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。     

基于分时长短期记忆神经网络的光伏发电超短期功率预测

准确预测光伏发电功率对电力系统运行调度至关重要。提出一种基于Spearman相关系数和分时长短期记忆网络的光伏发电功率预测方法。首先利用Spearman相关系数分析每个时刻下影响光伏发电功率的因素,选取相关度高的影响因素作为长短期记忆网络模型的输入变量;然后,对每个时刻建立一个基于长短期记忆网络的预测模型,实现分时光伏发电功率的预测。最后,利用实际光伏发电站的历史发电功率和数值天气预报数据进行案例分析。结果表明,所提方法比单一长短期记忆网络预测模型具有更高的预测精度。     

基于天气分型的短期光伏功率组合预测方法

由于光伏功率波动特征与天气类型紧密相关,且光伏功率短期预测存在功率波动过程预测精度低、气象因素与功率波动过程相关性弱的问题,文中提出了一种基于天气分型的短期光伏功率组合预测方法。首先,基于气象因素与光伏功率波动特征的关联性,将天气过程划分为5种类型,并基于变分模态分解算法将光伏功率分解为类晴空过程和波动过程。然后,利用Granger因果关系算法筛选出与各天气类型下光伏功率波动过程密切相关的关键气象因子。最后,建立基于天气分型的短期光伏功率组合预测模型。模型充分考虑了深度学习算法的特异性,对光伏功率类晴空过程与各天气类型下的光伏功率波动过程进行分类预测。仿真结果表明,文中所提出的短期光伏功率预测方法能够显著提升短期光伏功率预测的精度。     

基于VMD-Informer-BiLSTM模型的超短期光伏功率预测

由于光伏出力的波动性和随机性给电网的规划和运行带来了挑战,因此提高光伏功率预测的精度对提升新能源系统的稳定性具有重要意义。为此提出了一种结合模态分解、多维特征建模、Informer、双向长短期神经网络(bidirectional long short-term memory network,BiLSTM)的超短期光伏组合预测模型。首先通过变分模态分解将光伏功率序列分解成不同频率的本征模态函数(intrinsic mode function,IMF),降低光伏功率信号的非平稳性与复杂度;随后使用离散小波变换提取天气因素中的细节分量,实现不同分解算法的优势互补,并用随机森林算法为每个IMF筛选冗余特征,然后将特征矩阵送入Informer进行建模,提取不同时间步中关键时刻的信息,提高对长时间序列的预测效率;最后为进一步提高模型预测精度,分析误差序列特性,利用BiLSTM进行误差校正。采用实际光伏数据进行算例分析,结果表明所提方法提高了超短期光伏功率预测精度。     

光伏并网逆变器参数性故障的VMD-WPE和MPA-LSTM诊断方法研究

针对三相光伏并网逆变器参数性故障的特征量提取难、诊断准确率较低等问题,提出变分模态分解的小波包能量特征与海洋捕食者算法优化长短期记忆神经网络相结合的故障诊断方法。首先,以逆变器三相线电压为原始数据,以最小样本熵为准则优化变分模态分解的模态数;然后,利用小波包分解提取变分模态分解各模态分量的小波包能量作为故障特征量;最后,利用海洋捕食者算法优化长短期记忆网络超参数实现故障的参数性辨识。对比分析结果表明,所提方法用于光伏并网逆变器参数性故障诊断具有可行性和精确性。     

基于改进Q学习算法和组合模型的超短期电力负荷预测

单一模型在进行超短期负荷预测时会因负荷波动而导致预测精度变差,针对此问题,提出一种基于深度学习算法的组合预测模型。首先,采用变分模态分解对原始负荷序列进行分解,得到一系列的子序列。其次,分别采用双向长短期记忆网络和优化后的深度极限学习机对每个子序列进行预测。然后,利用改进Q学习算法对双向长短期记忆网络的预测结果和深度极限学习机的预测结果进行加权组合,得到每个子序列的预测结果。最后,将各个子序列的预测结果进行求和,得到最终的负荷预测结果。以某地真实负荷数据进行预测实验,结果表明所提预测模型较其他模型在超短期负荷预测中表现更佳,预测精度达到98%以上。     

基于相似日聚类的超短期光伏功率组合预测模型

针对功率预测模型受光伏功率波动性影响导致预测精度低的问题，提出一种基于相似日聚类的光伏功率预测组合模型。首先，采取k-means聚类算法将原始功率数据按不同天气类型划分为晴天、雨天和多云3种相似日样本集，并利用变分模态分解（VMD）对相似日样本进行分解；其次，采用卷积神经网络优化支持向量机（CNN-SVM）和双向长短时记忆（Bi LSTM）神经网络2个单模型分别对分解后的功率数据进行预测叠加并将预测结果进行加权组合，利用网格搜索（GS）算法寻找最优组合权重，提升组合预测模型性能；最后，以澳大利亚某光伏电站1年实测数据为例，验证所提出光伏功率预测模型的有效性。实验结果表明：无论何种天气类型，所提出模型均能很好地对光伏功率实现预测，具有较强的适应性。     

