蝗虫优化相关向量机模型在径流预测中的应用

针对径流序列不稳定导致预测精度不高的问题,提出一种基于变分模态分解(VMD)和蝗虫优化算法(GOA)优化相关向量机(RVM)的组合径流预测模型。首先对原始非平稳的径流序列采用VMD得到若干个相对稳定的分量序列,再分别建立RVM预测模型,并采用GOA优化RVM中核函数的参数,最后累加所有分量的预测值得到径流序列的预测值。实例结果发现,较传统的BP神经网络、支持向量机及基于经验模态分解的支持向量机等模型,该模型预测精度更高,预测结果能为水电站的经济运行、水资源的有效利用等提供决策依据。     

基于混合变分模态分解模型的短期风速预测

针对风速时间序列不稳定导致其难以准确预测的问题,提出一种基于最优变分模态分解(OVMD)和蝙蝠算法(BA)优化最小二乘支持向量机(LSSVM)的短期风速预测模型。采用OVMD技术,将原始风速时间序列先分解为若干个相对稳定的分量序列,然后对各个分量分别建立LSSVM模型进行预测,并采用蝙蝠算法优化LSSVM中的参数,最后对优化的分量预测模型的预测值求和,即得到原始风速序列的预测值。算例分析表明,该模型具有较高的预测精度,能有效跟踪风速的变化规律。研究成果为短期风速预测提供了新思路。     

基于VMD-SSA-LSSVM的短期风电预测

为解决由于风电预测中出现的波动性和随机性造成风电功率预测精确度不高的问题，提出一种基于变分模态分解（variational mode decomposition,VMD）、Tent混沌映射、随机游走的麻雀搜索优化算法（sparrow search algorithm,SSA）和最小二乘支持向量机（least squares support vector machines,LSSVM）的组合模型。首先应用鲸鱼优化算法（whales optimization algorithm,WOA）对VMD的核心参数（K值和惩罚系数α）进行自动寻优。经过WOA-VMD对原始风电功率时间序列分解过后，引入改进的麻雀搜索算法SSA优化最小二乘支持向量机LSSVM中的学习参数，然后对分解得到的各个子序列建立SSALSSVM预测模型；最后叠加各个子序列的预测值并得到最终预测值。经实验仿真对比，该文组合模型较现有单一预测模型和普通组合模型在预测精度上有较大提高。     

基于VMD-WPE和SSA-ELM的短期风电功率预测研究

针对风电功率序列非线性、非平稳性特点,提出一种变分模态分解（VMD）-加权排列熵（WPE）和麻雀算法（SSA）优化极限学习机（ELM）的混合风电功率预测模型。首先,采用VMD技术将原始序列分解为多个固有模态分量,再采用WPE技术将各分量重组成若干个复杂度差异较大的子序列。然后,利用启发式SSA算法对ELM的参数进行优化,建立风电功率预测优化模型。最后,采用西北某风电场实际数据对所提模型进行验证。结果表明,与其他模型相比,所提模型提高了预测性能。     

基于变分模态分解和改进鲸鱼算法优化的模糊神经网络风速预测模型

风速预测在风电场安全并网和智能化管理中起着决定性作用,针对风速的非线性和不稳定等特点,提出了一种基于变分模态分解(VMD)和改进鲸鱼算法优化的模糊神经网络(VMD-CGWOA-ANFIS)的混合预测模型。该模型首先使用变分模态分解技术将原始风速序列分解为一系列子序列,而后对各子序列分别采用模糊神经网络(ANFIS)建立预测模型。为进一步提高预测精度,同时克服鲸鱼(WOA)算法容易陷入局部最优和收敛过早的缺点,引入共轭梯度算法(CG)对WOA进行改进,利用改进的CGWOA算法对ANFIS参数进行优化。使用优化后的ANFIS分别对变分模态分解后的各子序列进行预测,最后将预测后的各子序列叠加得到最终预测结果。为测试模型的有效性,选择宁夏地区3组实际风电数据进行模拟试验,将ANFIS,VMD-ANFIS,VMD-WOA-ANFIS与提出模型进行对比,结果表明所提出的混合模型预测精度明显高于其他对比模型。     

