基于VMD和TCN的多尺度短期电力负荷预测

准确的电力负荷预测对于保证电力系统的稳定运行起着重要作用。针对传统短期电力负荷预测方法预测精度低,模态分解后未考虑子序列融合等问题,提出一种基于变分模态分解(VMD)和时域卷积网络(TCN)的多尺度短期电力负荷预测方法。首先利用VMD将电力负荷数据分解为若干个子序列,解决电力负荷数据的非线性和随机性等问题;再利用TCN对若干个序列采用不同时间尺度进行训练;最后利用全连接网络(FC)对各时间尺度的子序列进行融合,实现短期电力负荷预测,提升预测精度。实验结果表明,该方法相较于VMD和改进的长短时记忆网络(LSTM)相结合的传统预测方法,其均方根误差下降40%,曲线拟合程度提升1.1%。     

基于VMD和改进ARIMA模型的超短期风速预测

针对风速序列非线性、波动性的问题,提出了一种基于变分模态分解和改进差分自回归滑动平均模型的风速预测模型。首先利用变分模态分解(Variational Mode Decomposition,VMD)将信号从低频到高频逐次分解,使每个分量具有不同中心频率的有限带宽;然后对各分量分别建立ARIMA模型,由于各分量的残差序列可能存在异方差性,因此引入GARCH模型消除异方差特性,建立ARIMA-GARCH模型;最后各分量预测结果叠加得到最终的预测值。实验结果表明,所提出的预测模型在超短期风速预测上具有较高的预测精度。     

基于改进的模态分解和组合预测模型的短期负荷预测

短期负荷预测是电网调度计划重要的支撑依据,同时短期负荷预测的预测精度也是电网系统安全稳定运行的基础和前提。文中提出了基于改进的模态分解和组合预测模型(EEMD-组合模型)的预测思想,实现对短期电力负荷的精准预测。首先利用改进的模态分解实现对历史序列分解,挖掘不同频段序列的负荷特性以及与影响因素的关联关系,然后针对不同频段的序列使用不同的预测方法,最终集成整体预测结果,并使用均方根误差和平均相对误差进行测后评价,同时与其他预测模型进行对比。结果表明EEMD-组合模型可以很精准地预测未来负荷变化情况。     

CEEMDAN组合DISPSO-LSTM的短期电力负荷预测

针对短期电力负荷预测精度低与准确性差的问题,设计了CEEMDAN-DISPSO-LSTM混合预测模型。运用自适应噪声的完全集成经验模式分解算法以获取平稳负荷序列,采用改进的动态个体-群体粒子群算法求解长短期神经网络参数的最优值,利用最优参数值构建的LSTM网络进行负荷预测。仿真结果表明:与其他模型相比,该混合预测模型取得了较低的电力负荷预测误差,其误差评价指标RMSE、MAE和MAPE分别为43.71 MW,28.53 MW和0.81%,有效地提高了短期电力负荷的预测精度和准确性。     

基于误差修正和VMD-ICPA-LSSVM的短期风速预测建模

精准的风速预测是将风能大规模应用到电力系统中的关键,而风速序列的随机性和波动性等特点使得风速预测难度增加.为增强风速序列的可预测性,采用Logistic混沌映射策略、自适应参数调整策略以及引入变异策略对食肉植物算法(CPA)进行改进,并提出了基于误差修正和VMD-ICPA-LSSVM的短期风速预测模型.首先将气象因子作为最小二乘支持向量机(LSSVM)的输入对风速进行预测,获得误差序列.再利用K-L散度自适应地确定变分模态分解(VMD)的参数,并对误差序列进行分解.结合改进食肉植物算法(ICPA)优化LSSVM可调参数的方法来预测分解的子序列.叠加各子序列预测结果后对原始预测序列进行误差修正,进而得到最终风速预测值.实验结果表明,与其他模型相比,所提模型有着更好的预测精度和泛化性能.     

基于VMD-CQPSO-GRU模型的气象干旱预测方法

针对当前气象干旱预测方法中存在的预测准确度低、可信度差等问题,提出了一种基于机器学习的气象干旱预测方法。利用变分模态分解(Variational Mode Decomposition, VMD)将干旱时序信号分解为若干本征模态分量;利用改进的混沌量子粒子群算法(Chaotic Quantum Particle Swarm Optimiztaion, CQPSO)优化门控循环单元(Gated Recurrent Unit, GRU)神经网络超参数;采用"分解-合成"策略构建VMD-CQPSO-GRU智能预测模型。以安阳、郑州、信阳3座城市1951—2018年的月降雨量、月平均气温两种特征为学习样本,预测2019—2020年期间24个月的特征值,预测的干旱级别准确率为86.11%;相比于单一循环神经网络模型,VMD-CQPSO-GRU模型的预测误差降低了71.55%,可信度提高了132.06%。     

