CNN-GRU模型预测高炉煤气产生量

为了更好的利用海量数据中蕴藏的隐藏规律,对数据更好的挖掘,提高对钢铁企业高炉煤气产生量的预测精度,针对钢铁企业实际生产作业所采集到的非平稳非线性的数据,这里提出一种将卷积神经网络（CNN）和门结构循环单元（GRU）网络相结合的预测模型。模仿词向量方法,将海量的时间信息、温度数据和压力数据等信息串联成一个向量作为输入,采用CNN对输入进行特征提取,将得到的特征向量构造为时间序列,并作为输入数据给GRU网络进行高炉煤气产生量预测。这里所提出的方法,对唐山某钢铁企业的实际生产中数据进行预测实验,结果表明,这里所提出的方法比传统的BP神经网络和LSTM网络预测模型具有更高的预测精度和更快的预测速度。     

基于GRU-XGBoost的风电场功率短期预测

随着风电技术的不断发展,更多的风电机组并入电网运行。考虑到电网的安全性与稳定性,精确的风电场发电短期预测技术越发重要。在利用自适应噪声的完备经验模态分解(CEEMDAN)风电原始序列信号的基础上,采用GRU-XGBoost模型对非线性、非平稳的功率序列进行建模和预测,以提高模型的预测能力和泛化能力。首先利用CEEMDAN将风电功率原始序列分解为一系列不同时间尺度的分量,将分解后的信号输入GRU神经网络输出预测信号,再输入XGBoost进行校正。通过与多种预测模型进行比较证明此模型拥有更好的预测精度。     

基于对比学习辅助训练的超短期风功率预测方法

利用深度学习方法提高风功率超短期预测精度能够给电力系统日内机组组合、超短期经济调度、和电力备用安排提供更精确的风功率预测结果,对进一步提高电力系统运行的安全性和经济性具有重要意义。本文针对当前深度学习特征提取模块对时序曲线中的隐式特征和趋势变化的相似性提取不充分的问题,提出一种基于对比学习辅助训练的超短期风功率预测模型,主要包括输入模块、特征提取模块、对比学习辅助模块和回归模块。该模型通过自监督的对比学习算法自主生成正负样本、并以拉开正负样本的映射空间距离为目标来辅助训练特征提取模块的网络参数,使得特征提取模块的映射结果中包含了输入信息相似性的隐式特征,进而减少数据冗余信息、增强样本关联性,最终提高风功率预测精度。实验结果表明,对比学习方法的平均绝对误差比长短期记忆网络和轻量梯度提升机方法分别下降了19.9%和6.5%,有效提高了风功率预测精度。     

基于组合数据清洗与NL-ConvLSTM模型的多步风电功率预测

针对风电数据在采集与传输过程中会产生大量缺失值和异常值,采用DBSCAN算法和最优组内差分法(OIV)组合筛删异常值,随机森林(RF)算法填补缺失值,提升数据准确性;并建立基于以ConvLSTM为单元的编码-预测(EF)网络的风电多气象输入多步预测模型,为了更好利用气象特征信息,在ConvLSTM模型的输入侧添加具有自注意力机制的非局部(NL)模块增强数据特征表现,从而搭建组合数据清洗方法的NL-ConvLSTM多步风电功率预测模型。实验结果表明,该方法能够进一步提高风电功率多步预测精度和稳定性。     

面向多价值链的汽车配件需求预测模型

基于第三方零部件多产业链业务协同云服务平台中汽车配件的销售现状,配件代理商没有充分考虑跨链销售、跨链调拨、多链销售等配件需求.为提高配件需求预测的准确率,首先提出一种优势矩阵(AM)结合轻梯度提升机(LightGBM)、门控循环神经网络(GRU)的组合预测模型(LightGBM_GRU_AM),该模型通过引入优势矩阵获取单个模型的最优权重系数,通过加权后的组合模型进行需求预测.考虑到组合模型中某时刻子模型的预测效果优于组合模型,为进一步提高预测的准确率,设计了一种基于LightGBM、GRU和LightGBM_GRU_AM的半组合预测模型,该模型采用子模型优选策略,在训练过程中利用最小绝对误差建立子模型分类标签,以特征提取和分类回归树建立子模型选取规则,根据数据特征采用不同的子模型进行预测,集成不同时刻的预测值形成最终的需求预测.最后集成第三方云平台中多链配件销售和配件相关售后服务数据进行算例分析,相比其他7种预测模型,提出的2种预测模型不但能有效降低预测误差,而且半组合预测模型更有优势,同时也为配件代理商提供采购决策支持.     