基于EMD-LSTM的光伏发电预测模型

随着能源消费结构的改变,可再生能源发电的消纳比例逐渐上升。文中以光伏发电功率为研究对象,分析了不同天气状态下的发电功率曲线特性及不同气象因素与光伏发电出力的相关性,进而提出了一种经验模态分解-长短期记忆神经网络(EMD-LSTM)方法融合的光伏发电功率预测模型。首先对预处理后的光伏发电功率历史序列进行重构,并对重构后的出力序列进行EMD分解,针对分解得到的各子序列分别建立长短期记忆神经网络模型,最后将各子序列预测模型得到的结果叠加得到光伏发电功率预测值。采用国内某地区光伏发电的实际出力数据对模型进行了检验,与滑动平均自回归模型(ARIMA)、支持向量机模型(SVM)、LSTM等预测模型相比,文中所提出的模型预测误差小,能有效提高光伏发电功率的预测精度。     

基于VMD-ISSA-LSTM的短期光伏发电功率预测

针对光伏发电功率存在随机波动性的问题,提出基于变分模态分解(variational mode decomposition, VMD)和改进麻雀搜索算法(improved sparrow search algorithm, ISSA)优化长短期记忆(long short term memory, LSTM)神经网络的短期光伏发电功率预测方法。首先,通过VMD算法将多维光伏特征数据分解为若干不同频率的本征模态和残差分量,以降低原始序列的非平稳性;然后,采用ISSA对LSTM神经网络超参数进行全局寻优,建立了不同模态序列分量下的ISSA-LSTM组合模型;最后,使用训练好的组合模型对各分解的子序列模态特征分量进行多维预测,并将各层模态预测序列叠加组合成最终的输出结果。仿真结果表明,构建的VMD-ISSA-LSTM组合模型相较于常规的短期光伏发电功率预测模型,具有更强的鲁棒性和高精度性。     

基于自适应VMD-Attention-BiLSTM的交通流组合预测模型

针对短时交通流量序列的非平稳性和随机性的特征,为提高短时交通流预测精度和收敛速度,提出一种基于自适应变分模态分解(VMD)和结合注意力机制层的双向长短时记忆网络(BiLSTM)的组合预测模型。首先,使用自适应变分模态分解将时空交通流量序列分解为一系列有限带宽模态分量,细化了交通流信息,降低了非平稳性,提升了建模的精确度;其次,利用结合注意力机制的双向长短时记忆网络挖掘分解后交通流量序列中的时空相关性,从而揭示其时空变化规律,从而进一步提升了建模精确度,并且利用改进Adam算法进行网络权值优化,以加速了预测网络的训练收敛速度;最后,将各模态分量预测值叠加求和作为最终交通流预测值。实验结果表明,使用模态分解的预测模型预测性能明显优于未使用模态分解的预测模型,同时自适应VMD-Attention-BiLSTM预测模型相较于EEMD-Attention-BiLSTM预测模型,均方根误差降低了47.1%,该组合预测模型提升了预测精度,并且能够快速预测交通流量时间序列。     

基于组合深度学习的光伏功率日前概率预测模型

为准确量化复杂场景下光伏预测功率的不确定性,提出了一种基于时序卷积网络-注意力机制-长短期记忆网络组合的光伏功率短期概率预测方法。首先,基于多种相关性分析方法选出与光伏功率强相关的气象因素;然后,基于时序卷积网络的特征提取能力和长短期记忆网络的时序特征建模能力,并结合注意力机制和分位数回归,建立组合深度学习预测模型;最后,采用核密度估计方法生成连续概率密度函数。以实际集中式和分布式光伏电站为案例进行分析,结果表明：与长短期记忆网络、时序卷积网络、时序卷积网络-注意力机制和时序卷积网络-长短期记忆网络相比,所提方法在确保最优预测区间的同时,可以提升概率密度预测的性能。     

基于时序分解及机器学习的风电功率组合预测模型

精准的风电功率预测结果可保障电网在安全稳定运行条件下提高风电并网容量。为提高风电功率预测精度,融合时间序列分解技术、机器学习及启发式算法提出一种风电功率双层组合预测模型。首先,构建经验模态分解技术和长短期记忆神经网络相结合（empirical mode decomposition combined with long short term memory network, EMD-LSTM）的预测模型。同时,构建变分模态分解技术、模拟退火算法及深度置信网络相结合（variational mode decomposition, simulated annealing combined with deep belief network,VMD-SA-DBN）的预测模型。并将已构建的EMD-LSTM及VMD-SA-DBN模型作为组合预测模型上层的基础预测模型。其次,利用极端梯度提升算法构建下层预测模型,并将上层2个基础预测模型的预测结果输入到下层预测模型,以得到最终的预测结果。最后,利用实测数据对此算法的有效性进行验证。证明所提出的双层组合预测模型较单一预测模型具有更高的预测精度。     

