基于改进EMD与SVM的风电功率短期预测模型

风电功率短期预测对电力系统的调度运行有着重要意义。为提高风电功率短期预测的精度,构建基于改进的经验模态分解法(EMD)和支持向量机(SVM)相结合的预测模型,进行风电功率的短期预测。首先,采用镜像延拓算法对预处理后的功率序列进行处理,从而抑制经验模态分解法分解过程中的端点效应;同时,采用分段三次埃尔米特插值代替三次样条插值,由此得到的包络线可以有效改进EMD的欠冲或过冲问题;然后用改进后的EMD方法将风电功率序列分解成不同的分量,再针对各分量分别构建各自的SVM模型进行预测,最后将各预测分量进行叠加,由此得到总的风电功率预测值。实验结果表明,相比与其他的短期功率预测模型,改进的EMD-SVM预测模型具有更高的预测精度,具有一定的应用价值。     

基于CEEMDAN-SAFA-LSSVM的短期风功率预测

随着电网中风电渗透率的逐年提高,对其出力进行精确预测是保障电网可靠运行的技术措施之一.建立了基于CEEMDAN-SAFA-LSSVM短期风功率组合预测模型.采用完全集合经验模态分解(CEEMDAN)将原始风功率序列分解成特征互异的各个本征模态分量,对分解产生的本征模态分量进行相空间重构,然后根据得到的新模态分量建立相应的最小二乘支持向量机(LSSVM)预测模型.针对LSSVM模型的预测精度易受参数选择的影响,提出萤火虫算法(SAFA)优化LSSVM模型的参数,解决了 LSSVM参数寻优效率低的问题.算例分析表明CEEMDAN-SAFA-LSSVM模型在风功率预测中具有较高的预测精度和预测效率.     

结合注意力机制与LSTM的短期风电功率预测模型

风力发电预测在电力系统的运行中发挥着重要作用。现有风电功率的短期预测模型因风速的复杂性和随机性,难以确定风速与风电功率的非线性映射关系,导致预测精度降低。提出一种结合变分模态分解、双阶段注意力机制、误差修正模块与深度学习算法的短期风电功率预测模型。通过对原始数据进行互信息特征选择,获得与风电功率相关性较强的特征,并对其进行信号预处理,利用变分模态分解对多维特征序列进行分解,得到具有一定中心频率的模态分量,以降低各个特征序列的复杂性和非平稳性。采用基于双阶段注意力机制与编解码架构的长短时记忆（LSTM）神经网络对模态分量进行训练与预测,得到初始预测误差。在此基础上,利用误差修正模块对初始预测误差进行变分模态分解和修正,从而提高模型的预测精度。实验结果表明,与自回归移动平均模型、标准编解码结构的LSTM模型相比,该预测模型的平均绝对误差最高可降低约87%,具有较优的预测性能。     

改进灰狼算法的核极限学习机的风功率预测

针对风能的波动性、非平稳性导致风电功率预测精度不高的问题,研究并提出一种基于可变模式分解(VMD)技术和改进灰狼算法(DIGWO)优化核极限学习机(KELM)的短期风电功率预测模型。将功率信号进行分解得到若干个不同带宽的模式分量,对各个模式分量建立核极限学习机预测模型。为提高核极限学习机的寻优能力,采用改进的灰狼算法对核极限学习机的参数进行优化,得到各个模式分量的预测值,将分量预测值进行叠加后得到风电功率最终预测。采用实际风电功率数据进行实验仿真,实验结果表明,该模型的RMSE和MAE分别是1.5%和1.16%,相比其他模型提高了风电功率预测精度。     

基于经验模式分解的时间序列数据流在线预测*

提出一种通用的时间序列数据流预测方法,算法首先通过经验模式分解方法将从链式重写窗口取得的数据集分解有限具有特征振荡周期的固有模态函数分量和一个代表原始序列平均趋势的余量;然后对于各个分量分别建立最大Lyapunov指数预测模型进行预测;最后将各分量的预测值组合获得最终预测值。通过电力负荷的预测实验表明,与单一的时间序列数据流预测模型相比,该模型具有较高的预测精度和很好的模型适应性。     

