基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法

短期电力负荷的精准预测可以有效指导机组组合调度、经济调度与电力市场运营。针对输入数据特征量受限时负荷预测的低精度问题,提出一种基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法。通过建立融合局部特征预提取模块的LSTM（long short term memory）网络结构,并将其与XGBoost（eXtreme boosting system）预测模型并行结合,之后结合MAPE-RW（mean absolute percentage error-reciprocal weight）算法进行模型融合初始权重设置,对最佳权重进行搜索,构建最佳融合模型。通过运用电力负荷数据对所提方法进行预测实验,结果表明CNN-LSTM- XGBoost模型的MAPE（mean absolute percentage error）与RMSE（root mean square error）分别为0.377%与148.419 MW,相比于单一网络模型与融合模型结构实现了误差指标的显著降低,验证了基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法具有较快的模型训练速度、较高的预测准确度与较低的预测误差。     

水下机器人任务流程建模与管理

为实现水下机器人任务流程的快速建模与自动管理,通过改进传统的工作流理论,提出了一种实用的任务流程模型——任务工作流.介绍了作为任务工作流理论基础的传统Petri网及工作流模型,指出了原有理论的缺陷并介绍了任务工作流的基本理论.以任务工作流模型为基础,实现了一款任务流程管理系统,为其定义了完善的图形化建模手段与标准的文本化的描述语言,并建立了一套担负着运行时任务管理工作的核心应用程序,能够实现任务的描述与建模、自动运行与管理,以及任务流程的动态更改.实践表明,任务工作流建模简单快捷、方便编程实现,是机器人任务建模与管理的理想工具.     

基于多维特征分析的双层协同太阳辐照度预测

为增强逐日太阳辐照度预测的准确性和普适性,提出一种基于多维特征分析的双层协同预测模型。首先,搭建一种双层协同架构,将整个模型分成基准层和提升层两部分,使用分层预测的方式追踪目标对象的多维特征和变化趋势;其次,以数值天气预报（NWP）为输入,采用LightGBM基于特征学习预测方法构建基准预测模型;然后,在前者的基础上,挖掘目标时刻太阳辐照度与历史时序数据之间的关联性,引入改进AdaBoost算法与多隐层极限学习机（MH-ELM）作为提升层主体,提高时序预测的稳定性;最后,选用中国中部地区某光伏电站实测太阳辐照度数据进行算例分析,验证了该模型的合理性和有效性。     

基于多负荷特征和TCN-GRU神经网络的负荷预测

传统负荷预测未深入考虑负荷序列对模型预测精度的影响。为提高预测精度,提出了多负荷特征组合(multi-load feature combination, MLFC),并结合时间卷积网络(temporal convolution network,TCN)和门控循环单元(gated recurrent unit,GRU)构建了负荷预测框架。首先,引入负荷变化率特征和基于集合经验模态分解的负荷分量特征,并与负荷、日期特征构成MLFC;其次,选取TCN和GRU进行特征提取和预测,基于MLFC搭建MLFC-TCN-GRU预测框架;最后,采用不同模型验证所提方法。结果表明：MLFC有助于预测精度提升,且适用于不同模型。同时,MLFC-TCN-GRU相较于其他模型有着较高预测精度。