基于EEMD-IWOA-TCN的电网短期负荷预测

为提高较少输入特征下对电网负荷的预测精度,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)、改进鲸鱼优化算法(improvewhaleoptimizationalgorithm,IWOA)和时域卷积网络(temporal convolutional network,TCN)相结合的电网负荷预测方法。首先,使用EEMD对原始序列进行分解,得到具有较高细粒度的负荷分量序列;其次,采取相关性分析对分量进行融合,对融合后的分量序列分别建立TCN预测模型;然后,使用IWOA对TCN内部的超参数进行优化,提升模型训练速度和预测性能;最后,将各分量序列的预测值进行累计,输出最终负荷预测值。实证分析表明：所提方法具有较高的预测精度和良好的鲁棒性。     

基于EEMD-ACS-SELM的弃风电量组合预测模型

风电已在电力系统中得到了有效利用,因此,弃风电量的准确预测对于电网的安全、经济运行至关重要。文章提出了一种基于集合经验模态分解(EEMD)和t分布自适应变异布谷鸟算法(ACS)优化改进极限学习机(SELM)的弃风电量组合预测方法(EEMD-ACS-SELM)。该方法先采用集合经验模态分解,将原始弃风电量序列分解为一系列不同频率的分量,基于模糊熵理论计算各分量的熵值,并将熵值相似序列重构为新的子序列。然后,将新序列分别建立改进极限学习机预测模型,利用ACS优化算法对SELM算法的输入权值和阈值进行优化。最后,将各序列预测值叠加求和得到原始弃风电量序列的预测值。以新疆某风电场实际运行数据进行算例分析,结果表明,文章所提方法对弃风电量的预测具有较高的精度。     

基于EEMD的SOA-KELM风电功率概率性短期区间预测

针对风电功率概率短期区间预测问题,提出了基于集合经验模态分解(EEMD)与人群搜索算法(SOA)优化的核极限学习机(KELM)模型。首先,在风电功率非平稳性时频分析的基础上,利用EEMD将原始风电功率序列分解为不同的子序列,并对各EEMD子序列建立基于上下限直接估量的预测子模型。然后,使用SOA寻求KELM子模型输出权值上下限的最优解,以优化模型预测性能。最后,以实际数据为算例,将本文模型与粒子群优化(PSO)算法优化的5种预测模型进行对比。结果表明:EEMD-SOA-KELM模型收敛速度更快且全局收敛,可获得更加可靠优良的区间预测结果。     

基于变分模态分解云模型和优化LSSVM的汽轮机振动故障诊断

针对汽轮机运行过程中的非平稳性和多分量性振动故障信号,提出一种基于变分模态分解相对熵云模型和优化最小二乘支持向量机(LSSVM)的汽轮机振动故障诊断方法。首先,利用变分模态分解按照预设尺度将故障信号分解为K个模态分量,根据各模态分量与原始信号的相对熵大小去除伪分量,提取最佳分量并将其输入云模型,采用逆向云发生器提取特征向量。然后使用改进果蝇优化算法动态调整搜索步长搜寻影响LSSVM识别精度的超参数最佳组合,最后将特征向量输入参数优化后的LSSVM进行故障识别,并与采用经验模态分解相对熵云模型和集合经验模态分解相对熵云模型的LSSVM识别结果进行了对比。结果表明:所提方法优于传统的信号分解方法,对汽轮机振动故障类别具有很高的识别准确率。     

基于EMD-LMD-LSSVM联合模型的逐时太阳辐照度预测

由于太阳辐射的随机性很大,同时考虑到传统方法建立的单一最小二乘支持向量机(least square supportvector machine,LSSVM)模型精度不高,该文提出一种基于经验模态分解(empirical mode decomposition,EMD)局部均值分解(local mean decomposttion,LMD)和与机器学习方法 LSSVM联合的逐时太阳辐照度预测模型。先利用信号处理算法EMD及LMD将时间顺序数据分解成一系列相对平稳的分量序列,再对各子序列分别建立LSSVM预测模型,最后将各子序列预测结果进行叠加得到最终预测值。仿真结果表明,该模型取得比单一模型更好的预测效果,均方根误差精度可提高24.59%。     

