基于LSTM算法的变电设备发热预测技术研究

单纯依靠温差阈值仅能判断设备的当前状态,无法对其发热趋势进行跟踪预测。环境温度和负载升高,有可能导致设备绝对温度的进一步升高,缺陷由一般发展为严重缺陷,因此需新的手段对变电设备热点温度进行预测。为解决上述问题,利用长短期记忆网络(Long Short Term Memory,LSTM)构建变电设备热点温度预测模型,对电网运行历史数据、环境气象历史数据、缺陷和故障历史数据及检测、试验、监测等状态历史数据进行大量样本的训练学习,基于深度神经网络算法拟合多源因素与设备热点温度的关联关系,实现设备热点温度状态发展趋势和缺陷严重程度的动态预测。最后通过变电站设备实际运维检测数据分析验证算法的可行性。     

基于LSTM的电网区域线损预测方法研究

针对现有电网线损预测方法存在的准确率差和效率低等问题,提出了一种用于电网线损预测的长短期记忆网络模型。通过长短期记忆模型提取并存储线损长时间序列的特征,与传统预测方法进行对比试验,验证了预测方法的有效性。结果表明,相比于传统预测方法,所提预测方法预测值与实际值最为接近,可为电网线损分析提供可靠依据。     

基于超参数优化的短期电力负荷预测模型

准确预测短期电力负荷在精细化电网规划、减少发电成本和提高用电质量等方面具有重要作用。为了大幅度的提高短期电力负荷预测的准确性,采用改进粒子群算法(IPSO)优化长短期记忆网络(LSTM),构建了一种新的电力负荷预测模型(IPSO-LSTM)。该模型采用能有效寻找全局最优解的IPSO,解决了LSTM预测电力负荷时超参数难以选取的问题。考虑到粒子群算法(PSO)中惯性权重和学习因子是固定不变的,这容易导致粒子群在前期掉入局部最优而错过全局最优,模型将惯性权重和学习因子由固定值改为非线性变化,以平衡其全局搜索能力和局部寻优能力。通过实际案例数据进行仿真分析,并与粒子群优化的长短期记忆网络(PSO-LSTM)、LSTM以及反向传播(back propagation, BP)神经网络算法的预测结果进行对比,验证了方法的预测效果更佳。实验表明,所提电力负荷预测模型具有较好的精度和稳定性。     

基于NMWOA-LSTM的卷取温度预测模型

由于热连轧带钢卷取温度控制过程存在强非线性和时变性等因素影响,导致卷取温度控制精度和卷取命中率低。提出一种基于改进鲸鱼算法优化长短期记忆神经网络的方法,加入自适应参数优化和混合变异策略并融合小生境技术得到小生境技术混合变异策略的改进鲸鱼优化算法,建立改进鲸鱼算法优化LSTM的卷取温度预测模型,并与其他模型进行对比。仿真实验表明,在10个测试函数中,同其他先进算法相比,NMWOA算法具有更好的搜索能力和寻优精度;在卷取温度模型预测中,NMWOA LSTM模型同其他4种模型相比,卷取温度高精度命中率达到9750%,提高了卷取温度的预测精度。     

基于VMD和贝叶斯优化LSTM的母线负荷预测方法

新型电力系统背景下,为提升母线负荷预测的精确性与稳定性,针对母线负荷噪声,提出一种考虑变分模态分解（variational mode decomposition,VMD）降噪优化和长短期记忆网络（long short-term memory,LSTM）的母线负荷预测方法。通过VMD将母线负荷分解为多个平稳的固有模态函数余项,将其分解项去除噪声后进行重组,达到降噪优化效果;对降噪后的母线负荷序列构建基于LSTM的时序预测模型,利用贝叶斯优化方法对网络初始超参数进行优化,以提高时序预测模型的精度。算例研究结果表明：利用VMD对母线负荷进行降噪优化后再进行预测,有利于预测结果更加稳定,且贝叶斯优化寻参解决了因初始参数设置不当而使预测结果精度不高的问题。该文方法可运用于母线短期负荷预测,并为电网调度运行提供了决策依据。     

基于QPSO优化LSTM的锂离子电池荷电状态估计

锂离子电池荷电状态(SoC)是电池管理系统的关键参数之一,针对单一长短期记忆(LSTM)网络估计精度不高的问题,提出量子粒子群(QPSO)优化的长短期神经网络,引入量子粒子群算法对LSTM神经网络模型关键参数进行优化,进而提高网络对SoC的估计性能.此外,采用INR-18650电池数据集对所提出的模型进行测试,包含3种不同温度(0℃、25℃、45℃)和4种工况包括动态压力测试DST、联邦城市驾驶时间表FUDS,US06高速公路驾驶时间表和北京动态压力测试BJDST.最后,在各工况下分别验证模型性能,并与其他优化算法进行比较,验证结果表明,所提方法在各温度下均能提高模型的SoC估计结果,且不同温度4种工况下的均值绝对误差(MAE)均小于1%和均方根误差(RMSE)均小于1.1%,最大误差均在5%以内.     

