基于VMD-LSTM模型的短期电力负荷预测研究

经典的电力负荷预测方法,例如回归预测法、时间预测法、指数平滑法等结构过于简单、拟合精度较差,预测效果不明显。为了提高短期电力负荷预测的精确度,建立了一种将变分模态分解（VMD）和LSTM算法相组合的短期负荷预测模型（VMD-LSTM）。使用VMD将原始负荷数据分解为数个有限带宽的模态分量,以降低原始负荷的复杂度,而且不会发生模态混叠现象,提高数据清晰度,然后每个模态分别构建一个LSTM模型进行预测,最后把每个分量的结果相加得到最终的预测值。通过仿真实验,将VMD-LSTM组合模型和其他几个单一模型进行比较,发现VMD-LSTM模型的预测精度更高,误差更小,能够更好地应用于短期电力负荷预测。     

基于BA-VMD-LSSVM的超短期电力负荷预测

超短期电力负荷具有随机性强、波动性大等特点,使得对其进行高精度的预测比较困难。文中提出基于全局参数优化的超短期负荷预测模型。在训练阶段,建立平均绝对百分比误差（MAPE）作为蝙蝠算法（BA）的目标函数,以优化变分模态分解（VMD）、最小二乘支持向量机（LSSVM）及输入数据点数。在测试阶段,应用设置最优参数的VMD分解负荷数据,并使用LSSVM处理各分量,以完成对电力负荷的高精度预测。数据分析结果表明,使用BA对VMD、LSSVM和输入数据点数进行全局优化能够有效地提高超短期电力负荷的预测精度。     

短期台区电力负荷预测方法探讨

初步探讨了低压台区负荷预测问题的特点、内容和方法,根据目前的研究现状,指出了预测问题的研究方向,对目前的低压台区短期负荷预测工作提出了一些建议。     

基于支持向量机的短期负荷预测

提出一种基于支持向量机的电力系统短期负荷预测方法,将SVM引入短期负荷预测,通过不断输入新的负荷数据来更新回归函数,以获得更快的计算速度和较好的预测精度,利用佛山地区的历史负荷作为训练数据,结果证明了该方法能在一定程度上提高电力负荷的预测精度。     

夏季短期负荷预测研究

近年来,气候异常,夏季温度异常高,尤其是经过数日的高温后,电力负荷往往会超出预期。因此考虑夏季高温的累积影响,建立了当天气温与近几天的气温之间的修正公式,采用人工神经网络法,利用修正后的气温去预测某天的负荷。算例表明,修正气温后,日最大负荷和日最高气温之间的相关性指数超过0.9,进一步地,夏季连续高温情况下的短期负荷的预测精度能够得到有效提高。     

基于深度学习模型的海洋平台健康状况预测

对海洋平台的健康状况进行客观合理的评估是保障海洋平台正常安全运作的重要前提.针对海洋平台日益突出的健康状况评估问题,提出了一种基于深度学习模型的海洋平台健康状况预测方法.在该模型中应用Adam算法优化各网络层之间的权重和参数,并在网络训练中加入了批量归一化层加快模型收敛速度,提高预测的精度,采用ReLu激活函数避免深度...     

高阶灰色预测模型在短期电力负荷预测中的应用研究

考虑到电力负荷的指数性增长和周期性变化的特点,基于灰色预测理论,建立了三阶电力负荷短期预测模型,给出了电力系统短期负荷预测的主要步骤。通过算例分析,验证了该方法的有效性。     

基于相似日和RBF神经网络的短期电力负荷预测

短期电力负荷预测中选取合适的相似日作为训练样本可以简化训练过程并提高预测精度。为了减小积温效应对相似日选取的影响,提出了一种根据综合相似度选取相似日的方法。通过将温度和其他负荷影响因素分别计算相似度,从而根据计算得到的综合相似度来选取相似日。此外,为了提高RBF神经网络的预测效果,将训练样本先用减聚类进行聚类,根据聚类结果设置模糊c-means聚类的初值,运用模糊c-means聚类来优化RBF神经网络的隐含层参数,最后结合相似日和改进RBF神经网络进行短期电力负荷预测。通过实际电力负荷数据的仿真分析验证了所提方法的有效性。     

基于卷积GRU注意力的设备剩余寿命预测

为了直接利用神经网络从采集的全寿命振动信号中自动提取特征信息,避免对人工提取特征的依赖,提出了一种基于卷积门控循环单元（convolutional gated recurrent unit,简称ConvGRU）注意力的剩余寿命预测方法。首先,对于采集的设备振动信号预处理,输入ConvGRU注意力模型,ConvGRU通过卷积神经网络（convolutional neural networks,简称CNN）提取设备状态的空间局部特征,门控循环神经单元（gate recurrent unit,简称GRU）提取时序特征信息,从而有效提取设备状态特征;其次,利用注意力机制对特征信息分配不同的权重;然后,进行中间网络层特征输出的可视化实验,验证了本研究方法特征提取的有效性;最后,进行了2个机械设备数据集PHM2012轴承数据集和NASA发动机数据集的实验,并与已有方法进行对比。实验结果表明,笔者提出的基于ConvGRU注意力的剩余寿命预测方法预测准确性更好,并具有较好的泛化性。     

