基于LightGBM-TextCNN-XGBoost的超短期光伏功率预测研究

针对超短期光伏功率预测的传统方法存在的限制,本文提出了一种基于LightGBM-TextCNN-XGBoost算法的预测模型。首先,本文对原始数据进行了预处理,并使用CEEMDAN对数据进行模态分解。然后,该文将模态分解后的数据归一化,并基于GWO-FCM聚类算法将数据聚类为三种天气类型。接着,该文将数据划分为训练集和测试集,分别对LightGBM和TextCNN算法进行训练。最后,文章基于Stacking思想建立了基于LightGBM-TextCNN-XGBoost算法的模型进行预测,并使用R²等评价指标对预测模型进行了综合评价。实验结果显示,文中模型的预测效果非常优秀。这种模型能够精确地预测光伏发电的功率,有助于光伏电站降低损失,从而确保微电网的安全稳健运行。     

低成本微电网轻量化在线超短期光伏功率预测算法设计

本文结合用户侧光伏微电网的实际工程需求,研究了满足嵌入式应用需求的轻量化在线超短期光伏功率预测算法.采用了核函数极限学习机算法作为在线超短期光伏功率预测算法的核心,通过使用特征序列代替传统时间序列作为训练样本集,实现了数据量的轻量化设计;通过基于趋势加权相似度的训练样本精选,提高了算法精度,简化了计算量,降低了算法计算时间.通过嵌入式系统实验测试结果表明,本文提出的轻量化超短期光伏预测算法在精度、计算时间和数据存储等方面都能满足嵌入式系统低成本应用的需求.     

基于GA-BP算法的光伏系统发电功率预测

随着光伏产业的迅速发展,光伏发电已成为可再生能源的生力军.然而,光伏系统的发电功率受不同天气状况的影响,具有不确定性和周期性等特点.为准确预测光伏发电功率保证电网的稳定性,本文采用GA-BP(Genetic Algorithm-Back Propagation)算法对光伏系统发电功率进行预测分析,结果表明,本文提出的模型和方法可以较为准确的预测光伏系统的输出功率,具有一定的实用价值.     

基于聚类和LSTM的光伏功率日前逐时鲁棒预测

太阳能作为具有高可用性且用之不竭的清洁能源,被认为是最有前途的能源替代品之一。光伏是最广泛使用的太阳能技术。然而,由于太阳能的间歇性,光伏发电具有不确定性。随着全球光伏装机容量的不断提升,光伏功率预测的准确性对于电网管理和电力调度至关重要。该文提出一种基于K-means聚类分析和长短期记忆神经网络(long-short-term memory, LSTM)的光伏发电功率日前逐时鲁棒预测方法。首先采用K-means算法以日前天气预报数据为特征将光伏数据分为晴空天气类型和阴雨天气类型,再针对相应类型数据建立基于长短期记忆神经网络算法的预测模型。同时,为增强预测模型的鲁棒性,选择具有强鲁棒性的Huber损失函数用于模型训练,并选择计算简单且收敛速度快的鲸鱼优化算法对Huber损失函数中的超参数进行优化。将所提出的预测方法与其他方法进行预测性能的比较,结果表明,提出的方法获得了较高的预测精度。     

基于注意力机制的CNN-BiGRU短期光伏发电功率预测

精确的光伏发电短期预测在微电网智能能源管理系统中起着至关重要的作用;文章提出一种基于注意力机制的CNN-BiGRU短期光伏发电功率预测模型;其核心思想是通过CNN提取光伏数据的空间特征,把CNN提取的这些空间特征送入到BiGRU神经网络中,利用BiGRU模型捕捉光伏时序数据集的双向信息流,学习光伏特征的动态变化规律,引入Attention机制为CNN-BiGRU的隐藏层输出赋予权重,减少因时序过长造成的信息丢失,并且突出强相关特征的影响,减少弱相关特征的影响。在美国俄勒冈州本德市公开数据集上做了验证,并与BP神经网络、GRU、BiGRU、基于Attention机制的BiLSTM以及基于Attention机制的BiGRU进行对比,实验结果表明所提模型在预测精度上更有优越性。     

基于极端学习机的光伏发电功率短期预测

为了进一步提高光伏发电功率的预测准确度,首次将极端学习机方法(ELM)和相似日方法结合并引入光伏发电功率短期预测领域.通过分析影响光伏发电功率的各个因素,分时段预测光伏发电功率.该方法在不同时间段中利用相似日评价函数选取历史相似日,结合预测日的天气因素,采用极端学习机对预测日对应时段的发电功率进行预测.通过对预测效果进行比较和分析,结果表明该方法比传统的神经网络预测算法有更好的预测效果.     