基于长短期记忆网络的售电量预测模型研究

售电量预测对优化供电结构以及了解经济走势具有重要意义,然而,传统售电量预测方法难以从售电量及其影响因素的数据中自动抽取到较好的数据特征。为此,文中提出一种基于长短期记忆网络的售电量预测模型,该模型通过分析售电量数据及其影响因素的相关性,提出一种行业聚类方法,该方法根据不同行业的数据特征对相似的行业进行聚类,并根据聚类结果训练长短期记忆网络模型。文中模型能够学习售电量数据以及相关影响因素的数据特征和内在关联关系。实验结果表明,文中所提出的预测模型比经典的预测模型具有更高的准确度。     

基于改进HHO算法的螺纹钢丝头中径测量方法

针对现阶段基于图像处理进行螺纹中径测量时算法收敛速度慢、精度低的问题,提出一种基于改进哈里斯鹰优化算法的螺纹钢丝头中径测量方法.首先,采用三次样条插值法进行亚像素级的边缘检测,精确提取出螺纹波峰波谷等参数后再构建出中径适应度函数,最后,将螺旋式更新机制和非线性能量递减策略引入哈里斯鹰优化算法(HHO)来求解中径适应度函...     

基于声电联合传感阵列的变压器局部放电诊断技术研究

该文提出了一种基于光纤超声-超高频联合感知的局部放电溯源和模式辨识方法。首先采用光纤超声传感器与特高频传感器融合,构成声电联合传感阵列。然后,简化到达时间差溯源定位算法,并比较了传统遍历空间搜索与萤火虫优化算法、混沌精英哈里斯鹰优化算法的优化效果,混沌精英哈里斯鹰优化算法计算效率提高98.24%,平均定位误差减小8.16%。通过方差精简PRPD谱图特征量,并结合精细KNN算法实现了局部放电的模式辨识。实验结果表明,溯源定位平均误差为36.1 mm,故障识别准确率达到88.10%。最后,试制了变压器局部放电声电联合智能感知系统,实现了对变压器局部放电源的精准定性和精确定位。     

面向电网调峰的聚合温控负荷多目标优化控制方法

为使聚合温控负荷参与电网调峰时兼顾运行的经济性和清洁性,提出面向电网调峰的聚合温控负荷多目标优化控制方法。建立温控负荷聚合模型,在常规模型预测控制的基础上,计及温控负荷聚合特性,设计预测时间自适应优化策略,动态调整域参数以协调处理优化精度与计算时间之间的矛盾,同时建立双闭环反馈机制以实时反馈温控负荷状态信息,提升实现调峰计划的可靠性;引入拉格朗日乘子和松弛因子,将多输出约束条件变成多目标函数的附加部分,提高控制方法的稳定性;提出改进的哈里斯鹰算法,对多目标优化问题进行求解,缩短模型预测控制的执行延时,提高寻优速度和寻优精度。所提控制方法与其他控制方法的仿真对比结果表明,所提控制方法有效降低了电网峰谷差以及运行成本和排放成本,同时兼顾了聚合温控负荷参与电网调峰的技术性、经济性和清洁性。     

基于LSTM的智能电网链路质量置信区间预测

为了提升智能电网无线通信的鲁棒性以及链路预测精度,提出了一种基于长短时记忆网络的智能电网链路质量置信区间下限预测方法.文中分析了智能电网的通信需求和无线链路的特点,根据分析结果,采用小波去噪算法将信噪比时间序列分解为确定性部分和随机性部分,将确定性部分输入到两层长短时记忆神经网络进行预测.计算随机部分的方差时间序列,作为另一个两层长短时记忆神经网络的输入进行预测,分别预测确定性部分和随机部分的方差,计算置信区间边界.实验结果表明提出方法具有更好的鲁棒性以及预测精度.     

基于WD-LSSVM-LSTM模型的短期电力负荷预测

为了提高短期负荷预测精度,提出一种基于小波分析、粒子群优化(PSO)算法、最小二乘支持向量机（LSSVM）和长短时记忆网络（LSTM）的预测模型。该方法通过对用电负荷进行小波分解和重构得到与原始数据长度相同的分量,对低频分量建立LSSVM预测模型并利用PSO算法找出最优参数,对高频分量建立LSTM预测模型,将各分量预测结果组合实现最终的负荷预测。实验结果表明,该模型预测精度优于传统LSSVM模型、BP神经网络模型和WD-LSSVM模型,验证了其可行性。     

