基于小波分解与ARMA-BayesLSTM组合模型的风向短期预测

针对风向的随机性、不稳定性、强相关性,提出了1种基于小波分解的自回归滑动平均模型（Autoregressive moving average,ARMA）与Bayes-LSTM(Long short-term memory,LSTM)组合的风向预测算法。首先对风向序列进行小波分解;然后使用ARMA与Bayes-LSTM算法分别对各分量进行预测;最后对预测结果进行重构,得到预测风向。与ARMA、LSTM、Bayes-LSTM预测方法进行对比,结果表明,所提出的组合算法对风向具有更好的预测精度。     

融合EMD和LSTM的受热面积灰预测研究

针对锅炉受热面积灰将会降低传热效率和安全性,采用清洁因子作为健康指标来监测锅炉受热面健康状况,并且提出融合经验模态分解(EMD)和长短期记忆网络(LSTM)的模型来预测未来锅炉积灰。经验模态分解可以将时间序列分解为一系列频域稳定的本征模态函数,长短期记忆网络拥有记忆功能,它能够通过学习来挖掘时间序列之间隐藏的长期依赖关系,二者结合,增加了对于时间序列预测的准确度。通过仿真软件验证,该模型对锅炉受热面积灰状况的预测有较为满意的精度,并与两种常用模型进行对比发现,预测精度分别提升了67.7%与59.2%,验证了该模型的可行性与有效性。     

基于小波变换和长短期记忆神经网络的电力负荷预测

电力系统需要保持发电功率与用电负荷的即时平衡,而电力负荷具有非线性、时变性和不确定性等特点。针对此问题,考虑天气与日期类型的影响,构建小波变换（wavelet transform,WT）和长短期记忆（long short-term memory,LSTM）神经网络组合预测模型,对电力负荷进行短期电力负荷预测。首先,用小波变换对数据集进行特征提取、信号去噪,消除数据的波动性;其次,将预处理后的数据利用LSTM进行训练,将输出结果进行序列重构;最后,进行负荷预测,WT-LSTM组合预测模型分别与BP神经网络预测模型和LSTM预测模型进行对比数据。结果表明,WT-LSTM神经网络组合预测模型的预测效果最好,有效地提高了预测精度。     

基于小波分解与神经网络的光伏功率预测

对光伏发电预测模型的训练时间和网络精度进行综合分析,研究了影响光伏功率预测精度的因素.通过公式确定神经网络隐含层个数的范围,进而确定计及神经网络精度与网络训练时间的隐含层节点数,并提出一种将人工神经网络(Artificial Neural Network,ANN)与小波分解(Wavelet Decomposition,...     

基于小波分解的神经网络组合风速预测

短期风速预测对于风电机组一次调频有着重要意义,而风速的随机性和波动性会直接影响到风速预测的精度.针对风速的上述特点提出了一种基于小波分解的神经网络组合风速预测方法.首先通过小波分解将不稳定的风速信号进行分解,从而得到不同频率的分量并进行重构;然后对高频分量分别采用Elman、BP神经网络预测并选取合适的权重比进行加权平...     

基于改进的LSTM的药品温湿度预测方法

针对医药冷链系统中药品温湿度数据不易诊断的问题,提出一种改进的长短期记忆(LSTM)预测药品温湿度的方法。首先通过插值扩充算法扩充湿度数据集,接着提出一种内含多个LSTM细胞元的LSTM结构,代替传统的迭代预测,随后通过Adam优化算法调整网络参数和改变网络层数降低预测误差,实现对药品温湿度的提前预判。最后在药店冷藏柜中采集到的药品温湿度数据集上进行测试,均方误差(MSE)为0. 036 9。与传统的BP神经网络预测方法和高斯过程混合模型预测方法对比,改进的LSTM药品温湿度预测方法预测更准确。     

基于小波分解和ELMAN神经网络的风速—风功率预测研究

针对风功率难以预测的问题,提出一种基于小波分解和ELMAN神经网络的风速-风功率预测模型,采用小波分解来降低风速的非平稳性;采用ELMAN神经网络建立风速预测模型;基于实测数据拟合功率曲线,并结合得到的功率曲线进行风功率预测。最后将建模流程应用到实测数据验证模型的有效性,结果表明了模型的先进性。     

基于改进型LSTM的电力设备温度预测方法研究

实现电力设备温度的准确预测对于保障电力系统安全和提高维修效率具有重要意义.传统预测方法无法满足高精度的预测要求,提出一种基于改进型长短期记忆(long short-term memory,LSTM)神经网络的电力设备温度预测方法,利用去池化的卷积神经网络(convolutional neural networks,CN...     

