结合HS算法与ESN算法的光伏发电短期出力预测

为提高光伏发电系统短期出力预测的精度,提出了一种和声搜索(Harmony Search,HS)算法与回声状态网络(Echo State Network,ESN)算法相结合的预测模型。该模型以光伏电站的历史发电量数据和气象数据为基础。首先通过相似日选择算法挑选出预测日的相似日,将相似日的气象特征向量和预测日的气象特征向量的差值作为预测模型的输入变量;然后选择训练样本,并用和声搜索算法优化后的回声状态网络模型(HS-ESN)对样本进行训练和预测;最后以甘肃某光伏电站为例进行实例验证。实证分析表明,利用和声搜索算法优化回声状态网络预测模型的储备池参数可有效提高回声状态网络的预测精度,因此该模型具有较好的实用价值。     

遗传算法优化回声状态网络的网络流量预测

网络流量预测是网络拥塞控制与网络管理的一个重要问题.网络流量时间序列具有时变、非线性特征,导致传统时间序列预测方法预测精度比较低,无法建立精确的预测模型.回声状态网络(echo state network,ESN)在非线性混沌系统预测与建模方面有着良好的性能,非常适合网络流量的预测.为了提高网络流量的预测精度,提出一种基于遗传算法(genetic algorithm,GA)优化回声状态网络的网络流量非线性预测方法.首先利用回声状态网络对网络流量进行预测;然后利用遗传算法对回声状态网络预测模型中的储备池参数进行优化,提高预测模型的预测精度.通过中国联合网络通信公司辽宁分公司采集的实际网络流量数据进行了仿真验证.与差分自回归滑动平均模型(auto regressive integrated moving average,ARIMA)、Elman神经网络以及最小二乘支持向量机(least square support vector machine,LSSVM)这3种常见预测模型进行了对比,仿真结果表明提出的方法具有更高的预测精度与更小的预测误差,更能刻画网络流量复杂的变化特点.     

多元时间序列的子空间回声状态网络预测模型

针对采用回声状态网络预测多元混沌时间序列时储备池学习算法可能存在的病态解问题,该文提出了一种基于快速子空间分解方法的回声状态网络预测模型.所提模型利用Krylov子空间分解方法提取储备池状态矩阵的子空间,子空间代替原状态矩阵进行输出权值求解,可以消除储备池状态矩阵的冗余信息,有效地解决伪逆算法存在的病态解问题,并且降低计算复杂度,提高泛化性能和预测精度.基于两组多元混沌时间序列的仿真结果验证了该文所提模型的有效性和实用性.     

基于改进回声状态网络的网络热点话题预测

网络热点话题具有时变性和非线性,灰色、负面热点话题对社会稳定产生不利影响。为了提高网络热点话题的预测精度,提出一种基于改进回声状态网络的热点话题预测模型(MESN)。首先构建网络热点话题的学习样本,然后采用回声状态网络建立网络热点话题预测模型,并利用改进粒子群优化算法对回声状态网络参数进行优化,建立最优网络热点话题预测模型,最后应用具体网络热点话题数据进行仿真实验。结果表明,该模型不仅提高了网络热点话题预测精度,而且加快了网络热点话题的建模速度,可以满足网络热点话题在线预测。     

一种增量式模块化回声状态网络

针对传统回声状态网络(ESN) 难以解决多振荡子叠加(MSO) 问题, 提出一种增量式模块化回声状态网络(IM-ESN). 该网络储备池由多个相互独立的子储备池组成. 利用矩阵的奇异值分解(SVD) 构造每个子储备池的权值矩阵, 并依据分块对角矩阵原理, 将子储备池逐一添加至网络中. 在网络增长过程中, IM-ESN 无需放缩权值矩阵便能保证网络的状态回声特性. MSO 问题的仿真结果表明, IM-ESN 能够自主确定与问题复杂度相匹配的网络规模, 具有较好的预测性能和鲁棒性.

     

基于ARMA-RESN的网络流量预测

为了获得更加理想的网络流预测结果,融合回声状态网络和自回归移动平均模型的优点,提出一种基于ARMA-RESN的网络流量预测模型。分别采用自回归移动平均和回声状态网络对网络流量线性变化特征和非线性变化特性进行建模与预测,对自回归移动平均和回声状态网络的预测结果进行融合,得到网络流量的最终预测结果,最后采用具体网络流量数据以及多个对比模型进行了仿真实验。仿真结果表明,相对于其他网络流量预测模型,ARMA-RESN不仅提高了网络流量的预测精度,而且具有更好的鲁棒性。     

基于延迟回声状态网的光伏电池板温度预测方法

光伏电池温度变化影响光伏系统输出的稳定性, 精准地预测光伏电池板温度的变化趋势, 对光伏系统智能运行具有重要意义. 为了更好地预测温度的变化趋势, 本文考虑了光伏电池板温度的迟滞效应, 将先前的温度输出作为延迟项引入回声状态网中, 提出了一种基于延迟回声状态网的光伏电池板温度预测模型. 给出一个延迟回声状态网具有回声状态特性的判定条件, 使得预测模型能够稳定地预测光伏电池板温度. 同时, 建立了一套光伏多传感器监测系统, 利用该监测系统采集的数据, 训练和验证模型的准确性. 与回声状态网(Echo state network, ESN), Leaky ESN (Leaky-integrator ESN)和VML ESN (ESN with variable memory length)相比, 仿真结果表明, 本文所提出的延迟回声状态网具有更好的预测性能, 平均绝对百分比误差甚至达到3.45%.     