基于改进哈里斯鹰优化算法的有源配电网故障定位

针对改进的遗传算法、二进制粒子群算法等智能优化算法在复杂的有源配电网中故障定位的准确率不高、易于陷入局部最优、收敛速度慢以及定位时间长等问题,提出一种基于改进哈里斯鹰优化算法的有源配电网故障区段定位方法。首先,通过Tent混沌映射改善初始种群和将逃逸能量非线性化,以加快哈里斯鹰优化算法的收敛速度。其次,通过结合黄金正弦算法跳出局部最优。最后,所提方法在IEEE33节点有源配电网模型上进行了仿真测试验证,表明改进后的哈里斯鹰优化算法能很大程度地加快收敛速率,故障定位方法具有很高的容错率。     

基于改进PSO-LSTM算法的风电机组状态监测方法研究

通过改进粒子群算法（particle swarm optimization,PSO）优化长短期记忆神经网络算法（long short-term memory,LSTM）的参数,提出了一种基于改进PSO-LSTM算法的直驱式风电机组运行状态监测方法。首先将数据采集与监控系统（supervisory control and data acquisition,SCADA）采集到的数据利用随机森林的方法进行特征筛选,得到模型的输入参数;其次采用改进PSO-LSTM网络建立有功功率的预测模型,计算出预测值与实际值的残差,根据残差的分布来确实直驱式风电机组的状态;最后利用某风电机组SCADA数据对所提预测模型进行验证分析,结果表明,PSO-LSTM预测模型相比其他三种预测模型,具有较高的预测精度,并在状态异常后最短时间内发出故障警报,保证电场的健康稳定运行。     

基于传统CNN-LSTM模型和PGAN模型的用电量预测对比研究

为保证新一代智能电网能够根据实时的用电量情况动态的调节区域内电能分配及调度,需要实现高效且精准的用电量预测。传统电网中用电量预测方法是通过人工统计或者对历史同期用电量分析,粗略的计算出可能产生的用电量,不但消耗大量的人力物力,且无法满足智能电网背景下的用电量精准预测。现在采用差分整合移动平均自回归预测模型,长短时记忆网络预测模型和生成对抗网络预测模型等方法对用电量预测问题进行了研究,以取代传统的用电量预测方法。结果表明,智能算法可以大大程度上提高用电量预测的准确性,但要实现短时高效预测,还需在智能电网系统中对智能算法合理使用。     

基于多模态数据驱动的黄瓜温室湿度预测方法

温室湿度精准预测对病害防治策略制定、水肥自动灌溉等具有重要意义。本文研究了一种基于多模态数据驱动的预测方法。为解耦温室环境控制中环境变量复杂关系,提高模型预测效率,利用LASSO回归从多温室环境参数中筛选得到温室空气湿度变化强关联环境因子,结合CNN提取图像空间特征的优势,基于GAF理论将温室时间序列分别转化为GASF与GADF二维图像,进一步增强有效信息,抑制环境噪声,通过引入低复杂度的双卷积层充分提取图像潜在特征,识别湿度变化趋势,对不同湿度变化趋势的时间序列逐一构建Bayesian_LSTM预测模型,增加平稳输入提高预测精度。针对黄瓜温室,将室内温度、湿度、光照强度历史时间序列转化为二维图像作为输入,分析验证了模型的预测性能。试验数据显示当时间滑动窗口大小为15,选用GADF转化图像,Bayesian_LSTM隐藏节点数为100时,平均绝对误差、平均绝对百分比误差、均方根误差分别达到258%、456%、480%,为模型性能最优。对比 RNN、GRU、Bi GRU、1D CNN共4种主流预测模型,试验结果均表现出良好的预测性能。     

基于碳排放达峰约束的2030年中国能源供需模型及实证研究

针对新建光伏发电站原始数据匮乏导致光伏功率预测精度低的问题,提出了一种基于梯度惩罚Wasserstein生成对抗网络(Wasserstein generative adversarial network with gradient penalty,WGAN-GP)和改进长短期记忆网络的光伏功率短期预测模型。首先使用WGAN-GP学习原始真实光伏数据的样本分布规律,然后生成与原始数据相似的高质量新样本,从而实现训练集数据增强;其次,采用纵横交叉算法(crisscross optimization algorithm,CSO)对长短时记忆网络(long short-term memory,LSTM)的全连接层参数进行优化,构建LSTM-CSO组合模型对光伏功率进行预测。以澳洲某光伏发电站数据进行仿真建模,实验结果表明：使用数据增强后的样本训练预测模型能够有效提高模型的预测精度,且对原始训练集数据扩充数据量的比例越大,预测模型对于光伏功率预测的精度越高。同时LSTM-CSO相对于LSTM在各个季节类型的不同气象日中均具有更高的预测准确率,以春季测试集为例,LSTM-CSO模型在春季的晴天、多云、雨天下的均方根误差相比于LSTM模型分别降低5.62%、3.44%、10.44%。