基于深度学习的软件缺陷预测方法研究

软件缺陷预测的任务是以较高的精度识别软件中有缺陷的代码,是保障软件质量和可靠性的关键因素。随着智能化的发展,大量的机器学习、深度学习等技术应用到了软件缺陷预测中,并取得了良好的效果。汇总了近5年国内外缺陷预测技术的前沿成果,以深度学习的预测方法为主线进行分析,对不同深度学习方法的缺陷预测效果进行了比较,最后探讨了智能化软件缺陷预测方法的进一步研究方向。     

基于EWT和LSSVM模型的短期电力负荷预测

精确的负荷预测对电网的安全性和稳定稳定性具有重要意义。提出基于经验小波变换(EWT)和最小二乘支持向量机(LSSVM)的预测方法。首先,采用EWT分解负荷,得到一组固有模态分量(IMF);其次,利用LSSVM算法预测各个负荷子序列;最后,合并各个分量的预测结果。根据某地市现场实测负荷数据进行实验仿真,预测结果分别与EWT-支持向量机(SVM)和经验模态分解(EMD)-LSSVM模型的预测结果进行对比,在两项指标上表现均为最优,体现实际负荷的变化规律。     

改进人工蜂群优化神经网络的短期负荷预测

准确的短期负荷预测能够减少发电机组停机备用和旋转备用,其预测效果直接影响电网的安全稳定和经济效益.针对BP神经网络初值敏感、易陷入局部最优的缺点,提出了一种改进人工蜂群算法优化BP神经网络的负荷预测方法.首先融合负荷数据与温度、湿度等天气数据并进行高斯滤波处理,再采用搜索位置更新实现人工蜂群算法的改进,利用其算法完成B...     

基于变维GRU-BiLSTM神经网络模型的滚动轴承寿命预测

滚动轴承作为最常见的旋转机械零部件,其服役状态下产生的振动信号具有典型的周期性特征,为充分发挥轴承振动信号的这一特征,提出一种融合变维门控循环单元（GRU）和双向长短时记忆单元（BiLSTM）的神经网络模型,并用于轴承寿命预测。该模型先将原始振动信号分成训练集和测试集,然后将轴承振动信号直接输入到变维GRU层中,由变维GRU层捕获原信号的特征并建立特征间的关联性,然后将预处理后的数据输入到BiLSTM层中,由BiLSTM对轴承寿命进行预测。通过使用试验台数据集进行试验,验证了该模型在轴承寿命预测上具有较高的精度,具有一定的工程指导意义。     

基于决策树算法的短期电力负荷大数据预测模型

短期电力负荷预测结果,直接关联电力系统的规划、调度和运行安全,因此,研究基于决策树算法的短期电力负荷大数据预测模型,精准完成短期电力负荷预测。分析短期电力负荷,确定气象和负荷两种数据为预测所需数据,采用C均值模糊聚类算法聚类该数据后;采用低秩矩阵填充理论和奇异值阈值算法,填补聚类后数据中的缺失,基于梯度提升决策树模型预测短期电力负荷。测试结果显示：该方法聚类效果良好,气象和负荷两种数据聚类的综合相似度评价指标的最佳结果分别为0.014和0.011;数据填补性能良好,能够完成不同场景下的短期电力负荷预测,并获取不同气象条件下负荷的变化结果,应用后电力系统的运行风险值均低于0.0005。     

回归算法在电力负荷预测中的应用

电力系统短期负荷预测是电力系统部门安排机组启停、制定购电计划的基础。并逐渐成为电力市场的一个重要研究领域。本文分别用线性回归、支持向量回归、序列最小优化、改进的序列最小优化四种方法对某省负荷数据进行了实验对比分析。结果表明序列最小优化算法比线性回归、支持向量回归算法具有更好的适应性和预测精度。经改进后该算法的预测精度进一步提高。     

夏季短期电力负荷预测的MGM（1，n）建模及应用

在对浙江省嘉兴市的历史气象数据进行分析的基础上，提出了一种带气象因素校正的灰色短期负荷预测模型，称为MGM（1，n）模型。实例分析表明，这种方法能较大地提高夏季短期负荷的预测精度，是预测夏季短期电力负荷的一种行之有效的方法。     

基于深度学习的路面不平度等级识别研究

准确的路面激励信息对汽车行驶安全性和乘坐舒适性有重要影响.针对目前路面不平度等级识别算法存在复杂和准确率低等问题,提出了一种注意力门控循环单元(BiGRU-Attention)网络和车辆振动响应的路面不平度等级识别算法.首先,通过滤波白噪声法建立随机输入路面模型,1/4车辆振动模型平顺性仿真实验获取车辆振动响应信号,选择滑动窗口为1 s截取样本构造数据集;然后,通过BiGRU网络学习样本信号的深层次信息,Attention机制优化时刻特征对辨识结果的贡献率比重,快速准确地识别出路面不平度等级;最后通过消融实验实现算法的验证.实验结果表明,基于BiGRU-Attention路面不平度等级识别算法的准确率可达96.9％,相比基础模型有1％～3％的提升.该算法能够准确识别路面不平度等级,为车辆动力学控制提供有力的理论依据.