基于FEEMD-PACF-BP_AdaBoost模型的风电功率超短期预测

针对风电功率超短期预测问题,提出基于快速集合经验模态分解(Fast Ensemble Empirical Mode De-composition,FEEMD)、样本熵(Sample Entropy,SE)和BP_AdaBoost集成神经网络组合的超短期风电功率预测模型.对风电功率原始数据,采用FEEMD方法将其分解为从一系列本征模态函数分量(IMF)和余项;运用样本熵来解决分量个数过多、计算量繁杂的问题,通过PACF(偏自相关系数)筛选出与预测值关联程度高的元素确定输入维数;选用泛化能力强的集成神经网络BP_AdaBoost构建单步滚动预测模型并叠加获得最终值.实验结果表明,该组合模型提高了预测精度,具有可行性和有效性.     

基于最小机会损失准则的超短期风电功率组合预测

为了对超短期风电功率进行准确的预测,本文提出一种基于最小机会损失准则的超短期风电功率组合预测方法。即首先对风电功率时间序列进行EEMD分解,对分解得到的每个IMF分量采用不同优化准则建立组合预测模型进行预测;然后采用最小机会损失准则筛选预测精度最优的模型进行预测;最后对每个IMF分量的预测值进行组合叠加得到预测结果。实验结果表明,与EEMD+ELM、EEMD+BP、EEMD+RBF和EEMD+SVM等预测方法相比较,本文所提出的方法能有效提高超短期风电功率的预测精度。     

基于EMD和GEP的软件可靠性预测模型

基于经验模态分解和基因表达式编程算法提出了一种软件可靠性预测模型。通过对软件失效数据序列进行经验模态分解得到不同频段的本征模态分量和剩余分量,消除失效数据中的噪声,运用基因表达式编程算法的灵活表达能力,把分解得到的不同频段的各本征模态分量及剩余分量中所对应的不同失效时间序列作为样本来分别进行预测,重构各本征模态分量和剩余分量中相对应的预测结果,将其作为软件失效的最终预测值。基于两组真实软件失效数据集,将所提出的方法与基于支持向量回归机以及单纯使用基因表达式编程的软件可靠性预测模型进行比较分析。结果表明,该软件可靠性预测模型具有更为显著的模型拟合能力与精确的预测效果。     

基于经验模态分解的小波神经网络预测模型

针对小波神经网络(WNN)在非平稳、非线性时间序列预测上无法实现自适应多分辨率分析,且其预测精度有待提高的问题,提出基于经验模态分解的小波神经网络预测模型。首先,对非线性、非平稳时间序列进行经验模态分解(EMD),以降低时间序列的非平稳性;然后对EMD分析得到的固有模态分量(IMF)和余项分别构建WNN模型;最后,汇总预测结果,得到预测值。通过数据验证,新模型的预测精度高于BP神经网络和WNN。     

一种结合互补集合经验模态分解和小波核极限学习机的短期电力负荷预测模型

电力系统的管理和调度对精确的负荷预测模型有着极高的要求。为全面提高负荷预测模型的性能,提出一种新型的结合互补集成经验模态分解(CEEMD)和小波核函数极限学习机(WKELM)的短期电力负荷组合预测模型。首先通过CEEMD将历史电力负荷数据自适应地分解为一系列相对平稳的子序列,对各分量建立小波核极限学习机的预测模型,预测各分量的负荷值并对其进行求和得到最终预测结果。用四种预测模型对真实的负荷数据进行训练预测,算例表明新模型在预测精度和效率上都具有一定优势,同时克服了传统EMD中容易出现的模态混叠问题以及ELM中存在的过拟合等缺陷,具有一定的实际应用潜力。     

