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 FEEMD-SAPSO-BiLSTM 组合模型的 短时交通流预测

为了提高短时交通流的预测精度和预测速度,基于交通流量序列的不平稳性和随机性,提出了快速集合经验模态分解(fast ensemble empirical mode decomposition,FEEMD)和自然选择自适应变异粒子群算法(selection adaptive particle swarm optimization,SAPSO)优化双向长短时记忆网络(bidirection long short-term memory,BiLSTM)相结合的预测模型.首先,利用FEEMD将原始不平稳的交通流量序列分解成多个较平稳的固有模态分量(intrinsic mode function,IMF)和残差分量(resdiue,Res),并滤除掉噪声部分,提高建模精度;其次,引入复合多尺度排列熵(composite multiscale permutation entropy,CMPE)检测交通流量子序列的随机性并根据随机性的相近程度对其进行聚类重组,简化模型的构建,提高预测精度;然后,对重组后的子序列使用BiLSTM进行预测,并利用SAPSO优化BiLSTM的权值和阈值,进一步提高组合模型的预测精度和预测速度;最后,将各子序列预测值叠加得到最终的预测值.实验结果表明,FEEMD-SAPSO-BiLSTM组合模型的均方根误差比FEEMD-PSO-BiLSTM和SAPSO-BiLSTM组合模型分别降低了22.9％和54.3％,收敛速度方面,FEEMD-SAPSO-BiLSTM明显快于FEEMD-PSO-BiLSTM模型.因此在预测短时交通流上,提出的组合模型提高了预测精度和预测速度,达到了期望的预测效果.     

集成自适应啁啾模态分解和BiLSTM的短期负荷组合预测模型

为提高用户侧短期负荷预测的精度,提出了一种基于自适应啁啾模态分解(adaptive chirp mode decomposition, ACMD)和麻雀搜索算法(sparrow search algorithm, SSA)优化双向长短时记忆网络(bi-directional long short-term memory, BiLSTM)的短期负荷组合预测方法。针对短期电力负荷存在波动性强和非平稳性的问题,采用ACMD将短期负荷时间序列分解为多个相对简单的子分量,使用BiLSTM分别对各子分量进行预测。同时,为克服BiLSTM参数取值不同导致预测结果不稳定的问题,使用SSA优化BiLSTM模型的超参数。最后将各子分量预测结果叠加得到最终预测结果。通过具体算例,分别与单一预测模型和多种组合预测模型进行比较,实验结果表明该方法具有更高的预测精度。     

基于CEEMDAN-ISSA-BiLSTM的风电功率组合预测模型

针对风电功率存在间歇性、非线性和波动性而难以准确预测的问题，提出一种遵循“序列分解-网络预测-序列重构”的风电功率预测模型。针对风电场集群中的不同风电机组出力特性曲线，使用迭代自组织数据分析聚类算法(ISODATA)聚类得到典型出力曲线；利用自适应噪声完全集成经验模态分解(CEEMDAN)算法对聚类得到的原始风电序列数据进行模态分解，减少数据波动所带来的预测误差；建立各模态分量的双向长短期记忆网络(BiLSTM)预测模型，并使用改进麻雀搜索算法(ISSA)优化网络参数，再将各模态分量的预测结果叠加得到风电功率的最终预测结果。算例结果表明，所提预测模型的预测精度相比其他对比模型更高，且有着更好的泛化能力。     

基于二次分解和GRU-attention的时间序列预测研究

针对时间序列规律难以捕捉且具有高度非平稳性特征导致的预测精度较低问题,提出了一种基于二次分解和注意力机制优化门控循环单元(GRU-attention)的时间序列预测模型。首先利用完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)将时间序列分解为若干个特征互异的模态分量,并依据样本熵量化各分量复杂度。其次采用变分模态分解(variational modal decomposition, VMD)弱化高熵值分量的非平稳性特征。接着使用注意力机制优化GRU预测模型。最后对各分量建立GRU-attention模型进行预测,将各分量预测结果叠加获得最终结果。通过实验分析证明,所提出的模型与其他模型相比能够较好的捕捉序列的复杂规律、降低序列的非平稳性并且具有较高的预测性能,其平均绝对百分比误差达到了2.9%,决定系数达到了0.891。     

基于观测点遴选与时空信息的短时交通流预测

针对高速公路短时交通流预测问题中待测站点上下游的交通流量时空信息利用不充分,且上下游观测点选择不合理的问题,提出了基于观测点遴选并充分挖掘时空信息的短时交通流预测方法.首先使用KNN算法对待测站点的上下游节点进行遴选,将与待测站点欧氏距离较小的上下游节点历史数据组织成包含时空信息的二维矩阵;然后使用卷积神经网络提取空间特征,将所得的特征向量送入双向LSTM模型进行时间信息的提取并完成最终预测.结果 表明,经过观测点遴选后的KNN-CNN-BiLSTM预测模型准确率较遴选前提升了19.3％,实现了交通流时空信息的充分挖掘,是一种有效精准的短时交通流预测模型.     

