基于变分模式分解和深度门控循环网络的风速短期预测模型

考虑到风速时间序列非平稳特性和时序关联难以建模的问题,提出一种基于变分模态分解和深度门控循环网络的风速短期预测模型。该模型首先使用变分模态分解非递归地将原始风速序列分解为预先设定层数的子分量,以期降低原始序列的不平稳度,使用深度门控网络分别对各子分量建模预测,最后叠加各分量的预测结果,得到风速的预测结果。实例研究表明所提模型能够有效地跟踪风速的变化,具有较高的短期预测精度。     

基于变分模态分解和CNN-GRU-ED的超短期互感器误差预测

准确的误差预测对及时发现互感器运行中的稳定性问题和保证电能贸易的公平性具有重要的意义。提出了一种基于变分模态分解(variational mode decomposition, VMD)和卷积神经网络-门控循环单元编解码模型(convolutional neural network-gated recurrent unit encoder to decoder moder, CNN-GRU-ED)的互感器误差超短期预测方法。首先,针对特征数目增多所带来的数据分析问题,利用传递熵(transfer entropy, TE)对原始特征进行降维,得到高相关性特征集。其次,将波动性较强的原始误差序列分解成为高、低频模态分量,同时引入粒子群优化算法(particle swarm optimization, PSO)确定VMD的关键参数。最后,对各分量分别建立相应的CNN-GRU-ED预测模型,将预测结果叠加得到最终预测值。以某变电站运行数据进行实验,结果表明所提出的方法在单步和多步预测问题上,相较于其他模型具有更好的预测效果。     

基于变分模态分解和深度学习的短期电力负荷预测模型

提升负荷预测的准确性对于指导电力系统的生产计划、经济调度以及稳定运行至关重要。提出一种基于变分模态分解(Variational Mode Decomposition, VMD)和长短期记忆(Long Short Term Memory, LSTM)神经网络的短期负荷预测模型。利用VMD算法将负荷序列分解成不同的本征模态函数(Intrinsic Mode Functions, IMF),每个IMF结合LSTM进行预测,将各部分预测结果叠加得到VMD-LSTM模型的预测结果。分析实验结果,相比单一LSTM和经验模态分解(Empirical Mode Decomposition, EMD)组合LSTM预测方法,该方法能有效的提升负荷预测的准确性。     

基于变分模态分解和门控循环单元神经网络的变压器油中溶解气体预测模型

油中溶解气体分析是变压器早期故障诊断的一种有效方法,对变压器油中溶解气体进行精准预测,可为变压器早期故障监测和预警提供理论依据.为此本研究提出了一种基于变分模态分解和门控循环单元神经网络的变压器油中溶解气体预测模型.首先对变压器原始油中溶解气体体积分数时间序列进行变分模态分解,将其分解为各子序列,消除其不平稳性的影响;...     

基于变分模态分解的卷积神经网络?双向门控循环单元?多元线性回归多频组合短期电力负荷预测

为了有效提高电力负荷预测精度,针对电力负荷非线性、非平稳性、时序性的特点,提出了一种卷积神经网络（convolutional neural networks,CNN）、双向门控循环单元（bidirectional gated recurrent unit,BiGRU）和多元线性回归（multiple linear regression,MLR）混合的多频组合短期电力负荷预测模型。该模型先利用关联度分析得到相似日,并将其负荷组成新的数据序列,同时使用变分模态分解（variational mode decomposition,VMD）将该数据序列进行分解,并重构成高低2种频率。对于高频分量,使用CNN-BiGRU模型进行预测;低频部分则使用MLR。最后将各个模型得出的预测结果叠加,得到最终预测结果。以2006年澳大利亚真实数据为例,进行短期电力负荷预测。仿真结果表明,相比于其他网络模型,该模型具有较高的预测精度和拟合能力,是一种有效的短期负荷预测方法。     

基于变分模态分解和复合变量选取的短期负荷预测

精准的短期负荷预测是实现电网精益化运行和管理重要保障,但存在短期负荷波动性强、负荷预测关键影响因素选取困难等精准预测难题。本文利用变分模态分解将原始电力负荷数据分解为多个子序列,挖掘短期负荷波动特征的同时避免模态混叠问题,提出复合变量选取算法分析筛选影响负荷波动的关键因素,有效去除预测干扰信息并进一步简化预测模型的复杂度,通过兼顾数据短期依赖和长期依赖的长短时记忆神经网络对各子序列进行预测,并将各子序列预测结果进行叠加实现最终的短期负荷预测,据此建立基于变分模态分解和复合变量选取的短期负荷预测方法。选取2019整年长沙市实际数据验证结果表明,本文提出算法在复杂外部影响因素下,能准确筛选负荷预测的关键影响因素,相比传统预测模型,提出模型结构更简单、预测精度更高。     

