基于EMD-PCA-LSTM的光伏功率预测模型

提高光伏发电功率预测精度,对于保证电力系统的安全调度和稳定运行具有重要意义。本文提出一种经验模态分解(EMD)、主成分分析(PCA)和长短期记忆神经网络(LSTM)相结合的光伏功率预测模型。充分考虑制约光伏输出功率的5种环境因素,首先利用EMD将环境因素序列进行分解,得到数据信号在不同时间尺度上的变化情况,降低环境因素序列的非平稳性;其次利用PCA提取特征序列的关键影响因子,消除原始序列的相关性和冗余性,降低模型输入的维度;最终利用LSTM网络对多变量特征序列进行动态时间建模,实现对光伏发电功率的预测。采用山西省某电站的8个月实测数据进行验证,实验结果表明,该预测模型较传统光伏功率预测方法有更高的精确度。     

基于FCM-WOA-LSTM的大坝变形预测模型及其应用

随着大坝变形监测资料的持续积累和变形测点数量的不断增多,预测分析全部变形测点往往需耗费大量的时间,容易造成反馈不及时的问题。对此,引入模糊C-均值聚类算法(FCM),根据大坝变形规律的相似程度进行分区,将鲸鱼优化算法(WOA)用于长短期记忆神经网络(LSTM)模型的参数优化,建立基于FCM-WOA-LSTM的大坝变形预测模型,以某混凝土双曲拱坝的实测变形资料作为样本数据进行预测分析,并与LSTM模型和SVM模型的预测结果进行对比。结果表明,FCM-WOA-LSTM模型预测结果的平均绝对误差M_MAE、均方误差M_MSE、均方根误差R_RMSE均为3种模型中最小,且拟合段的3个评价指标值和预测段的3个评价指标值均接近,FCM-WOA-LSTM模型具有更高的预测精度和更好的适用性。     

基于IAOA-VMD-LSTM的超短期风电功率预测

为了对风电功率进行精确预测,提出一种基于改进算术优化算法（IAOA）、变分模态分解（VMD）和长短期记忆网络（LSTM）的超短期风电功率预测模型（IAOA-VMD-LSTM）。利用IAOA对VMD的关键分解参数k和α进行优化,得到的各固有模态函数（IMF）具有周期性,能够提升LSTM的预测精度,同时利用IAOA对LSTM网络参数进行优化。通过对风电功率数据进行预测分析,结果表明IAOA-VMD-LSTM预测模型相比于其他模型的预测精度更高。     

基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测

针对光伏发电功率时间序列随机性和波动性强的特点,提出一种基于Kmeans和完备总体经验模态分解(CEEMD)、排列熵(PE)、长短期记忆(LSTM)神经网络结合的短期光伏功率预测模型。先通过Kmeans算法选出预测日的相似日;然后采用CEEMD将发电功率和影响因素数据的原始序列分解为多个固有模态分量,并用排列熵算法对模态分量进行重构;最后对重构后的子序列分别进行LSTM建模预测,再将子序列预测结果叠加起来确定光伏发电功率预测值。试验结果表明,所提预测模型与单独的LSTM预测模型和EMD-PE-LSTM预测模型相比,功率预测精度明显提高,为电网调度提供了一定参考。     

基于改进灰狼算法优化长短期记忆网络的光伏功率预测

为提高光伏发电功率预测的准确性,提出一种基于改进自适应因子与精英反向学习策略的改进灰狼算法(IGWO),用以优化长短期记忆网络(LSTM)预测模型。利用IGWO优化LSTM全连接层参数,建立IGWO-LSTM组合模型预测光伏功率,具有较好的收敛速度与求解效率,也可有效避免局部最优解。最后基于常州某光伏发电站实时数据进行仿真,实验结果表明IGWO-LSTM相对于LSTM光伏功率预测更具准确性。     