基于GRA-CEEMDAN-BiLSTM的变压器油中溶解气体浓度预测

基于自适应噪声完全集成经验模态分解与双向长短期记忆神经网络的变压器油中溶解气体浓度预测模型,本文中作者提出一种考虑待预测状态参量与影响因素相关性。首先,利用灰色关联分析法确定与待预测状态参量关联度较高的因素,作为关键预测输入参量;然后,运用自适应噪声完全集成经验模态分解将待预测参量序列分解为不同尺度相对平稳的子序列分量...     

基于改进金豺算法的短期负荷预测

针对电力负荷序列波动性和预测精度不高的问题,提出一种基于变分模态分解、排列熵和改进金豺算法优化双向长短期记忆网络的预测模型。首先,利用变分模态分解重构原始负荷序列,再采用排列熵理论对分解后的子序列进行熵值重组;然后,利用改进金豺算法对双向长短期记忆网络的参数进行优化,并对每个子序列建立预测模型;最后,组合各模型结果得到最终预测值。实验结果表明,本文模型预测精度更高,与真实值拟合度更好。     

基于完整自适应噪声集成经验模态分解的LSTM-Attention网络短期电力负荷预测方法

短期电力负荷预测在电网安全运行和制定合理调度计划方面发挥着重要作用。为了提高电力负荷时间序列预测的准确度,提出了一种由完整自适应噪声集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)和基于注意力机制的长短期记忆神经网络(long short-term memory network based on attention mechanism, LSTM-Attention)相结合的短期电力负荷预测模型。完整自适应噪声集成经验模态分解有效地将负荷时间序列分解成多个层次规律平稳的本征模态分量,并通过神经网络模型预测极大值,结合镜像延拓方法抑制边界效应,提高分解精度,同时基于注意力机制的长短期记忆神经网络自适应地提取电力负荷数据输入特征并分配权重进行预测,最后各预测模态分量叠加重构后获得最终预测结果。通过不同实际电力负荷季节数据分别进行实验,并与其他电力负荷预测模型结果分析进行比较,验证了该预测方法在电力负荷预测精度方面具有更好的性能。     

基于集合经验模态分解和改进极限学习机的短期风速组合预测研究

提出一种基于集合经验模态分解(Ensemble empirical mode decomposition)和改进极限学习机(Improved Extreme Learning Machine,IELM)的新型短期风速组合预测模型。采用集合经验模态分解将风速序列分解成不同频段的分量,以降低序列的非平稳性。使用改进极限学习机对各分量分别建模预测,为避免极限学习机输入维数选取的随意性和分量信息丢失等问题,先对各分量重构相空间,最后将各分量预测结果叠加得到最终预测结果。实例研究表明,所提的组合预测模型具有较高的预测精度。     

基于特征挖掘的ARIMA-GRU短期电力负荷预测

针对短期电力负荷随机性较强、预测精度较低的问题,提出了一种基于混沌理论、变分模态分解VMD(variational modal decomposition)、整合移动平均自回归ARIMA(autoregressive integrated moving average)模型和门控循环单元GRU(gated recurr...     

基于多模式分解的碳交易价格组合预测模型

针对碳交易过程中碳价序列的非线性和非平稳性,提出一种基于多模式分解、样本熵、鲸鱼优化(whale optimization algorithm,WOA)和长短期记忆神经网络(long short-term memory,LSTM)的组合预测模型.首先,使用奇异谱分解、变分模态分解和完全集合经验模态分解,分别分解原始碳价...     