基于改进深度信念网络模型的中长期径流预测

为提高流域中长期径流预测效果,提出径流综合指数构建、因子筛选和改进深度信念网络模型相结合的预测方法。首先研究不同水文站点(细粒度)月平均径流的一致性,构造流域径流综合指数(粗粒度),在较宏观层面研究流域水情丰枯变化;接着采用基于信息熵的因子筛选方法,获得影响流域水情丰枯变化的关键因子集,形成深度学习的输入;然后利用改进的深度信念网络(IDBN)模型进行预测。以雅砻江流域为例,将所建模型与多元线性回归、自回归移动平均、反向传播(BP)神经网络、支持向量机和传统深度信念网络等预测模型进行对比分析。结果表明:所提方法具有较好的实用性,且IDBN模型具有更好的预测速度和精度。研究结果可为流域中长期径流变化趋势预测提供参考。     

基于变分模态分解和分位数卷积-循环神经网络的短期风功率预测

由于风力发电的随机性和间歇性,风功率预测不仅需要准确的点预测,而且需要可靠的区间预测和概率预测来量化风功率的不确定性。提出了一种基于变分模态分解（variational mode decomposition,VMD）和分位数卷积-循环神经网络的风功率概率预测模型。首先,使用VMD技术将原始风功率数据序列分解为一系列特征互异的模态分量,再通过卷积神经网络（convolutional neural network,CNN）提取反映各模态分量动态变化的高阶特征。然后,基于提取的高阶特征进行分位数回归建模,采用长短期记忆（long short-term memory,LSTM）循环神经网络预测未来任意时刻不同分位数条件下的风功率值。最后,利用核密度估计（kernel density estimation,KDE）得到风功率概率密度曲线。以中国某风电场数据作为算例测试,证明了所提出模型的有效性。     

基于变分模态分解和蝙蝠算法-相关向量机的短期风速区间预测

现有的风速预测方法大多是确定性的点预测,无法描述风速的随机性。针对该问题,建立基于变分模态分解(VMD)和蝙蝠算法-相关向量机(BA-RVM)的短期风速区间预测模型。对原始风速序列进行变分模态分解获得多个子序列;采用样本熵(SE)算法对子序列进行重组得到3类具有典型特性的分量;对各分量采用相关向量机算法分别建立预测模型。为进一步提高预测精度、缩小区间范围,引入蝙蝠算法(BA)对预测模型进行参数优化。将各分量的预测结果进行叠加求和得到一定置信水平下总体的区间预测结果。实际算例结果表明,与现有方法相比,所提区间预测方法的预测精度和区间覆盖率更高,区间宽度更窄。     

变分模态分解在光伏发电功率预测中的应用

准确可靠的光伏发电功率预测对制定高效智能的负荷调度策略具有重要的指导意义。不同于常规方法,提出了一种基于变分模态分解和差分整合移动平均自回归模型的组合预测方法。变分模态分解可将原始信号分解为若干个具有不同中心频率和频率带宽的模态函数;差分整合移动平均自回归模型可对每一个模态函数建立预测模型。实验结果表明本文所提方法在对光伏发电功率预测时,优于基于经验模态分解法和局部均值分解法的预测模型,具有较高的预测准确度和稳健性。     

基于参数优化变分模态分解的间谐波检测

变分模态分解(VMD)已在谐波检测领域得到应用,但人为设定分解参数K,导致误差较大。为提升VMD在间谐波检测中的准确性,首先,采用施密特正交化理论对VMD预分解得到的各分量进行正交化处理,以避免模态混叠。然后求得不同K值对应的残差能量,利用残差能量值最小化法优化参数K,进而提取间谐波信号。最后采用对称差分能量算子,获得间谐波信号幅值与频率等特征信息。仿真实验表明：所提出的方法能有效优化参数K,降低VMD分解误差。同经验模态分解(EMD)、集合经验模态分解(EEMD)以及近年新提出的同步挤压小波变换(SST)相比,参数优化变分模态分解在间谐波检测上效果显著提升,具有更高的检测精度。     

基于变分模态分解的断路器机械故障诊断

断路器的振动信号包含了许多机械信息。为了更加精确的对断路器的故障进行识别,本文提出一种基于变分模态分解（variational mode decomposition, VMD）和支持向量机结合的方法。首先利用局部极值法确定合适的VMD分解模态数。其次通过VMD将信号分解成多个具有紧支性的模态,计算各模态的奇异值作为特征向量,将其输入支持向量机(support vector machine, SVM),训练故障模型。最后通过SVM诊断测试信号,成功对不同故障进行诊断。     

基于深度门控循环单元神经网络的短期风功率预测模型

随着新能源的不断发展,大量大容量风电机组并入电网运行,给电网的安全可靠运行以及风力发电的可持续发展都提出了新的挑战。提出一种风功率预测模型,该模型以风电场风功率历史数据以及风速、风向等数值天气预报数据作为输入对风功率进行预测。考虑到风功率预测中输入数据的波动性和不确定性,在传统门控循环单元(GRU)神经网络的基础上融合卷积神经网络(CNN),以提高模型对原始数据的特征提取和降维能力,并引入dropout技术减少模型中的过拟合现象。工程实例分析表明,所提模型在预测准确度和运算速度方面均优于长短记忆神经网络模型。     