多稀疏回声状态网络预测模型

针对单回声状态网络难以充分描述数据信息的问题,提出多稀疏回声状态网络预测模型.通过对相关回声状态网络的组合权值及由相关样本得到的基函数的权值同时进行学习,获得优化的多个稀疏回声状态网络组合模型.所提模型不同于双稀疏相关向量机等多核学习模型,它不需要选择特定的核函数及相应的核参数.因此,该模型不但能更好的描述数据信息,避免了双稀疏相关向量机及其他多核学习中核函数及其参数不易选择的问题.同时,所提模型不需要采用交叉验证的方式确定回声状态网络的谱半径和稀疏度,只需确定相应的区间.本文通过两组标杆数据和一组实际数据仿真实验,与传统回声状态网络方法相比,验证了所提模型具有更好的预测性能.     

基于Adaboost算法的回声状态网络预报器

把单个回声状态网络(echo state network,ESN)的预测模型作改进,对整体ESN预测精度的提高是有限的.针对以上问题,本文考虑整体ESN.首先利用Adaboost算法提升单个ESN的泛化性能及预测精度,并且根据Adaboost算法的结果,建立一种ESN预报器(Adaboost ESN,ABESN).这个ESN预报器根据拟合误差不断修正训练样本的权重,拟合误差越大,训练样本权重值就越大;因此,它在下一次迭代时,就会侧重在难以学习的样本.把单个ESN的预测模型经过加权,然后按照加法组合在一起,形成最终的ESN预测模型.将该预测模型应用于太阳黑子、Mackey-Glass时间序列的预测研究,仿真结果表明所提出的预测模型在实际时间序列预测领域的有效性.     

改进粒子群算法优化回声状态网络的电力需求预测研究

首先引入自适应算子对标准粒子群优化算法PSO的惯性权重和学习因子进行改进,以提高其探索当前空间和开发未知空间之间的平衡性。同时,采用非线性函数来构建回声状态网络ESN储备池内部状态之间的非线性关系。接着利用改进的粒子群优化算法APSO对非线性回声状态网络NESN的关键参数进行优化,以构建APSO-NESN组合预测模型。最后运用该模型进行电力需求预测。实验结果表明,相比自回归移动平均模型、多元线性回归、标准ESN及其他预测模型,APSO-NESN模型具有更高的预测精度。     

基于优化BP神经网络光伏出力短期预测研究

太阳能拥有丰富的资源,而且分布广泛,现已被广泛应用到各种应用中,光伏发电已是一种可靠可行、可扩展的重要可再生能源利用的方式,因此对光伏出力进行精准的预测意义重大;从宁夏市某光伏发电站获得了一年的光伏发电数据与气象等因素,选取四月至五月的数据进行研究预测;针对BP神经网络的收敛时间长,容易陷入局部极小值等缺点;建立单一BP神经网络预测模型,基于遗传算法(GA)优化BP神经网络的GA-BP预测模型与基于狼群算法(WPA)优化的BP神经网络的WPA-BP预测模型;选择平均相对误差作为误差评估指标,结果表明,3种预测模型均能对光伏电站的发电功率进行预测,但是单一的BP神经网络模型误差较大,晴天时,误差为5.1%,经遗传算法改进后的预测误差为4.9%,较单一模型提高了0.2%的精度,而WPA-BP预测模型误差为4.4%,预测精度高于前者;同时多云天和雨天的时候,均为WPA-BP模型的预测误差小,稳定性高,具有一定的研究价值。     

基于大数据的分布式光伏接入配电网影响分析与功率预测研究

为提高分布式光伏发电功率预测的精度,满足电网调度和规划的高精度要求,本文利用光伏运行、电能量采集、电网调度等业务系统的海量数据,利用大数据分析方法研究大量分布式光伏接入对配电网负荷特性的影响,并提出基于气象相似日和粒子群算法优化BP神经网络的光伏电站功率预测方法.通过分析光伏发电功率随天气类型、温度、光照强度等气象因素...     