基于Dropout优化算法和LSTM的铅酸蓄电池容量预测

针对变电站铅酸蓄电池容量预测模型存在的预测准确率低、泛化能力差等问题,提出一种基于Dropout优化算法和长短期记忆LSTM（long short-term memory）神经网络相结合的容量预测模型。该模型以LSTM神经网络为基础,结合变电站蓄电池充放电特性,将长时间跨度的蓄电池运行数据作为模型的输入,建立多层级LSTM预测模型来提升预测结果的准确率。同时基于Dropout优化算法完成LSTM预测模型的训练,提升模型的泛化能力。工程实际应用表明,相较于传统的LSTM神经网络和BP神经网络,改进模型在长时间跨度预测时具有更高的准确率和更好的泛化能力。     

二次分解组合 LSTM 的短期风电功率预测模型

随着风电在电力系统中的占比逐步提高,风电功率的精确预测对电力系统的安全稳定运行具有重要意义。然而,风电的随机性和间歇性极大地影响其功率的精确预测。为此,提出二次分解组合长短期记忆(LSTM)的短期风电功率预测模型。首先,采用经验模态分解(EMD)技术将原始风电序列分解为若干固有模态分量;再采用样本熵(SE)技术将各分量重组为高、中、低频3个序列,针对高频模态混叠再次采用麻雀搜索算法-变分模态分解(SSA-VMD)二次分解技术;最后,采用SSA算法对LSTM的参数进行寻优并完成风电功率预测。以湖北省某风电场对所提模型进行验证,并与其他模型进行对比。结果表明,所提模型的平均绝对误差(MAE)为5.79 kW,均方根误差(RMSE)为5.64 kW,平均百分比误差(MAPE)为17.38%,具有更好的预测精度。     

基于支持向量机和长短期记忆网络的暂态功角稳定预测方法

为实现暂态功角稳定性及功角轨迹的预测,提出一种支持向量机(SVM)与长短期记忆(LSTM)网络相结合的预测方法。根据系统动态特性构造暂态特征变量,采用SVM训练暂态稳定性分类器,对暂态稳定进行初步评估;利用LSTM网络对分类器评估的失稳样本进行发电机功角轨迹预测,提前发现失稳机组,减少误判样本数。通过IEEE 10机39节点系统产生训练样本并对所提方法进行测试,结果验证了所提方法的快速性和精确性。     

小波分解层数及其组合分量对短期风速多步预测的影响分析

针对风速时间序列的规律性和随机性双重特征,将小波分解和RBF神经网络相结合用于短期风速预测。针对小波分解用于风速信号的不同频率成份的趋势项提取,研究了基于小波分解后的分量RBF网络预测及综合问题,包括全部高频-低频分量组合预测、部分高频-低频分量组合预测,以及低频分量组合预测三种方法的预测性能和特点。分析了三种不同方法在短期风速预测中的应用效果。通过对不同时间、不同地点短期风速预测的研究发现,进行不同步数的预测时,只有选取合适的分解层数、合适的高频分量和低频分量组合,才能得到最优的预测效果。该结论对于将小波分解用于短期风速时间序列的预测具有一定的指导意义。     

基于模糊信息粒化和长短期记忆网络的短期风速预测

针对风速点预测无法对预测结果进行风险评估、区间预测难以满足电网精细化要求,以及现有静态预测方法难以描述风速序列长期相关性的现象,提出一种基于模糊信息粒化(Fuzzy Information Granulation,FIG)和长短期记忆(Long Short-Term Memory,LSTM)网络的动态预测模型。该方法先对风速序列进行模糊信息粒化,提取出粒化后数据的最大值(区间上界)、最小值(区间下界)和平均值。其次采用ADAM算法优化的LSTM网络对各粒化数据进行动态建模,得到能描述风速波动性的区间预测结果和点预测结果。算列表明,所提动态模型的预测效果比其它基本模型的预测效果更好。     

