二次分解策略组合Informer的短期电力负荷预测方法

针对电力负荷数据存在的波动性、非平稳性而导致预测精度低的问题,提出一种具有二次分解重构策略的深度学习电力负荷预测模型。首先,对负荷数据进行基于局部加权回归的周期趋势分解(STL)-改进的自适应噪声完备集合经验模态分解(ICEEMDAN)二次分解,通过计算样本熵和最大信息数对分量进行重构;然后在Informer模型中引入非平稳性机制,并融合卷积神经网络对重构分量进行预测;最后,将各分量的预测结果线性相加,得到最终预测结果。实验结果表明,所提方法在3个评价指标上的预测误差均低于所对比模型,证明该预测方法可以有效降低数据的非平稳性并提高预测精度。     

基于局域波分解及时间序列的风电场风速预测研究

风速预测对风电场和电力系统的运行都具有重要意义。对风速进行比较准确的预测,可以有效地减轻或避免风电场对电力系统的不利影响,同时提高风电场在电力市场中的竞争能力。本文基于局域波分解和时间序列分析的方法,对风速预测进行了研究,并提出了局域波分解．时间序列分析的综合预测方法。通过对实际测量统计的风速时间序列进行局域波分解,使之分解成为有限个基本模式分量和一个趋势分量,并对分解出的各个分量用时间序列分析的方法进行预测,最后叠加得到预测的风速信号。由于局域波分解可以将一个非平稳的风速信号序列分解成有限个相对平稳的风速信号序列,所以此方法能够有效地提高预测精度。     

基于二次分解和自适应鲸鱼优化算法的碳价格混合预测研究

为提高碳交易价格预测精度,提出了一种混合预测模型。将二次分解的方法引入碳价格预测中。该模型结合了改进的完全自适应噪声集合经验模态分解、变分模式分解、自适应权重鲸鱼优化算法和极限学习机算法。为验证模型的有效性,以某碳市场的数据为算例,结合多个对比模型进行了实证分析。分析结果表明,所提出混合预测模型的预测结果最优;同时发现二次分解的方法简化了碳价数据,可显著提高预测精度。     

基于Attention-GRU的短期电价预测

通过分析得出电价与负荷具有相关性,因此在电价预测模型中需要考虑实时负荷的影响。在此基础上针对前馈神经网络不能处理时序数据的缺陷与LSTM神经网络预测速度慢的问题,提出了一种基于Attention-GRU (Attention gated recurrent unit, Attention-GRU)的实时负荷条件下短期电价预测模型。该模型充分利用电价的时序特性,并采用Attention机制突出了对电价预测起关键性作用的输入特征。以美国PJM电力市场实时数据为例进行分析,通过与其他几种预测模型相比,验证了该方法具有更高的预测精度;与LSTM神经网络相比具有更快的预测速度。     

基于二次分解和改进沙猫群优化算法的空气质量预测

准确预测空气质量对人们的日常生活具有重要意义,提出了一种二次分解和改进沙猫群算法(improved sand cat swarm optimization,ISCSO)优化长短期记忆网络(long short-term memory,LSTM)相结合的预测模型。首先,利用完全自 适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)算法将PM₂s 数据分解为多个子序列,对预测效果不满意的重构序列使用变分模态分解(variational mode decomposition,VMD)方法进行 二次分解;其次,引入Cubic 混沌、螺旋搜索策略和麻雀警戒机制改进沙猫群算法,有效提高了算法的全局搜索性能和收敛速 度;最后,采用改进的沙猫群算法对 LSTM 模型参数进行优化,将各个子序列导入ISCSO-LSTM 模型预测并叠加得到最终预 测结果。实验结果表明,CEEMDAN-VMD-ISCSO-LSTM 组合模型具有较低的预测误差,相比 CEEMDAN-VMD-LSTM 和 CEEMDAN-VMD-SCSO-LSTM 模型,该模型在均方根误差方面分别降低了2.21和1.04μg/m³, 在拟合度方面分别提高了 4 .9%和2 . 1%。     

基于二次模式分解和级联式深度学习的超短期风电功率预测EI北大核心CSCD

风电功率预测对电力系统的经济调度和运行至关重要。为了减少集合经验模式分解产生的高频本征模函数IMF1对预测结果造成的影响,使用小波包分解进一步将IMF1子序列分解成若干子系列。针对传统机器学习无法处理时间序列间关联信息和时间相关性的缺陷,提出了级联式卷积神经网络-门控循环单元预测模型,提取风电功率子序列、风速子序列和风向之间的耦合关系的隐含特征,并进一步挖掘各个时间序列之间的时间相关特征。实验结果表明,所提出的预测模型优于其他预测模型,并验证了所提预测模型的有效性。     