基于SVM-STL-LSTM的区域短期电力负荷预测研究

针对区域电力负荷的时间序列数据随机性强、预测精度低及单一模型的数据特征提取能力差等问题,提出了一种支持向量机(SVM)、STL时序分解法、长短期记忆神经网络(LSTM)组合的电力负荷预测模型。该模型利用SVM对时间序列的电力负荷数据进行初始预测,并通过STL时序分解法对残差序列进行时序分解,从而提高残差序列的稳定性,减小其随机性,最后用LSTM对SVM的预测误差进行修正。试验结果证明,该方法利用误差修正可有效处理随机性强的数据,有利于预测结果的稳定性,提高预测精度。     

基于改进Bagging算法与模糊MP-LSTM融合的短期负荷预测模型

为提高负荷预测精度,提出一种基于改进Bagging算法与模糊最小窥视孔长短期记忆(Min peephole long short-term memory,MP-LSTM)融合的短期负荷预测模型.MP-LSTM模型相较于传统长短期记忆网络(Long short-term memory,LSTM)模型舍弃了输入门和输出门,...     

基于VMD-SSA-LSTM的月径流预测模型及应用

为提高月径流预测精度,提出了变分模态分解(VMD)和麻雀搜索算法(SSA)与长短期记忆神经网络(LSTM)相耦合,建立了月径流预测模型(VMD-SSA-LSTM)。首先利用VMD对历史径流数据进行分解,然后依据SSA对LSTM的参数进行寻优,并将分解出的月径流分量输入到LSTM神经网络,最后将每个分量的预测值相加,得到月径流预测值,并以福建池潭水库1950～2019年的月径流数据对模型进行验证。结果表明,与LSTM、VMD-LSTM模型相比,VMD-SSA-LSTM模型的预测精度更高,为开展月径流预测工作提供了一种新的选择。     

基于EMD和长短期记忆网络的短期电力负荷预测研究

针对电力负荷非线性、非平稳性、时序性等特点,提出了一种基于EMD-LN-LSTM的短期电力负荷预测模型。利用经验模态分解(EMD)将经数据预处理之后的原始电力负荷数据分解为有限个内涵模态分量(IMF)和一个残差分量,以降低负荷序列的非平稳性和复杂度。将分解后的各分量分别输入到长短期记忆网络(LSTM)中进行预测,同时利用层标准化(LN)对LSTM进行规范化处理,优化网络模型。对各分量预测值进行重组,求出最终的负荷预测结果。以多伦多真实数据为算例,分别使用EMD-LN-LSTM模型和其他模型进行预测,结果表明:EMD-LN-LSTM模型24 h平均绝对百分比误差相较于RNN模型、LSTM模型分别降低了3.600%、1.864%,而拟合优度均高于RNN模型、LSTM模型,表明该模型能够更好地拟合负荷曲线,具有较高的预测精度。     

基于遗传算法—优化长短期记忆神经网络的柴油机瞬态NOx排放预测模型研究

为实现选择性催化还原系统（selective catalytic reduction,SCR）尿素喷射量的精确控制,构建并评估了一套利用遗传算法（genetic algorithm,GA）优化长短期记忆（long short term memory,LSTM）神经网络的柴油机瞬态NO_x排放预测模型。针对柴油机瞬态运行特点,选择柴油机NO_x排放的主要影响因素进行相关性分析,确定模型的输入变量;为避免人为选取参数对神经网络预测性能的不良影响,采用遗传算法优化LSTM神经网络的参数,建立预测柴油机瞬态NO_x排放的GA-LSTM模型;最后对预测模型进行了性能测试。结果表明,该模型具有较好的预测能力。     

基于MI-GA-LSTM的锅炉NOx排放快速预测模型

针对电站锅炉在实际运行过程中存在燃烧优化调整不及时以及烟气脱硝成本较高的问题，提出了基于MI-GA-LSTM的炉膛出口NO_x排放快速预测模型。根据燃煤锅炉实际运行数据，利用互信息(MI)进行特征相关性分析，将所得最优特征子集作为长短时记忆神经网络(LSTM)的输入，并利用遗传算法(GA)对模型关键参数进行寻优，得到炉膛出口NO_x原始生成质量浓度预测的MI-GA-LSTM模型，并与LSTM、门控神经网络(GRU)、循环神经网络(RNN)在同一测试集上进行预测效果对比。结果表明：该模型在训练集和测试集上都能够对运行数据进行精准地预测，可以很好地完成多变量非线性拟合；该模型在测试集上的3项指标均优于其他模型，具有更高的预测精度和泛化能力；该模型可作为炉膛出口NO_x排放质量浓度传感器的补充，提前准确感知炉膛出口NO_x原始生成质量浓度的变化。     