基于LSTM的智能电网链路质量置信区间预测

为了提升智能电网无线通信的鲁棒性以及链路预测精度,提出了一种基于长短时记忆网络的智能电网链路质量置信区间下限预测方法.文中分析了智能电网的通信需求和无线链路的特点,根据分析结果,采用小波去噪算法将信噪比时间序列分解为确定性部分和随机性部分,将确定性部分输入到两层长短时记忆神经网络进行预测.计算随机部分的方差时间序列,作为另一个两层长短时记忆神经网络的输入进行预测,分别预测确定性部分和随机部分的方差,计算置信区间边界.实验结果表明提出方法具有更好的鲁棒性以及预测精度.     

基于LSTM长短期记忆网络的超短期风速预测

大风天气容易导致高速列车发生脱轨、翻车等事故,因此对于风速的超短期预测对于高铁安全行驶具有重要的意义。提出一种基于长短期记忆(LSTM)网络的预测模型,对WindLog风速传感器采集得到的每分钟最大风速数据进行分组预处理,设置合理的步长参数,建立双层LSTM网络结构,采用北京市海淀区的风速数据进行训练,并对超前1、5、10 min的风速进行超前预测,超前1 min的预测值平均误差为0.467 m/s,正确率达100%;超前5 min的预测值平均误差为0.543 m/s,正确率达99.6%;超前10 min的预测值平均误差为0.627 m/s,正确率达98.8%。实验结果表明,该预测模型具有较好的适应性和较高的预测精度。     

基于变分模态分解和深度学习的短期电力负荷预测模型

提升负荷预测的准确性对于指导电力系统的生产计划、经济调度以及稳定运行至关重要。提出一种基于变分模态分解(Variational Mode Decomposition, VMD)和长短期记忆(Long Short Term Memory, LSTM)神经网络的短期负荷预测模型。利用VMD算法将负荷序列分解成不同的本征模态函数(Intrinsic Mode Functions, IMF),每个IMF结合LSTM进行预测,将各部分预测结果叠加得到VMD-LSTM模型的预测结果。分析实验结果,相比单一LSTM和经验模态分解(Empirical Mode Decomposition, EMD)组合LSTM预测方法,该方法能有效的提升负荷预测的准确性。     

基于CNN和LSTM混合网络的电动汽车充电桩运行状态预测方法

随着电动汽车的大规模发展,公共充电桩运行数量和充电量逐年增长。然而,充电桩运行始终存在故障频发、运维难度大和维修成本高等问题,并且传统故障检测方法效率低下。因此提出了一种基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合网络电动汽车充电桩运行状态预测方法,可以实现对电动汽车充电桩运行状况的综合评估。在特征数据输入阶段,对充电桩运行状态的关键指标进行分析,通过CNN提取运行状态影响因素的特征量,再利用LSTM判断和预测充电桩运行状态,从而实现对充电桩潜在故障的预警。试验结果表明,该方法预测准确率高、实用性强,能较准确地反映和预测充电桩的运作状态,可实际用于充电桩故障预测与运维检修。     

融合LSTM和PPO算法的移动机器人视觉导航

为提高移动机器人在无地图情况下的视觉导航能力,提升导航成功率,提出了一种融合长短期记忆神经网络( long short term memory, LSTM)和近端策略优化算法(proximal policy optimization, PPO)算法的移动机器人视觉导航模型。 首先,该模型融 合 LSTM 和 PPO 算法作为视觉导航的网络模型;其次,通过移动机器人动作,与目标距离,运动时间等因素设计奖励函数,用以 训练目标;最后,以移动机器人第一视角获得的 RGB-D 图像及目标点的极性坐标为输入,以移动机器人的连续动作值为输出, 实现无地图的端到端视觉导航任务,并根据推理到达未接受过训练的新目标。 对比前序算法,该模型在模拟环境中收敛速度更 快,旧目标的导航成功率平均提高 17. 7%,新目标的导航成功率提高 23. 3%,具有较好的导航性能。