基于IAOA-VMD-LSTM的超短期风电功率预测

为了对风电功率进行精确预测,提出一种基于改进算术优化算法（IAOA）、变分模态分解（VMD）和长短期记忆网络（LSTM）的超短期风电功率预测模型（IAOA-VMD-LSTM）。利用IAOA对VMD的关键分解参数k和α进行优化,得到的各固有模态函数（IMF）具有周期性,能够提升LSTM的预测精度,同时利用IAOA对LSTM网络参数进行优化。通过对风电功率数据进行预测分析,结果表明IAOA-VMD-LSTM预测模型相比于其他模型的预测精度更高。     

基于EMD-TCN的多能供热系统太阳辐照度预测模型

针对太阳辐照度的非平稳性和非线性影响多能供热系统运行效率和可靠性问题,该文提出一种基于经验模态分解（EMD）和时间卷积网络（TCN）的太阳辐照度混合预测模型EMD-TCN,更精准地从气象数据中提取太阳辐照度非线性和非平稳的隐含特征,获得更佳的预测精度。该研究利用逐时气象数据对所提出的EMD-TCN模型进行不同时间尺度的太阳辐照度预测实验,并与4种主流深度学习预测算法进行对比分析,结果表明该太阳辐照度预测模型具有更高的预测精度和泛化能力。     

基于EEMD和BP神经网络的短期光伏功率预测模型

摘要： 为了实现对并网型光伏电站调度,提出了一种基于集合经验模态能分解（EEMD）与BP神经网络的短期光伏出力的组合预测模型。利用集合经验模态分解将光伏出力序列分解,得到本征模函数分量IMF和剩余分量Res,降低序列的非平稳性。采用游程检验法优化因IMF分量数量多造成的建模过程复杂的问题,针对优化后的分量分别建立相应的BP神经网络预测模型。利用该方法对额定容量为40 kW的光伏系统进行预测,并与EMD-BP神经网络和传统的BP神经网络模型进行比较分析。结果表明,所提出的方法有效地提高了预测精度。     

基于改进LSSVM的太阳辐射量预测

为准确预测太阳辐射量,提出一种基于变分模态分解和粒子群优化算法的最小二乘支持向量机组合预测模型。针对太阳辐射量序列具有不稳定性的特点,首先利用变分模态分解将历史太阳辐射量数据分解成一系列相对稳定的分量序列,再应用粒子群优化最小二乘支持向量机参数,以预测各分量序列,将各分量太阳辐射量预测值集成,从而得到最终太阳辐射量预测值。实例分析和对比研究表明,该模型预测太阳辐射量有效可行,具有较高的预测精度。研究成果可为太阳辐射量预测提供参考。     

基于EEMD-HS-SVM的短期风功率组合预测模型

随着电网中风电渗透率的逐年提高,对其出力进行精确预测是保障电网可靠运行的技术措施之一。文章建立了基于EEMD-HS-SVM短期风功率组合预测模型。采用EEMD分解技术对原始风功率序列做信息特征提取处理,将原始信号梯度化分解为一系列特征互异的本征模态函数,运用复杂统计理论体系下的样本熵作为特征,将特征相似的本征模态函数归类为尺度相异的新模态分量,根据新模态分量的局部特征与变化趋势,建立与之相对应的SVM预测模型。提出采用和声搜索算法优化SVM模型参数,有效改善了SVM算法存在的结构参数难以确定、训练效率低的不足。算例分析表明,EEMD-HS-SVM模型在风功率预测中具有较高的预测精度和预测效率。     