基于小波分解和相同尺度序列的神经网络短期电价预测

基于小波分解的短期电价预测主要是对电价样本分解后的各个子序列进行预测,并重构各个预测结果得到最终预测电价。在这一基础上,对电价和负荷样本进行多分辨率小波分解至2尺度,然后剔除噪声信号,再将其中相同制度的电价和负荷子序列相结合,并根据该尺度的时频特征设计建立神经网络模型进行预测,最后将各个子序列的预测结果重构得到预测电价。在算例分析中采用PJM市场2007年3月至2008年2月的数据,并通过绘制误差持续曲线,测试对比本文提出的预测方法和其他预测模型,证明了该方法的有效性和可行性。     

时间序列分解在短期电价分析与预测中的应用

为了提高短期电价预测的精度,将电价分解成工作日电价和周末电价两个时间序列,并且,通过移动平均法和离散傅立叶变换,分别将这两个时间序列分成趋势分量、周期分量和随机分量三个组成部分,然后,分别采用移动平均法、外推法和最小二乘支持向量机对这三个组成部分进行预测以求得两个电价时间序列未来的预测值.仿真结果表明,与采用传统BP神...     

基于多维时间序列和BP神经网络的短期风电功率预测

由于风电的高度波动性和随机性,大规模的风电功率预测已成为制约中国风电发展的瓶颈。提出一种针对小采样间隔的风电功率数据的多维时间序列BP神经网络预测模型。通过对原始风电功率序列进行处理得到不同时间维度的风电功率均值序列进而组成多维时间序列,采用改进的嵌入维最小预测误差法求取多维时间序列相空间重构时间延迟和嵌入维,利用重构相空间中预测点的近邻点建立BP神经网络预测模型。以实际风电场数据进行验证,证明了该模型可以有效处理风电功率预测问题,算法耗时减少了约9s,同时显著提高预测精度约18.94%。     

基于GA-BP和RBF的风力发电时间序列混沌预测组合模型

针对单一模型难以对具有不确定性和随机性等特点的风电功率数据实现精确预测,该文提出基于GA-BP和RBF的风力发电时间序列混沌特性组合预测模型。组合预测模型对原始风电功率数据进行混沌特性判定,使用基于嵌入窗法的C-C求解法对数据进行相空间重构,得到输入数据集。并且,该组合预测模型基于皮尔逊相关系数和模型的不同预测能力,实时更新各模型的权重,提高模型的综合预测能力。实际风电场数据验证表明,组合预测模型对风电功率预测的皮尔逊相关系数为0.985,证明了此组合模型在提升风电预测精度方面具有优越性。     

基于数据分析和改进Chebyshev神经网络的风速时间序列预测

为提高风速时间序列预测精度,基于风速时间序列的随机性和波动性,提出互补集合经验模态分解(Complete Ensemble Empirical Mode Decomposition,CEEMD)和正交粒子群算法(Orthogonal Particle Swarm Optimization,OPSO)优化Chebyshev基函数神经网络的混合风速时间序列预测模型(CEEMD-OPSO-Chebyshev)。利用CEEMD将原始风速时间序列分解成有限个固有模态分量,避免了传统的分解信号重建中冗余噪声残留问题。同时引入排列熵分析各分量内在特性进行聚类,提出基于OPSO优化算法的Chebyshev神经网络风速预测模型,利用OPSO优化预测网络权值,进一步提高预测精度,通过对实际采样的风电场风速时间序列进行预测分析,结果可得所提出的混合预测模型与传统预测模型相比能得到更高的预测精度。     

基于时间序列法的风电场风速预测研究

采用Box.Jenkins时间序列分析方法,通过Matlab软件,利用达坂城风电场30米处,每10分钟采集一次得到的风速数据,建立ARMA模型,实现提前一小时的风速预测,为更长时间(半天、一天或两天)的风速预测提供理论基础。     