基于变分模态分解和压缩感知的电力系统宽频振荡监测方法

随着“双碳”目标的提出，未来电力系统会有更高比例可再生能源及电力电子设备并网，会引发电力系统新型宽频振荡问题。因此针对电力系统宽频振荡“高噪声”和“宽频带”的特点，提出一种基于变分模态分解和压缩感知的自适应宽频振荡监测方法。对变分模态分解(variational mode decomposition, VMD)方法进行改进，自适应确定模态分解数，抑制噪声分量并监测识别振荡信号的有效信息。若监测到宽频振荡，将降噪处理后的宽频振荡数据通过压缩感知(compressed sensing, CS)方法上传，在调度中心对压缩数据进行重构，精确恢复宽频振荡信号，方便调度主站后续分析处理。算例表明所提方法可在高强度随机噪声的情况下保持宽频振荡监测的质量，克服高速采样后数据传输带宽的限制，并在实际电力系统宽频振荡信号监测中有良好应用。     

基于改进VMD-GAT-GRU的交通流量组合预测模型

针对短时交通流时间序列非平稳性、空间相关性和时间依赖性的特点,为提高短时交通流预测模型的预测精度和收敛速度,该文提出了一种基于改进的变分模态分解(VMD)、图注意力(GAT)网络和门控循环单元(GRU)网络的交通流量组合预测模型。首先,利用互信息熵(MI)改进的变分模态分解算法,将交通流量时间序列分解成一系列调幅调频信号子序列,降低了时序信号的非平稳性,提高后续预测模型的预测精度;然后,将其输入图注意力网络,捕捉路网邻近节点的交通流量对中心预测节点交通流量不同程度的影响,从而实现交通流量序列的空间相关性建模,进一步提高模型预测精度;接着,将交通流量分量子序列分别送入门控循环单元网络,捕捉其时间依赖性,并使用改进的RMSPRop优化算法迭代寻优,在提升优化算法收敛速度的同时提高了模型的预测精度;最后,结合各分量子序列的预测值,作为预测模型的最终输出。实验采用RTMC系统交通数据,结果表明,该文提出的改进VMD-GAT-GRU时空融合组合预测模型相较于LSTM、GCN和GAT基准模型,平均绝对误差(MAE)分别降低9.35、4.12、4.09,平均绝对百分比误差(MAPE)分别降低16.4...     

基于VMD与改进QRGRU的超短期风电功率概率预测

风电功率概率预测是分析未来风电功率不确定性的有效方法之一。为提高风电功率概率预测精度,文中提出基于变分模态分解(VMD)与改进门控循环单元分位数回归(QRGRU)的超短期风电功率概率预测方法。首先,采用VMD将原始风电功率序列分解成不同特征的模态函数;然后,对每个模态函数分别建立基于QRGRU的概率预测模型,并将变量间的网络结构约束作为目标函数的惩罚项,改进QRGRU权重在迭代修正过程中的平稳性;最后,在不同分位数条件下叠加各个模态函数预测值,并采用非参数核密度估计方法得到未来风电功率的概率密度函数。结合某风电场实测数据开展具体算例分析,结果表明所提方法能够兼顾区间覆盖率,减少区间宽度,在不同预测步长中均能表现较好的预测效果。     

基于变分模态分解和排列熵的输电线路故障诊断

针对现有电力系统输电线路故障信号分析方法中,故障信号特征遗失并难以反映故障信号本质特征等问题,提出基于变分模态分解与排列熵(VMD-PE)的输电线路故障诊断方法。以输电线路单相接地短路故障为例,选取IEEE 14节点标准测试系统,以单相接地短路故障时的电流作为故障信号,首先对各相故障信号进行VMD分解,然后对分解后的故障信号作二次PE分析,基于各相故障信号的最终总PE值识别输电线路故障,并与小波变换-PE算法进行对比。实验结果表明,所提VMD-PE方法更能有效地诊断出输电线路的故障所在相,可准确可靠的用于输电线路的故障诊断。     

基于变分模态分解与Teager能量算子的谐波/间谐波检测方法

为了提高电力谐波信号中谐波/间谐波的检测精度,提出一种基于变分模态分解(VMD)与Teager能量算子相结合的检测新方法。利用相关系数法来确定VMD算法中的模态分解个数K;采用VMD对谐波/间谐波信号进行分解,得到一系列IMF分量;利用Teager能量算子对IMF分量进行解调分析,能够得到分量的瞬时幅值和频率,同时根据时频图中瞬时频率突变点,可准确定位暂态谐波/间谐波的起止时刻。在信噪比较低的情况下,将集合经验模态分解(EEMD)、VMD分别与Teager能量算子相结合进行谐波/间谐波检测的对比。仿真实验对比表明文中所提方法能将稳态、暂态谐波信号进行有效的分离,同时具有较高的检测精度和较好的噪声鲁棒性。