基于极端学习机的光伏发电功率短期预测

为了进一步提高光伏发电功率的预测准确度,该文首次将极端学习机方法(ELM)和相似日方法结合并引入光伏发电功率短期预测领域.通过分析影响光伏发电功率的各个因素,分时段预测光伏发电功率.该方法在不同时间段中利用相似日评价函数选取历史相似日,结合预测日的天气因素,采用极端学习机对预测日对应时段的发电功率进行预测.通过对预测效果进行比较和分析,结果表明该方法比传统的神经网络预测算法有更好的预测效果.     

一种TCN的改进模型及其在短期光伏功率区间预测的应用

为了提高光伏功率预测的精度,提出了一种基于时序卷积网络(temporal convolutional network, TCN)的新型短期光伏功率区间预测模型。首先,采用深度残差收缩网络(deep residual shrinkage network, DRSN)的软阈值和注意力机制来改进TCN的残差模块以增强其对有用特征提取能力,并削弱冗余特征的不利影响;然后,利用樽海鞘群算法(slap swarm algorithm, SSA)对TCN的卷积层的卷积核大小和TCN层数等超参数进行自动寻优,以克服原TCN感受野不足的问题;接着,采用核密度估计(kernel density estimation, KDE)方法对所建改进TCN短期光伏功率预测模型的点预测结果进行误差分析,获得模型预测输出的区间。最后,通过对比仿真实验得到的结果表明,提出的SSA-DRSN-TCN模型的RMSE平均值为0.27,优于LSTM、GRU、CNN-LSTM和TCN等模型;而且,KDE方法能够在80%、90%和95%的置信度下准确描述光伏功率波动区间,验证了所提模型在提高光伏功率预测性能上的有效性。     

基于层次聚类和极限学习机的母线短期负荷预测

利用传统方法预测母线负荷时,通常选取离待测日相近的一段时间作为历史相似日进行模型训练,没有考虑其天气情况、星期类型、节假日等因素的影响,相似日与待测日特征相差较大。为解决以上问题,提出一种基于层次聚类（HC）和极限学习机（ELM）的母线负荷预测算法。首先使用层次聚类法将母线历史日负荷进行聚类,然后对层次聚类得出的聚类结果建立决策树,其次根据待测日的温度、湿度、星期和节假日类型等日属性在决策树中匹配出训练极限学习机预测模型的历史日负荷,最后建立极限学习机预测模型,对待测日母线日负荷进行预测。对两条不同母线的负荷进行了预测,与传统单一的极限学习机相比,所提算法的平均绝对百分比误差（MAPE）分别降低了1.4和0.8个百分点。实验结果表明,所提算法预测母线负荷具有更高的预测精度和稳定性。     

基于聚类的超闭球算法短期风速预测研究

具有较高精度的超短期风速预测有着重要的作用,它对建立和保障并网运行风电场风电功率预测预报系统有着举足轻重的作用.但是,由于风速的影响因素较多,且存在着巨大的波动性、随机性,以及较高的自相关性.这些因素,极大地影响了传统的风速预测方法.因此,探究一种短期风速预测方法是十分必要的,此方法以聚类的小脑超闭球算法为基础,此超闭球方法,对减少数据输入的地址碰撞有着很好的作用,提高了学习速度,另通过模糊聚类对输入数据确定节点数和节点值,提高了学习精度.仿真结果证明基于聚类的小脑超闭球网络相比应用较为成熟的BP神经网络等能很好地预测未来1h风速.     

基于图卷积网络的药物靶标关联预测算法

传统的基于生物学实验的药物-靶标关联预测成本高、效率低,难以满足医药研发的需求。为了解决上述问题,提出一种新的基于图卷积网络的药物靶标关联预测（GCDTI）算法。GCDTI利用半监督学习方法将图卷积和自编码技术相结合,从而分别构建用于整合节点特征的编码层和用于预测全链接交互网络的解码层;同时使用图卷积技术建立潜在因子模型,并有效利用药物和靶标的高维属性信息进行端到端的学习。所提算法不需要对输入的特征信息进行任何预处理便可以将其与已知相互作用网络相结合,证明了该模型的图卷积层能够有效地融合输入数据与节点特征。与其他先进方法相比,GCDTI的预测精度和平均受试者工作特性（ROC）曲线下的面积（AUC）（0.924 6±0.004 8）最高,且具有较强的鲁棒性。实验结果表明：当需要预测大量的药物和靶标数据的关联关系时,利用端到端学习的模型架构的GCDTI有潜力成为一种可靠的预测方法。     

基于最大偏差相似性准则的BP神经网络短期电力负荷预测算法

针对企业电力负荷随机性强、稳定性低、预测精度不理想等问题,提出了一种基于最大偏差相似性准则的BP神经网络短期电力负荷预测算法。首先对最大偏差相似性准则算法进行修改,并提出使用预测日的负荷特征向量与最大偏差相似性准则算法聚类之后的类中心负荷特征的距离来确定预测日的相似日类别;然后将聚类后的相似日类别负荷数据作为BP网络的训练数据,输出预测日起始的连续三天96整点负荷值。实验表明,该方法提出的短期电力负荷预测方法在精度和网络训练时间上都有较大的提升,具有较高的有效性和实用性。     

基于大数据的分布式光伏接入配电网影响分析与功率预测研究

为提高分布式光伏发电功率预测的精度,满足电网调度和规划的高精度要求,本文利用光伏运行、电能量采集、电网调度等业务系统的海量数据,利用大数据分析方法研究大量分布式光伏接入对配电网负荷特性的影响,并提出基于气象相似日和粒子群算法优化BP神经网络的光伏电站功率预测方法.通过分析光伏发电功率随天气类型、温度、光照强度等气象因素...     

