基于PSR-LSTM的机组负荷短期预测研究

为了提高机组负荷短期预测精度,针对其非线性、时序性特点,以某660 MW机组为研究对象,提出一种基于相空间重构(PSR)和长短期记忆网络(LSTM)的负荷预测模型PSR-LSTM。利用归一化函数(mapminmax)将原始机组负荷数据归一化处理后,选用C-C法与小数据量法证明历史负荷数据具有混沌特性并进行负荷时序重构;将重构后的每一维特征向量作为时间步输入建立的LSTM模型训练进行短期预测。研究表明:PSR-LSTM预测模型在12 h与在5 min内的平均绝对百分比误差分别为1.38%和0.39%,均方根误差分别为6.38和1.83;相较于标准LSTM模型以及传统自回归滑动平均模型(ARMA),PSR-LSTM模型误差较低并具有更高的预测精度。

融合相空间重构和深度学习的径流模拟预测

发展对数据依赖程度低、快捷实用和精准的模拟预报技术,可为资料缺乏地区径流模拟预测提供有效的解决办法。从数据驱动的角度,提出一种融合相空间重构(PSR)和长短期记忆神经网络(LSTM)的径流预测复合模型PSR-LSTM,在国内外不同气候分区的10个流域(站点)进行验证。结果表明:PSR-LSTM能够提取水文变量的多维子空间特征,并较好预测不同时间尺度的径流变化过程;相较于LSTM,PSR-LSTM预测未来1、3、5、7、9时间步长的纳什效率系数在10个流域平均提高1.49%~9.77%,均方根误差平均降低17.01%~19.72%,对训练数据量的依赖程度相比LSTM降低25%~33%。研究成果可为广大资料短缺流域水文过程模拟和预测提供参考。