(SVR)与长短记忆网络模型(LSTM),并选出最优的预报模型为LSTM模型。采用主成分分析法与灰色关联度分析法对输入项进行二次筛选,形成主成分分析、灰色关联度分析法与长短记忆网络的耦合模型。结果表明:①LSTM的拟合精度高于SVR;②二次筛选输入项提升了预报精度,耦合模型的预报精度均优于单一模型,其中耦合模型相对单一模型的模型精度评价指标均有大幅度提升;③灰色系统关联分析耦合模型相比主成分耦合模型的纳什效率系数、确定性系数分别提升了0.13%、0.03%,观测值标准偏差比提升了42.9%。研究表明采用灰色关联度进行二次因子筛选,能够有效提高预报精度。

基于EMD和SSA的股票预测模型

为了提高金融序列的预测精度,提出了一种基于经验模态分解(EMD)和奇异谱分析(SSA)的EMD-SSA-LSTM-SVR组合预测模型。该模型结合了EMD分解和SSA分解各自的优点,将原始金融序列分解为具有不同时间尺度的分量,充分发挥LSTM模型处理长期依赖序列的优势以及SVR模型对非线性序列的泛化能力对各个分量进行预测,集成得到金融序列的预测值。实验表明,与现有的EMD-LSTM、EMD-SVR、SSA-SVR和SSA-LSTM等基于EMD和SSA的预测模型相比,EMD-SSA-LSTM-SVR模型具有更高的预测精度。

火电厂氨逃逸的预测研究

为了实现机组超低排放并能够安全稳定运行,基于脱硝系统入口烟气温度、入口O2体积浓度、入口和出口NOx质量浓度、喷氨量和空气预热器差压等分散控制系统(DCS)数据,分别构建了用于预测氨逃逸的长短期记忆网络(LSTM)模型和支持向量回归(SVR)模型。根据现场测试的SCR系统入口和出口NOx质量浓度和氨逃逸量,计算得到宏观的脱硝装置潜能,结合同时间段内的DCS数据计算氨逃逸量,并作为真实值与LSTM模型和SVR模型的预测值进行对比。结果表明:SVR模型对氨逃逸的预测有较高的准确度和泛化能力,SVR模型对测试样本的均方根误差δMRE=0.007 1μL/L,平均绝对误差δMAE=0.002 4μL/L;LSTM模型对测试样本的预测误差δMRE=0.047 0μL/L,δMAE=0.019 0μL/L。

基于深度学习的节假日高速公路交通流预测方法

准确的预测节假日期间高速公路交通流量,能够为节假日高速公路应急管理提供重要的数据基础。利用深度学习的理论框架建立了LSTM-SVR预测模型,利用BP神经网络对样本数据进行处理,再将LSTM捕获的数据特征输入SVR回归层中实现交通流预测。选取"十一"黄金周前后时段,利用位于丽江市的交调站流量监测数据对LSTM-SVR模型进行验证,并将LSTM-SVR模型与其它模型预测效果进行对比。发现LSTM-SVR模型在节假日不同时段、天气、流量状态下的高速公路交通流预测中有较好的适用性。

非线性代数模型LSTM的应用研究——以股票指数预测为例

为合理预测我国股票指数,建立了一个深层LSTM非线性模型。根据新浪财经提供的2020年1月1日至12月31日,中国股票市场18个指数相关的数据,运用LSTM非线性模型预测该18个指数的收盘价,并将LSTM非线性模型的预测性能与ARIMA线性模型和SVR非线性模型进行对比。实验表明,在短期与长期预测性能对比中,LSTM非线性模型的预测性能最佳。

基于IndyLSTM的锂电池充电剩余时间预测

传统模型在锂电池充电剩余时间预测中的泛化能力受到一定约束。针对此问题,提出一种基于独立长短期记忆循环神经网络(IndyLSTM)的锂电池充电剩余时间预测方法。通过对锂电池充电过程数据的分析,利用IndyLSTM在处理序列化数据时可以长期记忆历史数据的优势,对充电剩余时间进行预测。采用美国国家航空航天局(NASA)公开的电池数据,与常规的LSTM和SVR模型进行实验对比,IndyLSTM预测结果在准确性和稳定性方面表现更好。

基于深度学习的盾构竖向姿态组合预测

为解决盾构竖向姿态的精确预测问题,提出一种基于长短期记忆(long short term memory,LSTM)神经网络-支持向量回归(support vector regression,SVR)的深度学习组合预测模型。在对采集到的竖向姿态数据进行相应的数据预处理的基础上,分别构建LSTM、SVR竖向姿态预测模型,并基于最优组合赋权的方式对二者的预测结果进行赋权,以得到LSTM-SVR盾构竖向姿态组合预测模型。为验证所构建的LSTM-SVR组合深度学习预测模型的可靠性,依托昆明地铁项目,将预测结果与LSTM、SVR、BP(back propagation)模型的预测结果进行对比。结果表明:所构建的LSTM-SVR组合深度学习预测模型具有较高的预测精度。