基于时间序列的WD-LS-SVM的风速周期预测模型研究

风速的随机性、波动性很大,所以风速的大小和很多因素有关,风速预测的准确率不高。针对这种现象,提出了一种基于时间序列和小波分解的最小二乘支持向量机的短时间的风速预测方法。通过小波分解对数据进行平稳性处理,将分解后的分量分别作为模型的输入,进行预测。最小二乘支持向量机的预测值和实际风速值基本上保持一致,误差保持在一定的较小范围内。通过与简单的支持向量机的仿真结果做对比,同时也验证了模型的有效性和可行性。     

基于季节性分解的时间序列在主变压器缺陷率预测中的应用

针对主变压器缺陷率序列具有的非线性和非平稳性特点,以及主变压器缺陷发生具有季节性的特征,提出将主变压器缺陷率序列进行季节性分解和时间序列ARIMA预测相结合对主变缺陷率进行预测,以探寻较为有效的主变压器缺陷率的预测方法。首先,对原始序列进行预处理,将其分解为一系列不同的模式分量,这样能够突出原始主变缺陷率序列的局部特征信息;然后,分析各分量,根据其变化规律,采用时间序列法建立相应的模型并进行预测,这样既简化了建立的模型又降低了不同分量间的干涉和耦合;最后将各分量的预测值叠加得到缺陷率的预测值。算例结果表明,该方法具有较好的预测效果。     

基于时间序列法的风电场风速预测研究

采用Box.Jenkins时间序列分析方法,通过Matlab软件,利用达坂城风电场30 m处,每10 min采集1次得到的风速数据,建立ARMA模型,阐述了数据预处理、模型参数识别及模型诊断、检验。实现提前1 h的风速预测,为更长时间(0.5~2 d)的风速预测提供理论基础。     

基于混沌时间序列和神经网络的电力短期负荷预测

提出一种将混沌时间序列和神经网络相结合的短期负荷预测方法,利用混沌理论重构相空间的吸引子,然后用BP神经网络来拟合空间吸引子的演化,同时利用空间欧氏距离来选取神经网络的输入样本,实例预测结果表明所提出方法的有效性和可行性.     

基于经验模式分解的风电场风速趋势预测研究

风速预测对风电场和电力系统的运行具有重要意义。对风速进行准确的预测可以有效减轻或避免风电场对电力系统的不利影响,同时提高风电场在电力市场中的竞争力。由于风速时间序列的非线性和非平稳性,传统的预测方法难以对其准确预测。该文提出将经验模式分解与最小二乘法相结合对风速时间序列进行建模预测。对风速时间序列进行经验模式分解可以得到若干不同频率的平稳分量和趋势项;以趋势项为自变量,建立二元线性回归分析的预测模型,依据最小二乘法原理来获取预测模型的两个系数;再利用预测模型对未来风速变化趋势进行预测。仿真结果验证了此方法的有效性。     

基于小波分析和时间序列的风速预测

由于风速具备很好的时序性和随机性,因此选用时间序列的ARMA（p,g）模型对风速进行预测。为了进一步提高预测精度,先利用小波多分辨分解对全风速进行高低频分解,提取出低频平缓信号,然后对平缓后的数据进行时间序列预测。并以某风电场实测风速为例,实际算例表明：该组合模型可以有效提高风速预测精度,具有一定实用性。     

基于时间序列的WD LS SVM的风速周期预测模型研究

风速的随机性、波动性很大,所以风速的大小和很多因素有关,风速预测的准确率不高。针对这种现象,提出了一种基于时间序列和小波分解的最小二乘支持向量机的短时间的风速预测方法。通过小波分解对数据进行平稳性处理,将分解后的分量分别作为模型的输入,进行预测。最小二乘支持向量机的预测值和实际风速值基本上保持一致,误差保持在一定的较小范围内。通过与简单的支持向量机的仿真结果做对比,同时也验证了模型的有效性和可行性。     

基于时间序列的大型光伏电站发电短期预测

环境变化条件下,短期精确预测光伏(photovoltaic,PV)发电量对于确保电网运行、调度和电网能源管理至关重要,尤其是在未记录太阳辐射测量或天气参数历史值的位置.通过搭建基于人工神经网络(双向长期短期记忆)的方法和统计方法(季节性自回归综合移动平均值)模型,对比分析大型光伏发电量的时间序列预测结果,考虑预测时间范围变化对所有算法的影响.当前工作中使用的数据为从20 MW并网光伏电站获取的3640 h运行数据.人工神经网络和所提统计模型可用于提前1h准确预测光伏电站的发电量,对光伏系统与智能电网的集成起重要指导作用.