基于EEMD-Kmeans-ALO-LSTM的短期光伏功率预测

光伏功率预测对电网调度具有重要意义。针对光伏功率数据具有较强波动性和不稳定性的特点,提出了一种基于集成经验模态分解(ensemble empirical mode decomposition, EEMD)、K均值聚类算法(Kmeans clustering algorithm, Kmeans)和蚁狮优化(ant lion optimization, ALO)算法优化的长短期记忆神经网络(long short-term memory network, LSTM)的光伏功率组合预测模型。对光伏功率数据进行EEMD分解,得到相应的本征模态分量(intrinsic mode function,IMF)和残差项;引入Kmeans聚类对分解后的序列重构,降低序列复杂度和分量数量;将重构后的子序列输入经ALO优化的LSTM模型进行预测,并将各序列预测结果简单加和作为最终预测值。与目前应用较广泛的EEMD-LSTM模型对比,表明EEMD-Kmeans-LSTM和EEMD-Kmeans-ALO-LSTM模型的预测精度均得到一定程度的提高。     

变分模态分解在光伏发电功率预测中的应用

准确可靠的光伏发电功率预测对制定高效智能的负荷调度策略具有重要的指导意义。不同于常规方法,提出了一种基于变分模态分解和差分整合移动平均自回归模型的组合预测方法。变分模态分解可将原始信号分解为若干个具有不同中心频率和频率带宽的模态函数;差分整合移动平均自回归模型可对每一个模态函数建立预测模型。实验结果表明本文所提方法在对光伏发电功率预测时,优于基于经验模态分解法和局部均值分解法的预测模型,具有较高的预测准确度和稳健性。     

基于GRA-EGA-LSTM模型的短期光伏功率预测

对光伏发电功率进行预测可为电力系统调度提供参考,有利于电网的安全稳定运行。为了提高光伏发电功率预测精度,采用灰色关联度分析法(Grey Relation Analysis, GRA)寻找待预测日的相似日作为训练样本;采用精英保留遗传算法(Elitist Model of Genetic Algorithm, EGA)对长短期记忆网络(Long Short-Term Memory, LSTM)的超参数进行寻优;将相似日的光伏功率和气象因素数据作为训练样本代入超参数寻优后的长短期记忆网络进行预测。通过仿真测试,基于GRA-EGA-LSTM组合预测模型的短期光伏功率预测精度要优于传统的LSTM模型。     

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VMD-DESN-MSGP模型的超短期光伏功率预测

光伏功率时间序列受到多种因素影响,呈现出高度的随机性和波动性。针对光伏功率时间序列可预测性低的问题,提出了一种结合变分模态分解(variationalmodal decomposition,VMD)、深度回声状态网络(deepechostate network,DESN)和稀疏高斯混合过程专家模型(mixtureof sparse gaussian process experts model,MSGP)的超短期光伏功率预测方法。首先采用VMD将光伏功率时间序列分解为不同的模态,降低数据的非平稳性;为提高模型在超短尺度时序的预测能力,对各模态分别建立DESN预测模型,将各模态预测结果进行求和重构;为进一步提高模型预测精度,对误差的特性进行分析,采用MSGP对预测误差进行补偿;最后将误差的预测值与原功率的预测值相叠加作为最终预测结果。仿真结果表明,该方法在光伏功率时序预测中的效果比传统预测模型更好,有效提高了超短期光伏功率时间序列预测的准确性。     

基于VMD和LSTM的超短期风速预测

风速具有非线性、非平稳性以及随机性等特点。为提高超短期风速预测精度,提出一种基于变分模态分解(VMD)和长短期记忆网络(LSTM)的超短期风速预测新方法。首先利用变分模态方法将风速序列分解成一系列不同的子模态以降低原始数据的复杂度和非平稳性对预测精度的影响。再对得到的风速子模态分别建立LSTM模型,进行超前1步风速预测。最后叠加各子模态的预测结果得到最终预测风速。对比分析结果显示,该模型的预测精度优于其他多种典型风速预测模型,该模型在超短期风速预测方面表现出较好的性能。     

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。     

基于经验模态分解和长短期记忆神经网络的变压器油中溶解气体浓度预测方法

对油中溶解气体浓度进行有效预测,可为电力变压器故障诊断及预警提供重要依据。提出一种基于经验模态分解与长短期记忆神经网络的变压器油中溶解气体浓度预测方法。首先,运用经验模态分解将气体浓度序列分解为一组相对平稳的子序列分量,以减少不同趋势信息间的相互影响;然后,针对各子序列分别构建基于长短期记忆神经网络的时序预测模型,并利用贝叶斯理论对网络相关超参数进行优化,以提高单个模型的预测精度;最后,叠加各子序列预测结果得到气体浓度预测值。算例研究结果表明,相较于传统预测算法,所提方法能更好地追踪油中溶解气体的浓度变化趋势,具有更高的预测精度。