基于 IWOA-SVM 的风电功率预测

针对支持向量机预测精度低、收敛速度慢等问题,提出一种改进鲸鱼算法优化支持向量机的风电功率预测模型。将 Tent 混沌映射引入鲸鱼算法中,使初始种群的分布更加均匀;由于随机抽取猎物具有盲目性,不能充分结合迭代经验对种群进行更新,采用轮盘赌法寻找目标猎物来加快鲸鱼算法的收敛速度,得到改进鲸鱼算法优化支持向量机的风电功率预测模型。将该模型应用到我国东北某处风电场进行风电功率预测,并与其他常用的功率预测模型进行对比分析,仿真结果表明,该模型具有更高的预测精度。     

GA-BP神经网络预测钛合金表面粗糙度

为了有效预测铣削加工中钛合金工件的表面粗糙度,建立了以切削速度、进给量、径向切深、轴向切深为输入参数,表面粗糙度为输出参数的预测模型。该预测模型将遗传算法与BP神经网络结合起来,使用遗传算法优化BP神经网络的初始权值和阈值,进行铣削实验获得实验数据,并对神经网络进行训练,最终获得预测模型。通过对比分析GA-BP预测模型、BP预测模型、线性回归预测模型的预测精度,得出GA-BP预测模型具有相对较好的预测精度,证明该预测模型是有效的。     

基于ELMAN模型的风电场功率预测研究

阐述了风电场功率预测的方法和原理,采用物理方法和ELMAN神经网络相结合的方法,搭建功率预测模型,确定输入参数、隐层单元个数。以某在运风电场为例,利用功率预测模型进行了风电场功率预测。该风电场功率预测模型对风电场功率出力预测具有重要的现实意义。     

基于ACO-BP神经网络的光伏系统发电功率预测

为准确预测光伏发电量,减少并网光伏对大电网的影响,引入相似日概念,对夏季预测日的平均温度、最高温度、最低温度以及天气类型进行分析。在历史数据中选取具有相似天气特征的发电功率数据和天气数据作为神经网络的训练样本,建立ACO-BP神经网络光伏发电功率预测模型,并将预测结果与传统BP神经网络和PSO-BP神经网络预测结果相比较。实验结果表明,该模型具有较高的预测精度。     

基于GSA-AGRU的挤压机能耗预测

在铝型材的生产过程中,挤压机是核心的生产机器,其能耗占铝型材生产能耗的60％以上.针对当前挤压机能耗预测精度低和预测速度慢的问题,提出基于引力搜索优化的注意力机制门控循环单位网络模型(GSA-AGRU)用于预测挤压机的能耗,首先构建注意力机制的门控循环单位网络模型(AGRU),然后加入引力搜索算法(GSA)优化该网络的权重,最后得到最优的GSA-AGRU预测模型.利用某铝型材企业的挤压机生产能耗数据进行实验,结果表明GSA-AGRU模型相比于传统的GRU、LSTM、BP和AGRU模型具有更高的预测精度和更快的预测速度.     

智能电网环境下负荷响应对系统消纳风电能力影响模型探析

为了更多消纳智能电网环境中风力发电，依据需求与负载的交互响应，提出了一种多层时间尺度连续调度操作模型。分析了风力发电不确定性的产生机理，在此基础上建立了风电功率预测算法，再引入基于风电消纳的需求响应概率的多级调度概念，提高了电网调度模型对风力发电随机性、间歇性的整体适应性。通过案例验证该方法的可靠性和有效性，数据证实该方法能在保证智能电网调度经济可靠的条件下有效地提升风力发电的消纳水平。     

基于门控循环单元模型的道岔故障预测方法

道岔是铁路上重要的信号基础设备之一,其故障将直接影响行车安全和效率.本文从分析道岔的功率曲线入手,首先提取其时域及哈尔(Haar)小波变换特征并进行特征选择,然后通过聚类算法和皮尔逊(Pearson)相关系数建立退化状态与故障状态之间的关联,最后利用卷积神经网络(Convolutional neural network,CNN)和门控循环单元(Gated recurrent unit,GRU)建立道岔的状态预测模型,实现道岔的故障预测.CNN可以直接提取原始功率数据的特征同时降低维数,简化了预测过程.GRU独特的门结构和处理时间序列的特点在预测精度和时间上相比传统的预测方法具有一定优势.实验结果表明,当特征矩阵采用40维输入,迭代50次时,道岔状态预测准确率达94.2％.     

