基于融合长短时记忆网络的风电场超短期风速预测研究

准确的风速预测是风电功率预测的重要基础,对于电力系统的安全、稳定和经济运行有着十分重要的意义。文章通过考虑临近风电场之间的风速时空相关性,提出了一种融合长短时记忆网络的多风电场超短期风速预测模型。首先,通过堆叠的长短时记忆网络提取单个风电场的时间序列特征。之后,通过张量拼接层以及全连接层融合多个风电场的时间序列特征。最后,使用线性全连接层输出所有风电场的未来风速预测值。采用江苏省3个临近风电场两年的数据来验证文章提出的模型。与4种常用方法的对比结果表明:融合长短时记忆网络在四个季节内的超短期风速预测结果均能达到最优;通过序列特征融合的方式可以考虑多个风电场之间的时空相关性。文章提出的时间序列特征提取和空间特征融合方案直观、有效,多个风电场的风速预测精度得到明显提升。     

基于长短时记忆网络融合SCADA数据的风电齿轮箱状态监测

针对不具有时间记忆能力的机器学习方法融合风电机组数据采集与监控系统(SCADA)的时序数据而导致风电齿轮箱状态预测精度不高的问题,提出基于长短时记忆(LSTM)网络融合SCADA数据的风电齿轮箱状态预测模型。选择能表征风电齿轮箱运行状态的某个监测量作为模型的输出量,基于灰色关联度选择与该监测量关联密切的SCADA参数作为预测模型的输入量;使用正常状态下的SCADA数据训练LSTM预测模型,得出预测值和残差,通过3σ准则计算出上下预警阈值,用于风电齿轮箱状态监测和故障预警。某风电场风电齿轮箱的SCADA数据验证表明所提出的方法能有效预警风电齿轮箱故障。     

基于混合深度学习模型的风速区间预测研究

风速的不确定性使风速预测难度加大，从而使风能难以被有效利用，为解决这个问题，基于卷积网络、共享权重长短时记忆网络、注意力机制和高斯过程回归，提出一种混合深度学习模型进行风速区间预测。首先采用卷积与共享权重的长短时记忆两者相融合的网络对风速序列进行特征提取，然后加入注意力机制有侧重地对特征向量加以利用，最后通过高斯过程回归进行区间预测。将该模型应用于2个风速数据集进行测试，从点预测、区间预测2个方面与其他风速预测方法进行对比。实验结果表明，所提预测模型能获得高精度预测结果及合适的预测区间。     

融合残差与VMD-ELM-LSTM的短期风速预测

准确可靠的风速预测有利于维护电力系统的安全运行。为提高预测精度,本文提出一种融合残差与变分模态分解（VMD）、极限学习机（ELM）、长短时记忆（LSTM）的短期风速预测模型。首先,VMD算法将风速序列分解为若干个子序列以降低原始数据复杂度。接着将ELM作为初始预测引擎,用来提取各风速子序列特征。然后,对所有预测子序列进行重构,得到初步预测结果。为进一步挖掘原始风速序列中的不平稳特征,采用LSTM对初步预测结果的残差进行建模。最后,集成预测的残差与初步结果,得到最终的预测值。在真实风电场数据上开展实验,并将预测结果与其他模型对比。实验结果表明,所提模型能显著提升风速序列的预测性能。     

基于多方面特征提取和迁移学习的风速预测

为满足风电场远程集控中心高效、低成本预测不同地理位置风电场风速的要求,结合“离线训练,在线预测”的思想,提出一种基于多方面特征提取和迁移学习的多变量风速预测模型。离线模型融合双通道卷积神经网络和双向长短时记忆神经网络捕捉风速信息,学习各典型位置风电场的风速特性,然后迁移至任意风电场实现快速在线预测,通过改进的多目标蝗虫优化算法集成各典型风电场预测结果,进一步提高预测精度。最后通过河北一集控中心验证表明,该文所提模型的适应性与准确性均优于其他基线模型。     

