基于双向长短时记忆的立体化超短期负荷预测

传统电力系统负荷预测的基本思路是基于时间序列的历史负荷数据采用机器学习方法实现负荷预测.这种方式缺乏负荷在时间、空间两层的相互耦合关系.对此,在电力系统全景全周期运行状态可观测条件下,提出了大数据环境下基于双向长短时记忆网络的立体化负荷预测.首先提出了负荷在电网时间、空间下的耦合关联方程;其次,利用负荷节点的时间大数据...     

基于Bo-BiLSTM网络的IGBT老化失效预测方法

针对绝缘栅双极型晶体管（IGBT）受热应力冲击后对其进行老化失效预测精度不高的情况,提出一种基于贝叶斯优化（Bo）-双向长短期记忆（BiLSTM）网络的IGBT老化失效预测方法。首先分析IGBT模块老化失效原理,然后基于NASA老化实验数据集建立失效特征数据库,最后利用Matlab软件构造Bo-BiLSTM网络预测失效特征参数数据。选取常用回归预测性能评估指标将长短期记忆（LSTM）网络模型、BiLSTM网络模型与Bo-BiLSTM网络模型的预测结果进行对比分析。结果表明,Bo-BiLSTM网络的模型拟合精度更高,基于Bo-BiLSTM网络的IGBT老化失效预测方法具有较好的预测效果,能够应用于IGBT的失效预测。     

基于BiLSTM-STW神经网络的锂电池剩余容量预测

针对锂电池剩余容量预测精度无法满足当前工程应用的问题,结合双向长短时记忆网络(bi-directional long short-term memory,BiLSTM)与滑动时间窗口(sliding time window,STW)算法的优点,提出一种电池剩余容量预测方法。首先分析BILSTM神经网络和STW算法原理,构建了BiLSTM-STW神经网络模型,采用自适应矩优化算法(adaptive moment estimation, Adam)对模型超参数进行优化,实现模型修正;然后选取美国国家航空航天局(National Aeronautics Space and Administration,NASA)埃姆斯研究中心锂电池数据,对数据进行处理并选取容量衰减特征数据作为神经网络的预测输入量;最后利用构建的神经网络对NASA锂电池数据集进行剩余容量预测实验。实验结果表明,所构建的神经网络模型能够精确预测锂电池的剩余容量,相比LSTM神经网络模型有更好的精确度。     

基于长短时记忆网络的电力系统负荷预测方法研究

准确的负荷预测对保持电网的稳定性和提高当地经济效益、节约成本有重大帮助。考虑到负荷数据带有时序性,以及智能电网的发展所带来的数据量的增大,建立了长短时记忆网络(LSTM)模型来对未来用电量进行短期负荷预测。针对Adam训练算法可能存在的收敛问题,对其进行了改进,并通过MATLAB软件对LSTM网络进行建模,通过与BP神经网络进行对比,结果表明,LSTM模型具有更高的精确度以及实用性。     

基于KLPP-K-means-BiLSTM的台区短期电力负荷预测

随着智能电网的发展,各场景的用电更加多元化,而准确的台区负荷预测是确保相关电力部门制定合适检修任务的关键,同时为有序用电、电网经济运行提供重要参考。为了挖掘台区负荷的特征以提高台区负荷预测的精度,提出了一种基于核主元分析与局部保持投影降维、K均值聚类算法(K-means)以及双向长短时记忆网络(BiLSTM)的台区电力负荷预测方法。首先利用核局部保持投影（KLPP）对台区多特征负荷数据进行降维以提取主要特征信息;然后采取K-means聚类算法将相似特征的数据归类成各自的簇集;最后针对聚类后的各典型类型,有针对性地训练BiLSTM,并选取中国某高校低压台区负荷作为算例与其他经典预测方法进行对比分析,结果表明所提方法更拟合实际负荷走向,有效提升了预测效果。     

基于孪生网络和长短时记忆网络结合的配电网短期负荷预测

保证数据驱动型配电网短期负荷预测精准的关键是选取合适的相似日数据集和构建合理的日负荷预测模型.文中研究了一种基于孪生网络(SN)和长短时记忆(LSTM)网络相结合的配电网短期负荷预测模型.基于配电网负荷相似日的影响因素具有多样化、强随机性的特点,利用SN两个输入权重共享的特点对历史负荷数据进行分析,进而对待测日的特征进行分类,以完成相似日数据选取.此外,利用灰狼优化算法全局搜索能力强、收敛速度快等特点,对基于LSTM网络的配电网短期负荷预测模型进行参数优化.最后,以某一个区域配电网的实际数据为例,验证上述预测方法的准确性与鲁棒性,与LSTM网络、基于粒子群优化的LSTM网络、支持向量机等方法对比可知,所提方法具有较高的准确度和计算效率.     

