气液两相流压差波动信号的混沌特性及Volterra自适应短期预测研究

以空气和水为工质,在直径3.0mm的水平圆管通道内进行压差波动信号实验研究。根据压差波动信号图及高速工业相机拍摄的流型图,结合相空间重构、Lyapunov指数判别法对压差波动信号进行混沌动力学分析,在其基础上对压差波动信号进行Volterra自适应短期预测。结果表明:混沌分析得到的吸引子图可以更准确地展现管道内气液两相流的流动特性;Volterra自适应短期预测模型可以有效地对管道内气液两相流的压差时间序列进行短期预测,对环状流、层状流、间歇流、段塞流的压差时间序列预测的相对误差分别为1.86%、0.71%、3.90%、2.49%。

基于多窗宽核密度估计的风电功率超短期自适应概率预测

精准的风电功率预测是保证新型电力系统安稳运行、促进风电消纳的重要手段。针对核密度估计所求分位数在不同置信度下鲁棒性差的问题,提出多窗宽核密度估计方法,根据不同置信度生成不同窗宽的核密度估计值,实现了风电功率的超短期自适应概率预测。首先,结合风电功率曲线和数据驱动模型,建立基于改进双向长短期记忆网络的风电功率超短期确定性预测模型。其次,推导了最优窗宽核密度估计方法,并基于此构建多窗宽核密度估计误差拟合模型,在不同置信度下自适应生成最优窗宽并构建预测区间。最后,基于实际运行数据验证模型的可行性与有效性。结果表明,所提模型可有效提高确定性预测的精度和概率预测的鲁棒性。

改进黑猩猩算法的光伏发电功率短期预测

针对晴空、非晴空条件下光伏出力预测精度不高等问题,提出一种改进K均值(K-means++)算法和黑猩猩优化算法CHOA(chimpanzee optimization algorithm)相结合,优化最小二乘支持向量机LSSVM(least squares support vector machine)的模型,进行光伏功率预测。首先,利用密度聚类和混合评价函数改进K-means++对原始数据进行自适应类别划分。其次,通过相关性分析和随机森林特征提取构建模型的输入特征集。最后,根据特征集建立基于DK-PCHOA-LSSVM的短期光伏发电预测模型。结合实际算例,结果表明:该模型在恶劣天气下预测精度明显优于其他模型,验证了其有效性和优越性。

基于多模式分解和多分支输入的光伏功率超短期预测

针对光伏发电功率随机性强、波动性大导致其预测精度不高的问题,提出一种基于自适应近邻传播聚类(adaptive affinity propagation clustering,adAP)、多模式分解、多分支输入组合的光伏功率预测方法。首先,基于相关性分析找到与光伏发电功率高度相关的气象因素,并利用快速傅里叶变换(fast Fourier transform,FFT)将光伏输出功率从时域转换到频域,与相关度高的气象因素一起作为adAP算法的聚类特征,对具有相似气象特征的日场景进行分类;其次,对聚类相似日较少且输出功率波动剧烈天气类型中的气象相关因素和光伏输出功率添加高斯白噪声,并将其与原始数据合并,达到倍增样本的效果,以提升模型的泛化能力和鲁棒性;然后,使用变分模态分解(variational mode decomposition,VMD)、奇异谱分解(singular spectrum decomposition,SSD)和群分解(swarm decomposition,SWD)对光伏功率、辐照度和温度进行分解,削弱原始序列的波动性,丰富模型的输入特征;最后,搭建多分支的残差网络(residual network,ResNet)和长短期记忆网络(long short term memory network,LSTM)模型,提取数据的时间特征和波动特征,合并后输入到门控循环单元网络(gated recurrent unit network,GRU)中,建立历史特征和未来光伏输出功率的联系,得到预测结果。实验结果表明,所提出的多模型组合预测方法在光伏功率波动较缓天气情况下,能够保持较高的预测精度;在波动剧烈天气情况下,能够较大地提升预测精度。

CEEMDAN-WPE-CLSA超短期风电功率预测方法研究

提出了一种结合自适应噪声完全集合经验模态分解、加权排列熵、卷积神经网络、长短期记忆网络和自注意力机制的超短期风电功率预测方法。首先,利用自适应噪声完全集合经验模态分解将原始风电功率时间序列自适应分解为一系列的模态分量,降低原始序列的非线性和波动性;其次,根据加权排列熵计算各模态分量间的相似性并对相似的分量进行重组,以修正自适应噪声完全集合经验模态分解的过度分解问题,使得修正后的模态分量更具规律性;最后,将重组后的分量输入卷积长短期记忆网络进行时序建模,并利用自注意力机制对卷积长短期记忆网络的神经元权重进行重新分配,提高了卷积长短期记忆网络对输入特征不确定性的适应能力。在此基础上,明确了自注意力机制和自适应噪声完全集合经验模态分解、加权排列熵在风电功率预测中的作用机制,以及风电功率信号包含的重要物理信息,证明了自适应噪声完全集合经验模态分解、加权排列熵以及自注意力机制在风电功率信号模态分解和长短期记忆网络隐层输出权重分配中的有效性。

