基于QPSO-LSTM的短期风电负荷预测模型

准确的风电预测可以提高电网的稳定性和可靠性,优化风电发电计划,降低能源成本。为了提高短期电力负荷预测的精度,文章探讨了一种基于QPSO算法对LSTM神经网络进行优化的算法,并根据LSTM神经网络以及QPSO算法的基本原理,利用QPSO算法对LSTM的超参数及网络拓扑结构进行优化,建立QPSO-LSTM短期风电负荷预测模型。仿真结果表明,QPSO-LSTM模型较传统的LSTM模型预测精度更高,且具有更快的收敛速度。

基于量子粒子群算法优化LSTM的短期风电负荷预测模型

为了提高短期电力负荷预测的精度,研究了一种基于QPSO算法对LSTM神经网络进行优化的算法,并根据LSTM神经网络以及QPSO算法的基本原理,利用QPSO算法优化模型隐含层节点数、训练次数和学习率,建立QPSO-LSTM短期风电负荷预测模型[1]。解决了因网络结构及模型参数的不确定性产生的精度问题,并将该模型与传统的神经网络模型进行了对比。仿真结果表明,QPSO-LSTM模型较传统的LSTM模型预测精度更高。

基于QPSO优化CNN-Bi-LSTM网络的锂电池健康状态估计

锂电池健康状态(State of Health,SOH)估计对于保证电池安全可靠运行和降低电池系统维护成本具有重要意义.为了提高锂电池SOH估计精度,提出一种基于量子粒子群算法(Quantum Particle Swarm Optimization,QPSO)优化卷积神经网络(Convolutional Neural Networks,CNN)-双向长短时记忆网络(Bi-directional Long Short Term Memory,Bi-LSTM)的锂电池健康状态估计模型.首先从锂电池充放电曲线中提取与电池容量相关的健康因子并进行相关性分析,再利用CNN对输入数据进行快速的隐含特征信息提取,然后利用Bi-LSTM充分学习时间序列特征,通过QPSO对CNN-Bi-LSTM模型的关键参数进行寻优,使得模型的估计精度得到提升,最终得到锂电池的SOH估计结果.在CALCE、NASA和TRI 3种锂电数据集上进行仿真实验,结果表明该模型在不同的锂电池数据集上都具有较好的估计效果和更高的精度,估计误差保持在1%以内,验证了估计方法的有效性.

基于QPSO⁃LSTM 网络的火电机组一次调频能力建模

为了提升火电机组一次调频能力,提出一种基于长短期记忆网络(Long Short⁃Term Memory Network,LSTM)与量子粒子群算法(Quantum⁃behaved Particle Swarm Optimization,QPSO)的一次调频能力计算方法。将负荷指令、机组实发功率、主蒸汽压力、汽轮机总阀位开度和发电机转速作为特征变量,基于某600 MW燃煤火电机组调峰运行工况下的实际数据,构建一次调频能力计算模型。利用QPSO算法优化模型隐含层节点数、训练次数和学习率,解决了因网络结构及模型参数的不确定性产生的精度问题,并将该模型与传统的神经网络模型进行了对比。结果表明:本文所提出的方法具有更高的模型精度,从而能够为机组一次调频能力的限制因素分析和调频性能的优化提升提供模型基础。