基于变量选择与高斯过程回归的短期负荷预测

提高短期电力负荷预测精度是保障电网安全稳定运行的技术措施之一,通过选取影响负荷的最优输入变量集合,建立高斯过程回归(Gaussian process regression,GPR)短期负荷预测模型。负荷预测建模输入变量的选取对预测精度有很大影响,首先采用随机森林(random forest,RF)算法给出输入变量重要性评分(variable importance measure,VIM),并对各输入变量影响程度进行排序,基于序列前向搜索策略确定最优输入变量集合,避免人工经验选取的不足。其次针对共轭梯度(conjugate gradient,CG)法求解高斯过程回归模型超参数时易陷入局部最优解,且存在优化性能依赖于初值选取、迭代次数难以确定的问题,采用改进粒子群优化(particle swarm optimization,PSO)算法搜索模型超参数,形成优化高斯过程回归预测模型。最后,算例测试表明该模型的有效性。     

基于LSTM的电力暂态稳定在线评估及预测研究

电网规模的扩大使得电力系统运行状态变得更加复杂,对电网安全稳定运行提出了更高要求。提出了基于深度学习中长短时记忆（long-and-short term memory,LSTM）的电力暂态稳定在线评估模型。该模型通过获取全网各节点电压、电流、功率等电气量,实时计算得到电网失稳可能性评分,并在新英格兰10机39线系统上对该模型进行测试与优化。实验结果表明,该模型能通过实时运算得到电网稳定性的评估及预警,具有准确性高、预警能力强、支持在线监测的特点。     

基于深度门控长短时记忆网络的继电保护装置寿命预测

为了保证继电保护设备可靠性以及电力系统安全、稳定运行,建立了基于深度门控长短时记忆网络的继电保护设备寿命预测模型,针对继电保护设备特征量的时间序列特性,采用相对熵对特征量权重进行分析,得到了各个特征的赋权结果,提出了各个特征量的预测结果加权求和计算综合特征的方法,构建了设备寿命预测和评估框架。结果表明：剔除专家E₄的评分后,专家E₃的评分熵值最大,其值为1.42,对应的评分合理性为76%,该模型具有较好的泛化能力和逼近能力,利用模型预测得到的综合特征量能够准确评估继电保护设备未来发展状态。     

TBM掘进速率区间预测Bootstrap-IHHO-BiLSTM模型

针对现有隧道掘进机（TBM）掘进速率预测模型多采用点预测模型,缺乏考虑因模型结构主观选择、模型参数随机设置和数据随机噪声等导致的不确定性问题,本文提出基于Bootstrap方法和改进哈里斯鹰优化双向长短时记忆网络（BiLSTM）的TBM掘进速率区间预测模型。首先,建立基于改进哈里斯鹰（IHHO）优化BiLSTM网络的TBM掘进速率点预测模型,揭示稳定段掘进速率与上升段刀盘推力、扭矩、转速等掘进参数之间的相关性和时间依赖性;其中,采用基于混沌映射、参数非线性化和混沌搜索策略改进的哈里斯鹰算法对BiLSTM网络超参数进行优化,提高建模效率和精度。进一步地,采用Bootstrap方法对模型不确定性和数据中的随机不确定性进行量化,获得清晰可靠的预测区间。将所提模型应用于引汉济渭秦岭隧洞工程中,开展I～III类围岩条件下的TBM掘进速率区间预测,并将结果与BiLSTM-HHO模型、BiLSTM模型、BP神经网络模型对比,证明了本文模型的优越性。     

基于双向长短时记忆网络的母线负荷分解方法

目前在负荷分解领域的研究工作多以家庭住宅的总负荷分解为电器级别的负荷为主,对于中高电压等级的母线负荷分解研究较少,为解决这一问题,本文提出了一种基于双向长短时记忆网络(Bi-directional Long Short-Term Memory, Bi-LSTM)的中高电压等级母线负荷分解算法。首先在LSTM的基础上构建了Bi-LSTM,其次以母线负荷和其对应的外部信息源(如日期类型、天气等)作为Bi-LSTM的输入量,母线负荷的各下属建筑负荷作为输出量,对Bi-LSTM进行训练,最后以网络分解的母线负荷构成值与实际值间的平均相对误差作为评价指标,实验结果表明该方法可有效对构成成分未知的母线负荷进行分解。#$NL关键词：母线负荷;负荷分解;人工智能;双向长短时记忆网络#$NL中图分类号：TM769