风电并网中储能技术应用的探讨

简要介绍了风电的特点和发展趋势,指出了风电并网面临的主要问题.针对风电并网带来的电能质量、稳定性、经济性等诸多问题,阐述了基于储能技术、风电功率预测技术和调度技术的解决方案.具体介绍了使用铅酸蓄电池组成储能系统并结合风电功率预测、电网调度技术的方法,使风电可控、可调,一定程度上改善了风电品质,提高了风电利用率,增强了电...     

基于门控循环单元的动态过程下两相 CO2 质量流量测量

针对碳捕集与封存条件下科里奥利质量流量计测量气液两相CO_2动态过程质量流量时误差较大的问题,本文提出了一种基于门控循环单元(GRU)的动态过程下气液两相CO_2质量流量校正方法。利用GRU适合动态过程预测的特点,使用来自CO_2气液两相流实验平台的采集数据,对GRU网络模型进行训练,并使用网格搜索法结合K折交叉验证优化模型参数。使用八组典型工况下的测试集对优化后的GRU模型在测量精度和泛化性能方面进行了评估,并与最小二乘支持向量机(LS-SVM)模型进行了对比分析。实验结果表明GRU模型优于LS-SVM模型,并且GRU模型在动态波动发生后的平稳阶段,其输出结果能够快速跟随CO_2质量流量变化,相对误差在±5%以内。     

基于小波-原子分解的超短期风电出力预测模型

为提高含风电场电网经济调度能力以及降低电力系统规划决策的保守性,提出了基于小波-原子分解(WD-AD)的风电出力超短期预测模型。该模型采用小波分解(WD)作为前置环节,以基于原子表达式的自预测和基于最小二乘支持向量机(LSSVM)的残余分量预测为基础构建原子分解(AD)预测模型,分别对风电出力的高低频分量进行预测,并将结果相加得到最终预测值。AD分解过程由衰减线性和Gabor原子库交替分解完成,可自适应匹配不同类型分量。同时,本文提出将细菌群体趋药性和正交匹配追踪算法相结合(BCC-OMP)优化的原子分解法,进一步增强了原子分解能力。实际风电场算例验证了所提方法的自适应性、快速性及有效性。     

基于数字孪生的风机实时载荷预估研究

为推动风电产业技术的持续进步,改善风机控制系统性能,利用数字孪生方式,实现风机实时载荷的预估.利用风机原有的高可靠采集信号作为输入,搭建风电机组回归模型,建立系统权重矩阵,并进行线性插值使模型适应整个发电工况,完成了风电机组载荷实时预估.载荷预估值可替代目前的应变片载荷测试系统.载荷预估经评估计算精确度在 ９６.００％ 以上.预估载荷在风机塔架推力消减实时控制系统中的应用表明,减载效果显著.     

基于弹性网降维及花授粉算法优化BP神经网络的短期电力负荷预测

电力负荷预测为电力系统规划和运行提供可靠的决策依据。随着智能电网的全面发展,数据采集与监视控制系统(SCADA)获取数据量增加,数据的结构也更加复杂,负荷的频繁变化以及地区性的气象因素等都将影响负荷的预测的准确性。提出一种弹性网(EN)进行大数据降维以及花授粉算法(FPA)优化BP神经网络的短期电力负荷预测方法。首先采用弹性网对负荷和气象等高维大数据进行选择和降维。弹性网通过在惩罚项中添加L1范数和L2范数,兼具了最小绝对值收缩及变量选择(LASSO)和岭回归的优点,克服了LASSO降维时因为数据内部存在共线性和群组效应而影响降维效果的问题;然后,考虑到BP神经网络权值和阈值容易受到初值的影响、收敛速度慢以及容易陷入局部最优,引入花授粉算法(FPA)优化BP神经网络,通过与粒子群算法(PSO)对比得出花授粉算法寻优速度更快,效果更好。本文方法应用于实际电力负荷预测,结果表明能有效提高预测精度。