基于相似日聚类和PCC-VMD-SSA-KELM模型的短期光伏功率预测

由于光伏发电的随机性和不稳定性会影响功率预测的精度,提出一种基于皮尔逊相关系数（PCC）、K-均值算法（K-means）、变分模态分解（VMD）、麻雀搜索算法（SSA）、核函数极限学习机（KELM）的光伏功率短期预测模型。首先,用PCC选取主要因素作为输入;K-均值算法进行相似日聚类,将历史数据聚类为晴天、多云和雨天;其次,VMD对原始信号进行分解,充分提取集合中的输入因素信息,提高数据质量;SSA优化KELM模型的核函数参数和正则化系数解决其参数选择敏感问题;最后,将不同序列预测值叠加得到最终预测结果。仿真结果表明,所提相似日聚类下PCC-VMD-SSA-KELM模型具有较小的预测误差。     

基于VMD与GRU的抽水蓄能机组振动趋势预测

鉴于有效预测振动信号可为抽水蓄能机组的性能劣化及故障等预警提供重要依据的问题,提出一种基于变分模态分解(VMD)与门控循环单元神经网络(GRU)的抽水蓄能机组振动信号预测方法。首先,对原始的振动信号进行VMD分解,得到一组相对平稳且频率不同的本征模态函数(IMF),以减少不同频率信息间的相互影响;然后,针对各子序列分别构建GRU时序预测模型,并采用自适应矩估计算法(Adam)对各分量GRU预测模型进行优化;最后叠加各子序列预测结果得到抽蓄机组振动信号的预测值,并构建ANN、GRU、VMD-SVM、VMD-ANN 4种预测模型进行对比。试验结果表明,与所构建的4种预测模型相比,VMD-GRU预测模型在有效性及预测精度等方面效果显著,在实际工程中非常具有应用意义。     

基于CEEMDAN+RF+AdaBoost的短期负荷预测

高精度的短期负荷预测不仅是电力系统运行稳定的关键,也是构建智能电网的必要保证。为提高电力系统短期负荷预测精度,提出了一种基于完整集成经验模态分解(CEEMDAN)、随机森林(RF)和AdaBoost的预测方法。针对传统分解方法不能完整分解原始负荷序列的问题,利用CEEMDAN分解方法为各个阶段的IMF分解信号添加特定的白噪声,通过计算余量信号来获得各个模态分量,然后针对前9个模态分量构建RF预测模型,针对残余量构建AdaBoost预测模型,并对结果进行重构预测,得出未来24h的负荷预测数据。最后将CEEMDAN+RF+AdaBoost方法应用于华中地区的短期负荷预测,在同等条件下,与预测模型CEEMDAN+RF、EEMD+RF+AdaBoost、EMD+RF+AdaBoost、RF及AdaBoost进行试验对比,结果表明所构建预测模型的精度优于其他对比模型,具有很好的理论指导意义和实际应用前景。     

基于VMD-PSO-GRU模型的锂离子电池剩余寿命预测北大核心CSCD

准确预测锂电池的剩余使用寿命(remaining useful life,RUL)对降低电池使用风险和保证系统的安全运行起着非常重要的作用。为了消除电池容量序列受容量再生等影响,提高预测结果的准确性和稳定性,提出了一种基于变分模态分解(variational modal decomposition,VMD)与参数优化的门控循环神经网络(gate recurrent unit,GRU)相结合的RUL预测模型。首先采用VMD算法将锂电池的容量序列分解为一系列平稳分量;然后采用多层GRU网络对各分量进行预测,针对预测结果不稳定的问题,在模型训练前利用粒子群算法(particle swarm optimization,PSO)对GRU模型的参数进行优化;最后叠加各分量的预测值作为最终预测结果。在NASA数据集上对本模型进行了验证,当采用20个已知电池序列数据预测时,预测结果的最大平均绝对百分比误差和均方根误差控制在0.88%和0.0148以内,RUL预测的最大误差不超过2个充电周期,具有较高的鲁棒性和预测精度。     

基于分解去噪和LSSVM的短期风速预测

随着风能在电力系统运行中的重要性不断加强,准确可靠的风速预测可以有效提高电网运行的稳定性,提高电网经济效益.提出了一种分解去噪、智能算法优化LSSVM的短期风速混合预测模型,首先对初始风速数据进行变分模态分解(VMD),然后利用样本熵(SE)评估各子序列的复杂程度,采用奇异谱分析(SSA)对最无序子序列进行降噪处理;一...