基于四叉树K-均值聚类算法的软件故障预测算法研究

提出了一种基于四叉树K-均值聚类算法的软件故障预测算法.采用四叉树的目的包括利用四叉树寻找K-均值聚类算法所需要的聚类中心和利用四叉树来进行软件模块的故障预测.在这种算法中,输入门限参数决定了最初的聚类中心,通过改变门限参数,用户可以得到期望的聚类中心.采用了聚类收益这个新的标准来衡量算法的性能.通过仿真和比较,算法具有最高的聚类收益,且在大多数情况下,总体错误率比其他算法更低,从而表明了算法在软件故障预测中的有效性.     

一种新的复杂网络聚类算法

揭示网络簇结构的复杂网络聚类方法研究具有重要的理论意义和应用价值。应用两种谱方法将复杂网络簇结构发现问题转换为空间数据聚类问题,并将粒子群聚类算法应用到对复杂网络簇结构的探测,提出了两种新的结合粒子群聚类的复杂网络簇结构探测算法。最后在两类复杂网络上进行实验并对实验结果进行了比较分析,提出的新算法在聚类准确性方面效果更好。     

股票投资短期预测的多模匹配识别算法

从股票投资预测的技术发展方向来看,不同人工智能学习算法之间的组合学习日益得到关注。基于组合学习的思想,提出了股票投资短期预测的多模匹配识别算法（ MPMA）。算法通过迭代计算数据采样频率、聚类分组、模式匹配将股价预测和涨跌预测纳入到一个统一的学习框架中,建立起不同人工智能学习算法之间的组合学习模型。实验结果表明,所提算法具有较好的预报和泛化能力。     

基于栈式自编码的上海地铁短时流量预测

城市公共交通网每时每刻都承载巨大的客流量,客流量的增多为公共交通网和交通智能调度带来了巨大的压力。地铁站点短时的客流预测是智能地铁调度系统中重要的决策基础与技术支持。利用历史刷卡数据,提出了一种基于深度学习的地铁短时客流量预测方法,基于栈式自编码器构建深度神经网络模型,采用自下而上逐层非监督预训练,在预训练结束之后,采用反向传播BP算法自上而下来微调整个网络的参数。利用上海一个月范围内的地铁刷卡记录数据进行实验测试,实验结果优于小波神经网络Wavelet NN与自回归移动平均模型ARIMA。     

结合聚类思想神经网络文本分类技术研究*

针对传统的基于神经网络文本分类算法收敛速度慢等缺点,在分析了文本分类系统的一般模型,以及在应用了互信息量的特征提取方法提取特征项后,提出了一种基于样本中心的径向基神经网络文本分类算法;并引入了聚类算法的核心思想,改进误差反向传播神经网络分类算法收敛速度较慢的缺点。实验结果表明,提出的改进算法与传统的BP神经网络分类算法相比,具有较高的运算速度和较强的非线性映射能力,在收敛速度和准确程度上也有更好的分类效果。     

基于网络自聚类的PBFT算法改进

联盟链是区块链技术在实际行业应用的主要形式,其共识机制多采用实用拜占庭容错算法(PBFr),在节点数量大时共识成功率与共识效率不高,存在扩展性问题.为此,提出一种基于网络自聚类拜占庭容错共识算法NAC-PBFT.利用行业应用中网络结构、系统节点等确知信息,在联盟链审核节点时指定种子节点,再以种子节点为中心自聚类为若干分组,组内通过优化实用拜占庭容错算法选举出代理人,由各组代理人共同完成全局共识.其中,组内选举时,通过定义可信度指标衡量节点作为筛选候选代理人的标准,确保每次选出的代理人具有良好的状态.通过对系统分析与性能测试,NAC-PBFr算法能有效降低消息量,在共识时间、系统吞吐量指标上有更好的表现,具备较好的扩展性.     

基于GEP和CPN网络的文本聚类算法

针对传统的方法很难做到根据输入向量的实际分布来设置Kohonen层各神经元对应的权向量的状况,因其会影响文本的聚类质量,所以利用人工神经网络和基因表达式编程(GEP)的互补优势,通过利用GEP在组合优化的方法进行对CPN网络中Kohonen层的联接权向量的优化,提出了一种基于GEP和CPN网络的文本聚类算法(GCTCA)。通过实验结果表明了该算法在文本聚类上的有效性与优越性。