改进BP神经网络的光伏系统发电功率预测

为了提高光伏发电功率的预测精度,提出一种改进BP神经网络的光伏发电功率预测模型.首先采用包括室外温度、光照辐射量、风速等作为输入层节点,交流发电功率作为输出节点,引入RMSE作为衡量最优模型指标,确定了隐含层节点数,然后采用BP神经网络对其进行学习,并采用布谷鸟搜索算法对BP神经网络进行优化,最后采用仿真实验对其有效性进行测试.结果表明,改进神经网络提高了光伏发电功率预测精度,具有一定的推广价值.     

基于相似日理论和IPSO-Elman模型的短期光伏发电功率预测

为提高光伏发电功率预测精度，提出一种基于相似日理论和改进的IPSO-Elman神经网络模型的短期光伏发电功率预测方法。将历史数据细分为不同季节不同天气类型的多个子集，通过灰色关联度和余弦相似度组合而成的综合关联度指标筛选相似日。针对标准粒子群算法的缺陷，提出一种改进的自适应混沌变异粒子群算法(IPSO)来优化Elman神经网络，将优化得出的最优权值和阈值作为初始值建立IPSO-Elman神经网络模型，对3种不同季节和天气类型条件下的光伏发电功率分别预测。选用甘肃省某光伏电站2014年数据进行实例分析，结果表明，IPSO-Elman模型在不同天气类型条件下的功率预测效果都有明显提高。     

融合级联LSTM的短期电力负荷预测

随着我国清洁能源的快速发展,分布式光伏电站得到了大力推广。在光伏电力系统运维中,电力负荷预测是影响分布式光伏电站发电、储能、传输等多个环节进行优化配置的关键因素。针对电力负荷的预测问题,提出了一种级联长短期记忆模型,将电力负荷预测划分为两个阶段：第一个阶段提取电力负荷的周期性特征,得到总体的变化趋势;第二个阶段提取负荷的波动性特征,对总体趋势进行修正,进一步提升预测的准确度。在某地区连续五年的电力负荷数据集上进行了实验验证,结果表明级联LSTM模型能够大幅降低预测误差。该模型可以为分布式光伏电站提供较为准确的负荷预测,能够为其智慧运维服务提供重要支持。     

采用稳健回声状态网络的超短期负荷预测方法

针对超短期负荷预测周期短,要求预测速度快的特点,构建了基于稳健回归和回声状态网络的超短期负荷预测方法。回声状态网络作为一种递归神经网络,其隐含层为一个储备池,并且通过线性回归训练网络,从而具有映射复杂动态系统的能力和训练快速的特点,能较好地满足超短期负荷预测的要求。考虑到异常负荷数据的影响,将稳健回归运用于网络训练阶段,以削弱异常值的影响,从而提升预测的精度。通过算例验证了所提方法的可行性和有效性。     

基于初始化非负矩阵分解的光伏发电预测

光伏发电作为一种可再生能源发电技术,使用规模日益扩大,光伏发电的精准预测已成为数据挖掘的重要研究领域,但是光伏发电本身的随机性和不确定性使得现有的预测功率难以达到理想的高度,对电网运行的稳定性造成了不利的影响。为了探索预测日的发电功率、历史日的发电功率以及气象数据等相关因素之间的关系,解决光伏发电难以准确预测的问题,提出了基于初始化非负矩阵分解的光伏发电预测方法,将影响光伏发电的因素建立关联关系,根据模糊C均值聚类算法为预测模型的构建提供较好的初值。将此模型应用到真实数据集上,分别对两种天气情况进行了从早上7点到晚上6点15分,46个采样点的预测。通过与基本的非负矩阵分解等算法进行对比实验,表明该模型能够有效提高光伏发电预测精准度。     

基于注意力机制的Encoder-Decoder光伏发电预测模型

影响光伏发电系统出力的天气因素具有很大的波动性和不连续性,因此需要创建合适的预测模型来对光伏出力特性进行精准预测,从而保证电网系统的有效运行。本文通过最大信息系数选择合适的历史光伏发电数据,将其作为特征之一进行输入数据重构,并在由LSTM神经元构建的Encoder-Decoder模型上引入注意力机制,最终得到结合注意力机制的Encoder-Decoder光伏发电预测模型。经实际光伏电厂算例分析,验证了所提模型在光伏发电预测方面的准确性和适用性。     

Short-term electric power load forecasting using feedforward neural networks

Abstract: This paper presents the results of a study on short‐term electric power load forecasting based on feedforward neural networks. The study investigates the design components that are critical in power load forecasting, which include the selection of the inputs and outputs from the data, the formation of the training and the testing sets, and the performance of the neural network models trained to forecast power load for the next hour and the next day. The experiments are used to identify the combination of the most significant parameters that can be used to form the inputs of the neural networks in order to reduce the prediction error. The prediction error is also reduced by predicting the difference between the power load of the next hour (day) and that of the present hour (day). This is a promising alternative to the commonly used approach of predicting the actual power load. The potential of the proposed method is revealed by its comparison with two existing approaches that utilize neural networks for electric power load forecasting.