基于CEEMDAN二次分解和LSTM的风速多步预测研究

为了提高风速预测的准确性,提出一种基于自适应噪声完备经验模态分解（CEEMDAN）二次分解和长短时记忆（LSTM）网络的风速多步预测方法。该方法首先应用变分模态分解（VMD）将原始风速序列进行一次分解,充分利用其分解后的残余分量并采用CEEMDAN方法进行二次分解;然后将分解后的所有子序列分别输入到LSTM模型中进行风速多步预测;最后将各模型输出结果进行叠加获得预测风速。以内蒙古某风电场实测数据为例进行建模和预测分析,结果表明所提出的风速多步预测模型具有较高的预测精度,具备实际应用的可行性。     

基于融合注意力机制改进双向长短时记忆网络在电动汽车充电负荷中的预测研究

电动汽车的规模化发展以及充电设施的持续建设将给电网带来重要影响,严重威胁到了电力系统频率稳定性。结合电动汽车充电负荷数据特点,在深度学习方法的基础上提出基于融合注意力机制（attention mechanism,AM）改进的双向长短时记忆网络模型（long short-term memory network, LSTM）,实现对电动汽车的优化调度。通过使用实测电动汽车充电负荷数据,比较了所提方法与已有方法的性能。结果表明,在LSTM和（bidirectional long short-term memory network, BiLSTM）分别添加了注意力机制的（long short-term memory attention network,LSTMA）和（bidirectional long short-term memory attention network,BiLSTMA）模型相对于已有方法,在预测结果评价指标上都有明显的提升,证明了注意力机制在电动汽车充电负荷序列预测上的有效性。     

基于长短时记忆网络的电热协同运行异常识别方法

当前,以“电热协同,跨网互济”为核心理念的区域清洁供能逐步成为了一种成熟的能源解决方案,因此保障电热协同运行安全稳定也成为了工作重中之重,在异常识别过程中,很难获取充足故障数据,使得所训练模型泛化能力不足。文章基于区域电热综合功能系统典型架构,构建光伏、热泵、电动汽车、蓄电池、蓄热模块综合仿真模型,然后结合所提故障模拟方法生成所需异常运行数据,提出一种基于长短时记忆网络的运行异常识别模型,最后进行算例分析,验证模型的有效性,对监测电热协同运行异常具有一定的理论与数值参考价值。     

基于风速时空关联的多步预测方法

基于风速的空间关联性提出一种新的多位置多步风速组合预测方法.对风场内各风力机进行灰色关联分析,并据此利用昆虫优化算法进行优选重构,获取目标风力机及临近域空间信息.利用卷积神经网络对重构矩阵进行空间特征提取,并输入长短时记忆网络进行多步预测.最后,将所提方法应用于不同风场进行风速预测,通过对比分析验证所提方法的预测精度和...     

基于季节指数调整的循环神经网络风速时间序列预测

提出一种基于季节指数调整的神经网络风速预测方法.针对历史风速之间的非线性关系,运用神经网络非线性拟合能力并结合季节性指数调整对风速时间序列进行预测.通过时序图法和增广Dickey-Fullerd检验法判断时间序列的平稳性,结果表明该序列为非平稳序列.这种不稳定性说明时间序列中可能包含趋势、季节性、循环和不规则成分的一种...     

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。     

基于PAM-SSD-LSTM的短期风速预测

为提高短期风速预测的准确性,提出一种基于PAM聚类、奇异谱分解（SSD）和LSTM神经网络的组合预测模型来预测短期风速,以解决上述问题。首先,为提高神经网络的学习效率,采用PAM算法对原始风速数据进行相似日聚类;其次,SSD具有抑制模态混叠和虚假分量产生的优点,使用SSD分解风速序列,提取多尺度规律;最后,由于LSTM神经网络捕捉长时间依赖的序列的波动规律的能力较强,使用LSTM神经网络对分解后的风速分量进行预测,将各分量预测值叠加得到最终预测结果。实验结果表明,基于PAM-SSD-LSTM的组合预测模型可有效提高风速短期预测的准确率。     

基于深度置信网络的短期风电功率预测

为解决海量数据用作预测模型训练样本导致信息冗杂的问题,提出一种基于深度置信网络的短期风电功率预测方法.该方法首先使用历史数据作为训练样本,通过深度置信网络无监督学习提取出其相应特征,随后采用K均值算法对提取出的特征进行聚类分析,将历史数据分作几类,并通过判别分析确定待测日所属类别,以该类别所属的历史数据对设置了误差反馈...     