基于改进鲸鱼算法的三峡水电站经济运行模型及其应用

针对大型水电站厂内经济运行问题,以最小发电耗水量为目标建立经济运行模型,同时针对传统鲸鱼算法(WOA)寻优能力不足及易陷入局部最优的缺点,引入惯性权重、反向学习机制和摄动变异机制,改进了随机搜寻方式,以三峡水电站为实例,将改进鲸鱼算法(IWOA)运用到经济运行模型中,计算不同水头和不同负荷下的最低耗水量,并将结果与遗传算法(GA)和粒子群算法(PSO)进行对比。结果表明,IWOA寻优速度和寻优能力均优于GA、PSO、WOA。     

Online state of health prediction method for lithium-ion batteries,based on gated recurrent unit neural networks

Online state of health (SOH) prediction of lithium-ion batteries remains a very important problem in assessing the safety and reliability of battery-powered systems. Deep learning techniques based on recurrent neural networks with memory, such as the long short-term memory (LSTM) and gated recurrent unit (GRU), have very promising advantages, when compared to other SOH estimation algorithms. This work addresses the battery SOH prediction based on GRU. A complete BMS is presented along with the internal structure and configuration parameters. The neural network was highly optimized by adaptive moment estimation (Adam) algorithm. Experimental data show very good estimation results for different temperature values, not only at room value. Comparisons performed against other relevant estimation methods highlight the performance of the recursive neural network algorithms such as GRU and LSTM, with the exception of the battery regeneration points. Compared to LSTM, the GRU algorithm gives slightly higher estimation errors, but within similar prediction error range, while needing significantly fewer parameters (about 25% fewer), thus making it a very suitable candidate for embedded implementations.     

基于LSTM神经网络与贝叶斯优化的电站风机故障预警

风机持续健康稳定运行是电站机组安全性与经济性的重要保障,故障预警技术对于提高风机运行可靠性和降低维护成本尤为重要。为此,本文提出一种基于长短期记忆(Long short-term memory,LSTM)神经网络与贝叶斯优化算法的早期故障预警方法,充分挖掘电站风机正常运行数据,采用LSTM网络挖掘多种参数的关联特性及历史数据的时序特性,建立风机运行状态预测模型。为了提高预测模型的精确度,利用贝叶斯优化算法优化并设定LSTM网络的最佳超参数组合。考虑模型预测偏离度的非平稳性和多极值特点,引入广义极值理论从正常运行工况中确定报警阈值,以实现设备的早期故障预警。最后,将所提出的算法应用于某燃煤电站引风机故障预警中。结果表明：贝叶斯优化算法优化后的LSTM神经网络不仅可以精确表征风机在正常状态下运行行为,同时能够准确地获取风机的故障信息,从而能够在故障发生前4 h发现异常,实现故障预警。     

基于随机失活LSTM网络的避雷器阻性电流预测方法

金属氧化物避雷器(MOA)老化后,会丧失对过电压的抑制力,从而使电气设备暴露在过电压的危险下,因此及时了解MOA老化情况,对于电力系统设备的安全、可靠运行十分重要。在此背景下,提出了引入随机失活技术的长短期记忆网络(LSTM)避雷器阻性电流预测方法,来判断MOA的老化趋势,该方法能有效避免深度学习的过拟合问题并改善网络性能。采用某变电站避雷器数据对所提方法进行训练,结果表明所提出的深度LSTM算法与BP神经网络、循环神经网络相比精度显著提升,预测结果的均方误差在4.3%左右。     