基于密度聚类模态分解的卷积神经网络和长短期记忆网络短期风电功率预测

近年来,随着碳达峰和碳中和“双碳”战略目标的提出,风力发电已成为可再生能源发电的关键部分。为提高风电功率短期预测的准确度,提出基于密度聚类与自适应噪声完备集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和卷积神经网络与长短期记忆网络结合的短期风电功率预测方法。首先,利用密度聚类将风电功率与天气特征分成不同类别的数据集,通过自适应噪声完备集成经验模态分解算法将不同类别的数据进行频域分解得到子序列分量。以此为基础,将不同的子序列分量与天气特征进行特征选择,输入到卷积神经网络与长短期记忆网络的预测模型。最后,将不同的预测结果进行叠加得到最终的预测结果。整个预测过程通过聚类、分解和特征选择,有效提高了短期风电功率预测的准确度。

基于CEEMDAN-SBiGRU-OMHA的短期电力负荷预测

为了提高短期电力负荷预测的精准度,充分挖掘电力负荷数据的复杂相关性,提出了一种优化多头注意力机制的CEEMDAN-SBiGRU组合预测模型,改进了特征提取和特征融合两个模块.首先,采用自适应噪声完全集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)将电力负荷数据分解成多个内在模态函数(IMF)和一个残差信号(RES);同时引入降噪自编码器DAE挖掘数据中受气象因素、工作日类型和温度变化的潜在特征.其次,将提取到的复杂特征输入至堆叠双向门控循环单元(stacked bidirectional gated recurrent unit,SBiGRU)模块中继续学习,以获取隐藏状态.最后,将获取的隐藏状态输入至加入残差机制和层归一化优化的多头注意力(optimized multi-head attention,OMHA)机制模块,可以准确地给重要特征分配更高的权重,解决噪声干扰问题.实验结果表明,CEEMDAN-SBiGRU-OMHA组合模型具有更高的精确性.

改进BBO优化BP神经网络的短期风电功率预测模型

为了提高预测模型在处理风电功率时间序列数据中的复杂模式和非线性特征时的识别能力,提出了一种新的预测模型。通过改进完全自适应噪声集合经验模态分解算法进行信号处理,然后根据改进生物地理学优化算法对反向传播神经网络进行初始权重优化,进一步提升短期风电功率预测的准确度和稳定性。通过实际应用案例表明,与其他优化算法相比,提出的模型在MAE、RMSE和MAPE上的表现分别平均提高了43.21%、37.98%和36.84%,显示出更高的预测准确度,仿真结果验证了本方法在短期风电功率预测领域的效果及其明显的优势。

基于考虑误差修正的非线性自适应权重组合模型的光伏发电功率预测

为了提高光伏电站光伏发电功率预测精度,解决极限梯度提升模型、长短期记忆模型2种传统单一模型及传统组合模型极限梯度提升-长短期记忆模型的光伏发电功率预测结果滞后、预测效果易突变、预测误差较大、线性拟合性较差等不足,基于极限梯度提升算法、长短期记忆算法和线性自适应权重,提出一种考虑误差修正的非线性自适应权重极限梯度提升-长短期记忆模型进行光伏发电功率预测;分别使用极限梯度提升算法和长短期记忆算法训练得到2种单一模型,将2种单一模型的初步预测值和真实值组成新的训练数据集,利用神经网络算法训练所提出的模型,对2种单一模型的初步预测值分配自适应权重系数,并根据训练时所提出模型的预测值大小分段统计预测误差的分布,预测时根据所提出模型的预测值在预测结果的基础上累加误差均值从而进行误差修正,进一步提高所提出模型的预测精度;利用Python语言分别对所提出的模型、传统组合模型和2种传统单一模型在晴天、阴天和雨天的光伏发电功率预测性能进行仿真。结果表明:与极限梯度提升-长短期记忆模型、极限梯度提升模型、长短期记忆模型相比,所提出模型的均方根误差分别减小28.57%、 39.39%、 49.79%,平均绝对误差分别减小44.25%、 53.33%、 64.8%,决定系数分别增大1.43%、 2.38%、 3.34%,所提出的模型更有效地减小了传统单一模型的光伏发电功率预测误差,优化了传统组合模型的权重系数;3种天气条件下所提出模型的光伏发电功率预测误差相对最小且稳健性最强,验证了所提出模型的有效性。