基于VMD的APF谐波检测算法

提出基于变分模态分解(VMD)的谐波检测算法,并将其运用于有源电力滤波器。首先,VMD将畸变电力信号分解成一系列固有模态函数(IMF),不同的IMF分量代表不同频段信号,可提取其中基波IMF分量;然后,将原畸变信号减去提取的基波分量,即可检测出谐波分量。为验证VMD算法对于谐波检测的有效性,对VMD算法进行仿真分析,仿真结果表明:VMD算法不仅对稳定信号具有很好的谐波检测效果,而且对非稳定信号也有较好的谐波检测效果。     

基于Lorenz扰动分布和VMD的神经网络风速预测研究

针对风速的随机性、非线性和不确定性特征,提出基于VMD和Lorenz扰动的神经网络模型进行风速预测。首先,对风速数据采用变分模态分解(VMD)进行预处理,得到特征模态分量,然后采用BP神经网络对每个分量进行预测,并且将分量预测结果进行重构得到风速点预测值,最后以风速点预测为基础,根据核密度估计的Lorenz扰动序列概率分布进行风速区间预测。以西班牙风电场和中国风电场为实例进行预测,预测结果显示:(1)VMD算法可以提高神经网络模型点预测结果的精度;(2)根据Lorenz扰动序列分布进行风速区间估计,不仅量化了大气中不确定的影响因素,而且区间预测结果可靠性较高。     

基于EEMD-CNN-GRU的短期风向预测

为了提高短期风向的预测精度，提出一种基于集合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）、卷积神经网络（Convolutional Neural Network，CNN）和门控循环单元网络（Gated Recurrent Unit，GRU）的混合模型：EEMD-CNN-GRU.针对风向序列的随机性和不平稳性等特点，先利用EEMD将数据分解成多个分量；再运用CNN的局部连接和权值共享来提取分量中的潜在特征；最后，使用GRU对CNN所提取的潜在特征进一步构建特征，叠加各分量的预测值，得到最终预测结果.实验结果表明：相对于BP神经网络和长短期记忆网络（Long Short-Term Memory，LSTM）等其他模型，本文所提出的预测方法取得了良好的性能.     

基于HHT的电力负荷组合预测模型研究与应用

为了进一步提高电力负荷预测精度,在对电力负荷影响因素分析的基础上,提出了一种基于HHT的负荷组合预测模型.该模型利用EMD算法将原始负荷序列分解,得到不同频率的平稳子序列,子序列比原始序列更具可预测性.根据不同频率的子序列特点选取RBF神经网络、BP神经网络和时间序列模型分别预测,同时考虑温度对负荷的影响,得到新的组合模型.算例表明,该模型能有效提高电力负荷预测精度.     

基于经验模态分解的PSO-SVM风电功率短期预测

针对风电功率预测对精确度的要求,结合风电机组功率特性曲线及支持向量机非线性拟合,提出了一种基于经验模态分解(EMD)的粒子群算法(PSO)优化支持向量机(SVM)功率短期预测模型。即将EMD分解后的各个风速序列分量通过PSO-SVM模型预测,将得到的各分量预测结果叠加后得到风速预测值,将该值输入功率转化曲线,即可得到最终的风电功率预测结果,以实现对风电机组功率的预测。通过对某地区风电场实际风速为例进行的仿真误差对比分析,得知该组合预测模型不仅有效可行,且有效提高了短期风电功率的预测精度。     

基于改进PSO的神经网络短期电力负荷预测模型

针对短期电力负荷预测问题,提出了一种基于改进粒子群算法(PSO)的BP神经网络预测模型.选取与电力负荷大小密切相关的季节、天气情况、当天最高温度、当天最低温度、日期性质、上年同期历史数据为神经网络的输入变量,电力负荷大小为输出变量,建立基于BP神经网络的电力负荷预测模型,同时利用改进的粒子群算法对神经网络进行训练.该训练算法具有较高的精度,能够建立较精确的短期电力负荷测量模型.仿真结果表明,基于改进粒子群算法的BP神经网络电力负荷预测模型预测精度较高,具有一定的应用价值.     

一种基于HHT的短期电价组合预测方法

短期电价预测保障了电力市场中各参与方的最大效益,针对非平稳非线性的电价序列,提出了一种基于Hilbert-Huang变换的组合预测模型.首先将电价序列进行经验模态分解,得到若干固有模态函数分量及余项,其次根据各分量变化规律分别进行预测,最后将各分量的预测结果相加即为电价预测值.并以美国PJM(Pennsylvania-New Jersey-Maryland)电力市场的实际数据进行仿真,将各算法的预测结果进行比较,得出此方法预测精度均高于单一预测模型,其最大绝对误差为1.53 S|/MWh,平均绝对误差为1.61%,由此表明,该模型具有较高的预测精度.     

