针对传统模型在机组负荷预测中无法充分捕获内部多变量演化模式的问题,提出了一种基于时间序列的趋势和数值信息融合的双重回声状态网络Dual-ESN(dual-echo state network)机组负荷动态预测模型。首先,引入最小二乘法,对相关的多元历史...针对传统模型在机组负荷预测中无法充分捕获内部多变量演化模式的问题,提出了一种基于时间序列的趋势和数值信息融合的双重回声状态网络Dual-ESN(dual-echo state network)机组负荷动态预测模型。首先,引入最小二乘法,对相关的多元历史信息按照局部时间跨度进行趋势拟合。进一步,得到有关过程变化的模式序列,并和原本的数值分别被送入两个独立的储备池,以并行的时间维度进行特征学习。其次,将隐层的高维空间状态送入输出层,融合信息,得到所需要的预测结果。最后,基于山西某工厂660 MW机组装置的真实数据集,进行验证。对比已有预测方法,结果表明所提预测模型在多种性能指标上均有提升。展开更多
文摘针对传统模型在机组负荷预测中无法充分捕获内部多变量演化模式的问题,提出了一种基于时间序列的趋势和数值信息融合的双重回声状态网络Dual-ESN(dual-echo state network)机组负荷动态预测模型。首先,引入最小二乘法,对相关的多元历史信息按照局部时间跨度进行趋势拟合。进一步,得到有关过程变化的模式序列,并和原本的数值分别被送入两个独立的储备池,以并行的时间维度进行特征学习。其次,将隐层的高维空间状态送入输出层,融合信息,得到所需要的预测结果。最后,基于山西某工厂660 MW机组装置的真实数据集,进行验证。对比已有预测方法,结果表明所提预测模型在多种性能指标上均有提升。