基于数字孪生与多模型融合的多元负荷短期预测

针对多元负荷呈波动性和非线性特性导致预测模型稳定性差和精确度低等问题,提出一种基于数字孪生与多模型融合的多元负荷短期预测方法。首先,根据数字孪生体中气象和负荷信息,利用最大信息系数(MIC)分析多源数据信息间的耦合特性,基于数据时序性和周期性构建筛选信息特征。其次,采用自适应局部迭代滤波(ALIF)将历史多元负荷数据进行分解,得到不同频率下固有模态函数(IMF)分量。然后,采用核极限学习机(KELM)和双向长短期记忆网络(BiLSTM)预测高频和低频负荷分量,融合重构得到初始负荷短期预测结果。最后,利用数字孪生体补偿初始预测结果,得到最终负荷预测结果。仿真结果表明,与单预测模型及未基于数字孪生预测模型相比,所提方法具有更好的稳定性,能有效应对负荷波动变化和非线性,提升模型预测精度。

无气象信息条件下基于AGCRN的分布式光伏出力超短期预测方法

针对分布式光伏普遍缺少气象量测装置而导致功率预测精度不足的问题,提出了一种基于自适应图卷积循环网络的分布式光伏出力超短期预测方法,可以在无气象数据的条件下,仅基于历史出力数据实现光伏出力精准预测。首先,分析了光伏出力数据兼具时序性和空间相关性,利用门控循环网络提取时序特征,利用自适应图卷积网络挖掘传统图卷积网络无法捕捉的光伏出力潜在空间相关性。然后,融合门控循环单元和自适应图卷积网络,构建自适应图卷积循环网络以提取多光伏站点出力的时空相关性,并利用注意力机制为不同时刻的时空特征分配权重。最后,通过全连接层输出最终的预测结果。采用某地区屋顶光伏实际出力数据在不同预测时间尺度下比较所提方法与其他方法的预测性能,结果表明,在没有气象数据的情况下,当预测尺度为15、30、60 min时,相比于传统门控循环网络,所提方法的平均绝对误差分别减少了16.9%、19.8%和30.5%。

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.

基于广义天气分类的ICEEMDAN-LSTM网络光伏发电功率短期预测

针对光伏发电功率受天气影响大、随机波动性强的问题,提出基于广义天气分类和改进自适应噪声完备集合经验模态分解(ICEEMDAN)长短期记忆(LSTM)网络的短期光伏发电功率预测方法。基于历史辐照度数据,采用K-means++聚类算法对广义天气类型进行划分,将天气类型分为3类,再通过ICEEMDAN方法将光伏发电数据分解为若干不同频率的本征模态和残差分量,以降低原始发电数据的非平稳性;在不同天气类型下,建立了不同模态序列分量下的LSTM预测模型;使用训练好的LSTM模型对各分解的子序列模态特征分量进行多维预测,并将各层模态预测序列融合成最终的预测结果。试验结果表明,所构建的ICEEMDAN-LSTM混合模型相较于常规短期光伏发电功率预测模型,具有更高的预测精度。

考虑分时电价和充电利用率特征的大型电动汽车充电站负荷短期预测方法

考虑分时电价和充电利用率特征对电动汽车充电站负荷的影响,提出了融合长短记忆网络和支持向量回归(long short-term memory-support vector regression,LSTM-SVR)的大型电动汽车充电站负荷短期预测方法。首先,建立了分时电价、充电利用率、气象信息等影响充电负荷的因素以及历史充电负荷功率数据作为输入的特征矩阵。其次,运用自适应噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)方法将包含分时电价和充电利用率的特征矩阵序列进行分解,扩充了数据多样性,并采用组合相关系数方法实现了数据降维和特征选择。然后采用北方苍鹰优化(northern goshawk optimization,NGO)算法分别优化LSTM和SVR的超参数,求解权重系数并构建融合LSTM-SVR模型。最后采用某城市一座大型充电站数据进行验证,对比实验表明,考虑分时电价和充电利用率特征可有效提高电动汽车充电站负荷预测精度8%以上,同时采用所提出的融合LSTM-SVR预测方法能使预测精度进一步提高。