改进1DCNN和LSTM的涡扇发动机剩余寿命预测

针对单一深度学习网络对涡扇发动机退化特征提取不足、超参数选择困难的问题,提出一种改进一维卷积神经网络(1-Dimensional Convolutional Neural Network, 1D-CNN)和长短时记忆网络(Long Short-Term Memory, LSTM)的涡扇发动机剩余寿命预测方法。首先,利用相关性、单调性和离散性一系列评价指标对涡扇发动机的多维传感器特征参数进行评价和选择,将综合评价指标高的优选特征参数作为1D-CNN的原始输入特征;然后,通过改进激活函数和Dropout函数来提升1D-CNN的特征提取能力,构建表征发动机退化趋势的一维复合健康指标;最后,利用贝叶斯优化(Bayesian Optimization, BO)的LSTM挖掘一维复合健康指标的时间特征,并实现剩余寿命预测。为验证此方法的预测效果,采用美国国家航空航天局提供的涡扇发动机退化数据集进行剩余寿命预测,实验的均方根误差为14.040 2,评分函数值为314.607 8。结果表明：相比于单一深度学习方法和传统机器学习方法,该方法不仅能获得较高的剩余寿命预测精度,还能有效解决深度学习模型超参数...     

基于CNN-LSTM的水质预测模型研究

为精确预测水质中的溶解氧(DO)浓度,提出了一种基于卷积神经网络(CNN)和长短期记忆网络(LSTM)的混合模型,通过线性插值法补齐缺失值以提高数据完整性,将溶解氧数据按时间滑动窗口构造连续特征图作为输入,用CNN提取数据中的抽象特征,将特征映射到LSTM中得到预测值,并以安徽省蚌埠闸水质监测数据为样本对模型进行训练和验证。试验结果表明,CNN-LSTM混合模型的均方根误差(RRMSE)为0.56、平均绝对百分比误差(MMAPE)为6.4%,与单一的LSTM模型和BP神经网络(BPNN)模型相比分别降低了5.1%、7.2%和9.7%、12%。     

基于长短期记忆网络的黄河小浪底水库高斜心墙堆石坝沉降预测模型及其预测精度分析

针对黄河小浪底水库高斜心墙堆石坝沉降预测精度低,无法准确反映大坝运行性态等问题,基于黄河小浪底水利枢纽主坝沉降监测数据,引入长短期记忆网络(LSTM)方法建立高斜心墙堆石坝沉降预测模型对主坝沉降进行预测,并对不同损失函数下模型优化过程进行分析,最终选定平均绝对误差作为损失函数.预测结果表明,LSTM方法各项指标结果均优...     

DFA_VMD_LSTM组合日径流预测模型研究

为有效提取径流序列的局部特征信息、提高神经网络径流预测模型的非线性拟合能力和预测性能,引入变分模态分解(VMD)、去趋势波动分析(DFA)方法,提出了一种基于长短时记忆(LSTM)神经网络的组合日径流预测模型(DFA_VMD_LSTM),并采用均方误差(RRMSE)、平均绝对误差(MMAE)、平均绝对百分误差(MMAPE)以及确定性系数(DDC)统计指标对模型进行评价。在三峡水库的径流预测研究中,经过与其他三种典型数据驱动模型的预测结果对比发现,DFA_VMD_LSTM组合日径流预测模型在不同评价指标上均有显著提升,说明该模型可充分挖掘径流序列组成特性,学习历史长程依赖,能有效提高径流预报精度。     

基于多目标优化和误差修正的短期风速预测

提出一种多目标优化、误差修正的短期风速混合预测模型。首先对原始风速数据进行分解,降低序列的非线性,利用一种有效的多目标优化算法优化ELM神经网络,保证预测精度和稳定性。最后采用深度学习网络LSTM对初始预测结果进行误差校正,为克服超参数选取困难,利用乌鸦算法对层神经元数量进行优化。以中国华中某风电场实际数据为例进行分析,结果表明该方法具有较高的预测精度。