基于特征变权的超短期风电功率预测

针对当前风电功率预测过程中历史信息利用不充分及多维输入权重值固定忽略了不同时间维度的特征重要性的问题,提出一种基于特征变权的风电功率预测模型。该方法利用随机森林（RF）分析不同高度处的风速、风向、温度等气象特征对风电输出功率的影响程度,并利用累积贡献率完成气象特征的提取。对提取的特征及历史功率信息利用奇异谱分析（SSA）去噪,以去噪后的数据作为输入建立级联式FA-CNN-LSTM多变量预测模型对超短期风电功率进行预测。通过在CNN-LSTM网络中增加特征注意力机制（FA）自适应挖掘不同时刻的特征关系,动态调整不同时间维度各输入特征的权重,加强预测时刻关键特征的注意力,从而提升预测性能。基于某风电场实测数据的算例分析表明,所提方法可有效提高超短期风电功率预测精度。     

基于多层语义融合注意力机制的短期风电功率概率密度预测方法

获得未来风电功率的短期概率性信息将有助于电网的综合能源调度,为此提出一种结合多层语义融合注意力机制的短期风电功率概率密度预测方法。为尽可能获得更多语义层下的编码信息,在编码阶段引入循环高速网络（RHN）并通过深层的RHN网络结构最大程度地提取输入特征的底层关联信息。设计多层语义融合注意力机制以融合不同语义层下的局部注意力向量,进一步加强编码特征向量的表达能力,并将网络的输出与分位数回归和核密度估计方法结合,得到不同分位点下未来短期风电功率的预测结果与连续概率密度分布。实验结果表明：提出的短期风电功率概率密度预测方法不论是在预测的得精度上,还是在具有不确定性的预测结果分布上均优于其他比较模型。     

基于Attention-GRU风速修正和Stacking的短期风电功率预测

针对使用数值天气预报（NWP）数据进行风电功率预测时,NWP风速与实际风速存在偏差导致预测精度欠佳,提出一种基于注意力机制（Attenion）门控逻辑单元（GRU）数值天气预报风速修正和Stacking多算法融合的短期风电功率预测模型。首先,分析NWP预报风速和实际风速的皮尔逊相关系数,建立Attention-GRU风速修正模型,提高预报风速精度。其次,考虑风向、温度、湿度、气压、空气密度等气象因素,基于Stacking框架,提出融合XGBoost、LSTM、SVR、LASSO的多算法风电功率预测模型,同时采用网格搜索与交叉验证优化模型参数。最后,选取西北和东北两个典型风电场数据进行验证,算例结果表明,所提出模型能改善NWP风速精度并提升风电功率预测效果。     

基于QR-NFGLSTM与核密度估计的风电功率概率预测

为提高风电功率概率预测精度和缩短长短期记忆网络的训练时间,提出一种基于分位数回归结合新遗忘门长短期记忆(NFGLSTM)网络与核密度估计的风电功率概率预测方法.该方法对长短期记忆网络的结构改进,提出一种新的遗忘门结构,以缩短训练时间.基于分位数回归和NFGLSTM网络建立组合预测模型,得到风电功率点预测值和某一置信度下...     

基于风速波动特征提取的超短期风速预测

针对风电场风速预测准确度不高的问题,提出一种基于风速波动特征提取的超短期风速预测方法。首先建立风速-风速变化量联合概率密度模型,分析风速的不确定性特征;根据风速波动特征,应用集合经验模态分解（EEMD）和风速分量样本熵（SampEn）值,将风速分解重组为波动量和趋势量;应用人工鱼群算法（AFSA）优化小波神经网络（WNN）进行趋势量预测;应用改进非线性自回归（INARX）神经网络对风速波动量进行预测,进而得到预测风速。通过实际风电场风速仿真预测,并与多种预测方法对比,表明该预测方法预测结果误差较小,可准确地进行超短期风速预测。