共查询到20条相似文献,搜索用时 140 毫秒
1.
针对抽水蓄能机组振动趋势预测中振动信号时间序列非线性、非平稳性极强导致常规预测方法难以进行精确预测的问题,提出变分模态分解(Variational Mode Decomposition,VMD)结合时序模式注意力(Temporal Pattern Attention,TPA)机制改进的门控循环单元(Gated Recurrent Units,GRU)神经网络的抽水蓄能机组振动预测方法。利用VMD算法首先将振动信号序列分解为若干个本征模态分量(IMF),降低时间序列的非平稳性,结合其他特征参数,构建预测输入矩阵。将输入矩阵放入TPA改进的GRU神经网络中训练,利用神经网络强大的非线性特征提取能力,达到精准的预测效果。最后将本方法与GRU-TPA、结合常规注意力机制(AM)的VMD-GRU预测方法进行对比发现,基于TPA改进的VMD-GRU预测方法效果更好,能够更加准确地预测振动信号的时间变化趋势。 相似文献
2.
光伏序列具有的较高复杂性对光伏发电功率的预测精度产生了极大影响,对此提出一种基于VMD-LSTM与误差补偿的光伏发电超短期功率预测模型。该模型第1阶段采用VMD算法将原始功率序列分解为若干个不同的模态,并对其建立对应的LSTM网络模型进行预测,通过对各模态的预测结果求和得到初始预测功率;第2阶段采用LSTM网络对误差序列进行误差补偿预测,然后将初始预测功率和误差预测功率求和得到最终预测结果。仿真结果表明,该预测模型对天气具有较高的适应性,预测精度达到97%以上。 相似文献
3.
为提高风速序列预测精度,提出一种基于两步分解的短期风速组合预测模型,首先使用鲁棒经验模态分解(REMD)将风速数据分解为不同频率的子序列,然后将REMD分解得到的高频模态分量使用小波包分解(WPD)进行第二步分解,降低风速序列不稳定性,提高其可预测性。其次对分解得到的高频子序列建立长短期记忆神经网络(LSTM)预测模型,低频子序列建立差分自回归移动平均模型(ARIMA)预测模型。最后叠加子序列预测结果得到风速预测结果。通过两组不同风速数据集的实验对该模型的性能进行科学评估,模型预测结果的平均绝对误差分别为0.3026、0.1255;均方根误差分别为0.498、0.1607。与其他几种对比预测模型相比,验证该模型具有一定的优越性。 相似文献
4.
5.
锅炉再热蒸汽温度具有强非线性和大滞后特性,为解决其软测量中常规单一模型预测精度不足的问题,提出一种基于自适应提升算法(Adaptive Boosting, Adaboost)和极限梯度提升(eXtreme Gradient Boosting, XGBoost)的数据驱动建模方法。利用变分模态分解对数据进行深度解析,通过XGBoost建立预测模型,将其作为弱学习器,经过Adaboost算法的不断迭代,配合误差动态修正(Error Dynamic Correction, EDC)构造出一种再热蒸汽温度动态数据驱动模型。结果表明:模型最终的精度评价指标均方根误差(Root Mean Square Error, RMSE)和平均绝对误差(Mean Absolute Error, MAE)分别为1.733和1.387,与常规的支持向量回归、随机森林及XGBoost模型相比表现更为优异,可以实现再热蒸汽温度的快速准确预测,为后续再热汽温优化控制问题提供有效的参考。 相似文献
6.
为提高短期风功率预测精度和预测的可控性,提出一种基于能量差优化变分模态分解和布谷鸟优化组合神经网络的短期风功率预测模型。采用能量差优化变分模态分解(EVMD)的模态数,将EVMD用于短期风功率分解,基于EVMD分解序列的不同模态特点,对非线性序列采用布谷鸟优化反向传播神经网络(CS-BPNN),对平稳序列采用自回归滑动平均模型(ARMA),并重构加权得到点预测值,并基于EVMD分解所丢失的序列信息构建核密度估计,在点预测模型的基础上,进行风功率的区间预测。将所提预测方法用于澳大利亚风电场的实际算例,实验结果表明,该方法可提高短期风功率预测的准确性。 相似文献
7.
为降低由于风速信号的非线性和非平稳性带来的风速预测难度,提高短期风速预测的准确性,提出一种考虑样本熵的组合分解模式和支持向量回归(SVR)相结合的预测模型。首先采用自适应噪声的完全集合经验模态分解(CEEMDAN)方法分解风速历史数据,并计算各模态分量的样本熵;然后采用变分模态分解(VMD)方法对样本熵最大的模态分量进行二次分解,充分削弱风速分量的非平稳性;接着对分解得到所有模态分量分别建立SVR预测模型;最后将各分量的预测值求和完成最终风速预测。实例分析表明,所提模型对比其他模型的预测误差最小,预测精度最高,可有效预测短期风速。 相似文献
8.
由于风速信号是非线性、非稳定性的动态信号,用传统预测方法难以达到满意效果。为提高预测精度,提出了基于经验模态分解与多步预测的最小二乘支持向量机相结合的方法,对风速时间序列进行建模预测,即首先对风速动态信号进行经验模式分解,将原信号分解为若干个不同特征尺度(频率)的本征模态函数,然后对不同频带的平稳IMF分量分别建立多步预测的最小二乘支持向量机模型,将各分量的预测值等权求和得到最终预测值。实例分析结果表明,与单一的最小二乘支持向量机预测方法相比,经验模态分解与多步预测的最小二乘支持向量机相结合的风速预测方法误差小,可应用于风速预测中。 相似文献
9.
为提高短期风速的预测精度,提出一种基于双模式分解、双通道卷积神经网络(CNN)和长短期记忆神经网络(LSTM)的组合预测模型以提高预测精度。首先,对经过PAM方法聚类后的风速时间序列利用奇异谱分解(SSD)和变分模态分解(VMD)2种信号分解方法进行分解,获得2类多尺度分量。不同模式的多尺度分量可降低原始风速的复杂度和非平稳性,实现不同模式模态分量规律的互补;其次,将2种分解方法得到的风速子序列合并为一个矩阵,输入到双通道CNN进行波形特征深度提取;最后,采用LSTM建立历史风速时序的时间依赖关系,在时空相关性分析的基础上得到最终风速预测结果。实验结果表明,基于双模式分解-双通道CNN-LSTM的组合预测模型可有效提高风速短期预测的精度。 相似文献
10.
[目的]用电负荷的精准预测是电力系统运行优化的基础,是电力系统能量管理中不可或缺的组成部分。针对传统数据分解技术与机器学习模型结合预测存在的精准度低、计算量大等问题,提出一种将经验模态分解与多层感知机结合(EMD-MLP)的新方法对用电负荷进行日前预测。[方法]首先基于EMD将原始负荷时间序列信号分解为多个本征模函数(Intrinsic Mode Function,IMF)分量,然后采用极值点划分法将多IMF分量进行重构形成高频和低频两个成分以精简预测对象,最后对重构的新分量分别建模预测,并将它们的预测结果叠加作为用电负荷预测值。[结果]采用澳大利亚电力市场2018年、2019年的实测用电负荷数据进行试验。[结论]将建立的EMD-MLP组合模型与持续性模型、单一MLP模型以及传统EMD组合模型进行外推预测效果的对比,验证了所建模型在提高预测精度上的有效性。此外,所提出的EMD-MLP组合新方法在保证精度的同时简化了模型复杂度,提高了预测效率,可以方便地应用于实际中的用电负荷日前与实时预测。 相似文献
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
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。 相似文献