基于CEEMDAN分解的短时交通流组合预测

短时交通流预测是实现交通流诱导与控制的重要保障,鉴于交通流的随机性和复杂性,提出基于自适应噪声完全集合经验模态分解（CEEMDAN）的短时交通流组合预测模型。利用CEEMDAN算法对非线性序列具有自适应分解的特性,将交通流时间序列通过CEEMDAN分解为频率不同、复杂度不同的多个时间序列分量;利用PE算法分析各个分量的随机特性,根据时间序列分量的不同随机特性分为高频序列分量、中频序列分量和低频序列分量,根据高频、中频和低频序列分量的随机特性分别建立GWO-BP模型、GWO-LSSVM模型和ARIMA模型进行预测;叠加高频、中频和低频各个分量的预测结果,得到短时交通流最终预测值。仿真分析结果表明,与其他预测模型相比,基于CEEMDAN分解的短时交通流组合预测模型提升了预测精度。     

基于EMD-TCN的云资源预测研究

云计算资源的负载预测有助于数据中心灵活智能地配置资源,保障数据中心安全平稳运行。该文提出一种基于经验模态分解和时间卷积网络的云资源组合预测模型,使用历史的资源负载预测未来的资源需求。对负载进行经验模态分解,以降低原云资源负载序列的复杂度,得到反映原负载序列趋势和变化信息的本征模态分量和残余分量;将这些分量构造后输入到时间卷积网络中进行建模预测。以Google集群数据集中的CPU负载序列为例,将该模型与常用的云资源预测模型进行对比验证。实验结果发现,相比于长短时记忆网络和时间卷积网络,该模型在平均绝对百分比误差指标上降低了36.32%和35.37%,预测精度有了明显提升。     

考虑频域分解后数据特征的空调负荷预测模型

针对空调负荷预测实际应用中容易存在数据散杂且可用信息匮乏的问题,从负荷序列的非线性、非平稳性和随机性出发,提出了一种基于变分模态分解(VMD)的负荷预测方法.对不同数据特征序列考虑不同算法的数据观测与训练原理差异,充分发挥各个模型优势.首先采用随机森林(RF)进行特征选择,利用VMD将负荷序列按趋势分量、平稳分量和噪声分量进行分类重构,并分别对非线性序列建立最小二乘支持向量机(LSSVM)预测模型,时序平稳序列建立极端梯度提升(XGBoost)预测模型,采用正态分布拟合随机误差,得到各子序列预测结果并进行叠加输出最终负荷预测结果.实验结果表明,所提方法能准确反映负荷的特性并具有更好的预测精度,能有效预测空调负荷,为空调节能优化控制策略提供依据.     

EMD与NARX神经网络的风电场总功率组合预测

探索构建对风电场总功率进行直接预测的高精度组合预测算法。考虑到风速的非平稳性导致风电总功率表现为非平稳时间序列,采用NARX神经网络作为初步预测模型,提出了经验模态分解与NARX神经网络相结合的混合预测模型。对风电场总功率非平稳时间序列进行经验模态分解,得到不同频带本征模式分量的平稳序列。对不同频带的平稳分量建立相应的NARX神经网络预测模型,并将各分量模型的预测值进行等权求和得到最终预测值。此外,为研究不同时间间隔对预测结果的影响,采用某大型风电场时间间隔为5 min与15 min的数据进行实验。预测结果表明,提出的组合预测模型适合于总功率预测,其预测效果比传统模型的效果更佳,且时间间隔为5 min的数据比时间间隔为15 min的数据预测精度更高。     

基于mRMR和VMD-AM-LSTM的短期风功率预测

为了提高模型预测风功率的准确率,提出了一种基于最大相关-最小冗余筛选、变分模态分解、注意力机制和长短期记忆神经网络的短期风功率预测方法.首先使用变分模态分解算法将风功率序列分解成几个中心频率不同的分量;再对各个分量结合最大相关-最小冗余筛选出的气象特征分别建立注意力机制和长短期记忆混合预测模型;最后将各个分量的预测结果...     