基于VMD和PSO-SVR的短期电力负荷多阶段优化预测

为降低短期负荷序列的非线性以提升预测精度,提出一种基于多阶段优化的变分模态分解（variational mode decomposition, VMD）和粒子群算法优化支持向量回归（particle swarm optimization support vector regression, PSO-SVR）的短期电力负荷预测模型。第1阶段采用VMD优化和预处理原始负荷序列,分解获得多个较为平稳的模态分量。第2阶段利用相空间重构优化重组各序列分量,并针对各分量分别建立支持向量回归（support vector regression,SVR）预测模型。第3阶段将粒子群算法（particle swarm optimization,PSO）用于优化SVR模型内部参数,便于更好地进行训练和预测。最后累加所有序列的预测值,实现短期电力负荷预测。研究结果表明：所提方法可以取得更高的预测精度。     

基于多维气象信息时空融合和MPA-VMD的短期电力负荷组合预测模型

为提高电力负荷预测精度,需考虑区域内不同地区多维气象信息对电力负荷影响的差异性。在空间维度上,提出多维气象信息时空融合的方法,利用Copula理论将多座气象站的风速、降雨量、温度、日照强度等气象信息与电力负荷进行非线性耦合分析并实现时空融合。在时间维度上,采用海洋捕食者算法(MPA)实现变分模态分解(VMD)核心参数的自动寻优,并采用加权排列熵构造MPA-VMD适应度函数,实现负荷序列的自适应分解。通过将时间维度各分量与空间维度各气象信息进行融合构造长短期记忆(LSTM)网络模型与海洋捕食者算法-最小二乘支持向量机(MPA-LSSVM)模型的输入集,得到各分量预测结果,根据评价指标选择各分量对应的预测模型,重构得到整体预测结果。算例分析结果表明,所提预测模型优于传统预测模型,有效提高了电力负荷预测精度。     

基于二层分解的PSO-LSTM模型风电功率超短期预测

为提升风电功率预测精度,提出基于二层分解技术和粒子群优化长短期记忆（PSO-LSTM）神经网络组合的超短期风电功率预测模型。对风电功率原始数据,采用快速集合经验模态分解（FEEMD）方法将其分解为一系列本征模态函数（IMF）分量和余项,针对高频分量采用变分模态分解（VMD）进行二层分解。运用样本熵来解决分量个数过多、计算量繁杂的问题。通过偏自相关函数(PACF)筛选出与预测值关联程度高的元素确定输入维数。最后,选用PSO来优化LSTM相关参数建立预测模型并叠加获得最终值。试验结果表明,该组合模型有效提高了预测精度。     

基于VMD和PSO-SVR的短期电力负荷多阶段优化预测

为降低短期负荷序列的非线性以提升预测精度,提出一种基于多阶段优化的变分模态分解（variational mode decomposition, VMD）和粒子群算法优化支持向量回归（particle swarm optimization support vector regression, PSO-SVR）的短期电力负荷预测模型。第1阶段采用VMD优化和预处理原始负荷序列,分解获得多个较为平稳的模态分量。第2阶段利用相空间重构优化重组各序列分量,并针对各分量分别建立支持向量回归（support vector regression,SVR）预测模型。第3阶段将粒子群算法（particle swarm optimization,PSO）用于优化SVR模型内部参数,便于更好地进行训练和预测。最后累加所有序列的预测值,实现短期电力负荷预测。研究结果表明：所提方法可以取得更高的预测精度。     

基于CEEMDAN-SE和DBN的短期电力负荷预测

为提高短期负荷预测精度,提出一种基于自适应噪声的完全集合经验模态分解(CEEMDAN)-样本熵(SE)和深度信念网络(DBN)的短期负荷组合预测模型。首先利用CEEMDAN-样本熵将原始负荷序列分解为多个特征互异的子序列,计算各子序列的样本熵,将熵值相近的子序列重组得到新序列,降低了原始非平稳序列对预测精度造成的影响并减小计算规模;随后综合考虑各新序列的周期特性和影响因素对每个新序列分别构建不同的DBN预测模型,利用DBN预测模型克服了浅层神经网络特征提取不充分及初始参数难确定的问题;最后将预测结果叠加得到最终预测值。仿真结果表明,该组合预测模型有效提高了预测精度。     

基于贝叶斯优化的VMD-GRU短期风电功率预测

为提高风电功率预测精度,提出了一种基于贝叶斯优化的变分模态分解(variationalmodedecomposition,VMD)和门控循环单元(gatedrecurrentunit, GRU)相结合的风电功率预测方法。首先使用VMD算法对风电功率序列进行分解,并根据排列熵(permutation entropy, PE)的大小来确定序列分解的最佳模态数。然后将分解后得到的子序列分量与关键气象变量数据结合构成模型输入特征。使用GRU网络对各个子序列分量分别进行预测,并将各个子序列分量的预测结果进行重构得到风电功率预测结果。最后采用贝叶斯优化方法对各个子序列预测模型的网络初始超参数进行优化。采用某风电场的风电数据对所提模型进行验证,并与其他6种模型进行性能对比。结果表明,基于贝叶斯优化的VMD-GRU预测模型明显优于其他模型,具有较好的泛化能力,能够有效提高风电功率预测精度。