水库水位的VMD-CNN-GRU混合预测模型

水库水位预测为其运营、防洪、水资源调度管理提供了重要决策支持.准确可靠的预测对水资源的优化管理起着至关重要的作用.针对水库水位数据的非线性、不稳定性以及复杂的时空特性,提出一种融合自适应变分模态分解(VMD)、卷积神经网络(CNN)和门控循环单元(GRU)的混合水库水位预测模型.VMD通过对水位序列进行分解消除噪声,CNN用于有效提取水位数据的局部特征,GRU用于提取水位数据的深层时间特征.以葠窝水库日水位为例,与多个相关模型对比分析,结果表明:精度方面,新模型在选取的评价指标上均表现最佳;运算效率方面,本文选择的GRU与长短时记忆网络(LSTM)相比,运算效率显著提高.新模型预测的高精度、高运算效率更能满足实际水库水位实时调度的需求.     

基于模态分解与误差修正策略的原油价格组合预测研究

为进一步提高原油价格的预测精度,基于互补集合经验模态分解(CEEMD)和经过粒子群算法(PSO)优化的BP神经网络构建了一种用于原油价格预测的组合模型。该模型共包括原油价格的初始预测、误差序列的提取及预测和初始预测结果的误差补偿。使用WTI和Brent原油现货价格日度数据对所提组合模型的有效性进行了验证,实验结果表明:本文提出的误差预测方法可以准确地刻画误差序列的演化规律;基于误差补偿的原油价格组合预测模型可以显著地提高单一模型的预测精度。     

基于组合优化算法的短期风电功率预测

针对风电功率的长记忆、大波动性特点,提出了一种短期风电功率组合预测算法。利用集合经验模式分解算法在风电功率序列分解过程中添加成对的正负噪声分量,得到的不同复杂度的子序列,提高信号重构精度和分解速度。风电功率子序列的线性分量应用自回归分数积分移动平均模型进行预测,风电功率子序列的非线性分量利用自回归分数积分移动平均模型的残差序列训练优化后的支持向量机模型来进行预测,最后组合得到风电功率预测结果。通过对国内某风电场风电功率数据进行验证,表明该组合预测模型的预测精度更高,且模型具有更好的适应性。     

基于误差修正的极端天气下风速预测

精确地预测极端天气下的风速能为配电网防灾抗灾提供重要的指导作用.本文提出基于时间卷积网络（Temporal Convolutional Network，TCN）与双向长短期记忆网络（Bi-directional Long Short-Term Memory，BiLSTM）和误差修正的组合模型对极端天气下的风速进行预测.首先对天气数据进行预处理，用TCN提取多特征数据的时间序列特性，将提取信息输入到BiLSTM中进行风速预测.为进一步提高预测精度，引入变分模态分解（Variational Mode Decomposition，VMD）对误差序列进行分解，分别对分解后的误差子序列构建BiLSTM模型进行误差预测，用误差预测值对风速预测值进行误差修正.结合河南省某地实测天气数据进行实验，仿真结果验证了所提方法能有效预测风速，并在极端天气发生时，对风速具有较高的预测精度.     

改进粒子群算法在中长期电力负荷组合预测模型中的应用

为提高电力负荷预测的精度,提出了基于改进粒子群算法的电力负荷组合预测模型求解方法.该方法以回归分析、比例系数、灰色模型为基础建立负荷组合预测模型,利用改进粒子群算法优化组合预测模型的权值,并与单个预测模型进行比较.预测结果表明,基于改进粒子群算法的电力负荷组合预测模型运算速度快,预测精度高,相对误差小.     

基于门控循环单元与误差修正的短期负荷预测

针对负荷预测模型迭代训练过程中存在误差积累的问题,提出结合叠式双向门控循环单元（SBiGRU）、完整自适应噪声集成经验模态分解（CEEMDAN）和误差修正的组合预测模型. 建立SBiGRU模型学习在气温、日期类型影响下负荷序列的时序特征,误差特征体现在SBiGRU模型预测产生的误差序列中;使用CEEMDAN算法将误差序列分解为数个本征模态函数（IMF）分量与趋势分量,对每项分量再次建立SBiGRU模型进行学习与预测,并对各分量的预测值进行序列重构,得到误差的预测结果;对预测结果进行求和以修正误差. 模型评估结果表明,组合模型的预测准确精度为98.86%,与SBiGRU、BiRNN、支持向量回归等方法相比,该模型具有更好的精度.     

基于经验模态分解与人工鱼群神经网络的短期负荷预测

提出了采用经验模态分解（EMD）、人工鱼群算法的RBF神经网络与BP神经网络相结合的混合模型进行电力系统短期负荷预测的方法。首先运用经验模态分解（EMD）将非平稳的负荷序列分解成若干平稳序列,然后根据分解后各分量的特点构造不同的神经网络对各分量分别进行预测,最后对各分量预测结果采用BP网络进行重构得到最终预测结果。