基于集合经验模式分解的火灾时间序列预测

采用集合经验模式分解(EEMD)和多变量相空间重构技术,结合非线性支持向量回归(SVR)模型,提出一种火灾次数时间序列组合预测方法。根据EEMD将非平稳的火灾时间序列分解为一系列不同尺度的固有模态分量,利用多变量相空间重构技术对分解的各个分量进行相空间重构,构建其训练数据,对重构的训练数据建立各分量的非线性支持向量回归预测模型,使用SVR集成预测方法对火灾时间序列进行预测。仿真结果表明,与单变量相空间重构方法以及SVR方法相比,该方法具有较高的预测精度。     

基于CNN-LSTM的短期风电功率预测

短期风电功率预测对电力系统的安全稳定运行和能源的优化配置具有重要意义。鉴于卷积神经网络(CNN)高效的数据特征提取能力,以及长短期记忆网络(LSTM)描述时间序列长期依赖关系的能力。为了提高短期风电功率预测的精度,设计了一种基于CNN和LSTM的风电功率预测模型。该模型利用卷积神经网络对风电功率、风速、风向数据进行多层卷积和池化堆叠计算,提取风电功率相关数据的特征图谱。为了描述风电功率序列的时序依从关系,将图谱特征信息作为长短期记忆网络的输入信息,计算得到风电功率的预测结果。采用西班牙某风电场的实测数据进行模型预测精度验证。结果表明,该模型较LSTM、Elman模型具有更好的预测性能。     

二层分解技术在电价预测中的应用研究

针对电价波动幅度大且预测精度低的问题,提出了二层分解技术与神经网络组成的电价多步预测模型。该模型首先采用集合经验模式分解将原始电价序列分解为一系列分量,变分模态分解将第一层分解产生的最高频率分量进一步分解为一系列模态分量,所有分量采用神经网络模型进行预测,并使用纵横交叉算法对神经网络的参数进行优化,最后叠加所有子序列,得出预测电价值。仿真结果表明,所提出的模型相比其他混合模型具有更好的预测性能,且实用价值高。     

基于OS-ELM的风速修正及短期风电功率预测

随着时间的推移,风电场风电功率预测模型的适用性逐渐降低,导致预测精度下降。为了解决该问题,基于在线序列-极限学习机(OS-ELM)算法提出了风电场短期风电功率预测模型的在线更新策略,建立的OS-ELM模型将风电场的历史数据固化到隐含层输出矩阵中,模型更新时,只需将新产生的数据对当前网络进行更新,大大降低了计算所需的资源。采用极限学习机(ELM)算法对数值天气预报(NWP)的预测风速进行修正,并根据风电功率的置信区间对预测功率进行二次修正。实验结果表明,采用OS-ELM算法更新后的模型适用性增强,预测精度提高;采用基于风电功率置信区间的功率修正模型后,风电功率的预测精度明显提高。     

基于EEMD-RVM的陀螺漂移混合建模预测

陀螺漂移序列具有非平稳和非线性的特点,针对单一模型难以对其实现精确预测的问题,提出一种基于集合经验模态分解(EEMD)和相关向量机(RVM)的混合建模方法,实现对陀螺漂移序列的区间预测.首先,利用集合经验模态分解将漂移序列分解为多个模态和一个余量;将模态区分为噪声和趋势两个分量,对噪声分量建立分布模型,对趋势分量建立RVM模型,两者等权相加还原得混合模型;最后,给定置信度,得到置信区间预测结果.将该方法用于某振动陀螺漂移序列预测实例,结果表明:该混合预测模型能准确预测陀螺漂移,其中RVM的预测精度达到99.86%,且验证集以给定的置信度落在预测区间内,可为陀螺的寿命预测和性能分析提供依据.