基于CEEMDAN和BiLSTM-AM的超短期风速预测方法

精准的风速预测结果可以推进风电的高效消纳以及增强新型电力系统的安全稳定性。为进一步挖掘风速序列的非线性特征,提升风速预测精度,提出了一种基于CEEMDAN与BiLSTM-AM的超短期风速预测方法。针对风速的随机波动性,采用自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)对风速序列进行分解,转化为一系列较为平稳的子模态,从而降低预测的复杂度;采用具有双向信息流结构的双向长短时记忆网络(bidirectional long short-term memory,BiLSTM)挖掘各分量的变化规律,同时注意力机制(attention mechanism,AM)为神经网络的隐藏层状态分配相应权重,突出长时间序列中的关键信息,并利用贝叶斯优化对模型超参数进行寻优;将各分量的预测结果进行叠加作为最终结果。通过实际算例对比分析可知,该模型在单步与多步预测任务中均展现出良好的预测性能。

基于自适应时序分解筛选的大坝变形预测模型

高精度的大坝变形分析和预测是掌握大坝工作性态、诊断大坝异常的重要手段。针对现有模型信息特征挖掘不充分、泛化能力弱、难以实现精准预测等问题,采用灰狼算法优化自适应噪声完备经验模态分解解决多维参数标定问题,使用阈值评价指标保留变形时序数据的有效信息特征;引入交叉验证的递归特征选择法通过多个学习器综合筛选出最优因子集,移除冗余特征、提取有效信息并增强模型可解释性;考虑时序数据特性优化双向长短期记忆神经网络时间窗步数,结合大坝变形数据降噪、最优特征因子输入等多种方法,构建大坝变形预测模型。以实际工程为例,结合多种预测模型进行对比分析,结果表明该模型具备挖掘非线性信息能力,预测性能得到改善,可为大坝安全监测提供参考。

基于QMD-HBi GRU的短期光伏功率预测方法

为了解决光伏功率数据固有的强不确定性导致单一预测模型预测精度不高的问题,提出一种基于二次模态分解和混合双向门控循环单元模型(hybrid bi-directional gated recurrent unit, HBiGRU)的短期光伏功率预测方法。首先,为应对光伏功率数据的不确定性,基于自适应噪声完备集合经验模态分解、样本熵和变分模态分解对光伏功率数据进行处理,得到一系列较为平稳的本征模函数分量;其次,构建HBi GRU模型以充分挖掘各分量与光伏功率影响因素之间的特征关系,得到各分量预测结果;最后,将各分量预测结果叠加得到短期光伏功率预测结果。以澳大利亚某地光伏电站数据进行测试,仿真结果表明:所提集成预测模型能够有效提高短期光伏功率预测精度,与其他预测模型相比,其归一化平均绝对误差和均方根误差分别降低了3.21%和5.04%,决定系数提高了22.7%。

风电场短期风速的改进Volterra自适应预测法

欲提高含大量风电机组电网的安全稳定性及降低其运行成本,高精度的短期风速预测是一种有效的手段。首先在对具有混沌属性的风速时间序列进行相空间重构的基础之上,使用一种混沌时间序列的Volterra自适应滤波预测法对风速进行了预测;然后针对该方法滤波系数不易收敛及预测结果存在时延的缺点,改进了自适应算法的系数更新方法,从而加快了收敛并提高了预测精度。算例分析结果验证了该方法的可行性和有效性。

基于自适应图注意力网络的短期用户负荷预测

为提高短期用户负荷预测精度,提出了一种基于自适应图注意力网络(adaptive graph attention network,AGAT)的短期用户负荷预测模型。首先,针对用户负荷存在规模小、波动性强的问题,通过门控机制结合多个大小不同的扩张卷积核来构造时序特征提取层,从多个尺度上提取用户负荷的高维时序特征。同时,考虑到不同用户负荷间潜在的动态相关性,使用马氏距离构造动态图学习层,生成动态图邻接矩阵。然后,采用图注意力网络根据动态图邻接矩阵将用户负荷的高维时序特征进行信息汇聚。最后,通过全连接层输出用户负荷预测值。为验证AGAT模型的有效性,采用UCI电力负荷数据集进行预测实验,分别与多种基线模型比较。实验结果表明,所提模型预测指标优于各基线模型,有助于提高短期用户负荷预测精度。

基于改进FCM-LSTM的光伏出力短期预测研究

受制于外界气象条件和设备性能损失等多方面因素的影响,光伏电站的发电功率呈现出很强的波动性和随机性,精确的光伏出力预测对光伏电站的运营管理和电网的调度运行至关重要。针对传统模糊C均值聚类算法(FCM)无法自主确定聚类数以及欧氏距离在高维数据分类上的不足,在传统FCM的基础上引入自适应因子和加入余弦距离作为样本分类指标,确定与待预测数据相似程度最高的历史样本簇集,创新性地提出一种基于改进FCM和长短期记忆(LSTM)神经网络的短期光伏出力组合预测模型。在云南某光伏电站的应用结果显示,对比其他预测模型,所提方法的历史样本分类效果更佳,发电功率预测精度更高,验证了该方法的有效性与优越性。