基于 WOA-BiLSTM神经网络的风力发电预测∗

针对风力发电具有高随机性与波动性,利用风电场的历史大数据,选取基于鲸鱼优化算法的双向长短期记 忆网络 (WOA-BiLSTM)建立短期风力发电预测模型,预测超短期风电功率.双向长短期记忆神经网络 (BiLSTM) 可利用过去以及未来的风速预测数据,对风力发电进行功率预测,提高风力发电的预测精度.在此基础上,利用鲸鱼 优化算法 (WOA)较高的全局最优解寻求能力来寻找最优神经网络参数,减少根据经验设参导致的 BiLSTM 随机性, 提高预测精度,降低人员试调所花费的时间.试验结果表明,相比于 LSTM、BiLSTM,WOA=BiLSTM 对风力发电预测有着更好的效果.     

基于改进DBO优化BiLSTM的IGBT老化预测模型

为了表征逆变器故障中IGBT模块的老化趋势,提高老化过程的预测精度,本文提出一种基于改进蜣螂搜索算法(IDBO)优化双向长短期神经网络(BiLSTM)超参数的IGBT老化预测模型。首先提取老化过程中V_ce.on的时频域特征,利用核主成分分析进行降维构建归一化综合指标。其次,针对蜣螂搜索算法(DBO)的不足,通过引入改进Circle混沌映射、Levy飞行和自适应权重因子提升了DBO寻优能力和收敛性能,利用IDBO对BiLSTM预测模型超参数实现全局寻优。最后,通过实际IGBT退化数据验证了基于IDBO优化BiLSTM老化预测模型的有效性和优越性。结果表明,所构建的IDBO-BiLSTM模型与BiLSTM模型相比RMSE平均下降36.42%、MAE平均下降31.77%、MAPE平均下降41.03%。     

基于BiLSTM神经网络的锂电池SOH估计与RUL预测

针对锂电池健康状态(state of health,SOH)估计与剩余寿命(remaining useful life,RUL)预测问题,设计一种基于双向长短期记忆(bi-directional long short-Term memory,BiLSTM)神经网络模型的预测方法。首先,提取美国国家航空航天局（national aeronautics space and administration,NASA)锂电池的容量数据,将容量数据转为SOH数据并作为模型输入数据;其次,建立双层BiLSTM神经网络,使用加速自适应矩估计算法（nesterov-accelerated adaptive moment estimation,Nadam）优化函数动态调整学习率;然后,通过双向长短期记忆神经网络模型分析锂电池数据,建立电池容量、SOH和RUL之间的联系;最后,全连接层输出电池SOH的估计曲线,从而预测其剩余寿命。通过NASA数据进行预测实验,BiLSTM神经网络的RUL预测误差稳定在3以内,SOH预测曲线的拟合度稳定在94.211%-95.839%,BiLSTM神经网络具有更高的鲁棒性和准确性。     

集成自适应啁啾模态分解和Bi LSTM的短期负荷组合预测模型

为提高用户侧短期负荷预测的精度,提出了一种基于自适应啁啾模态分解(adaptive chirp mode decomposition,ACMD)和麻雀搜索算法(sparrowsearchalgorithm, SSA)优化双向长短时记忆网络(bi-directionallongshort-term memory, BiLSTM)的短期负荷组合预测方法。针对短期电力负荷存在波动性强和非平稳性的问题,采用ACMD将短期负荷时间序列分解为多个相对简单的子分量,使用BiLSTM分别对各子分量进行预测。同时,为克服BiLSTM参数取值不同导致预测结果不稳定的问题,使用SSA优化BiLSTM模型的超参数。最后将各子分量预测结果叠加得到最终预测结果。通过具体算例,分别与单一预测模型和多种组合预测模型进行比较,实验结果表明该方法具有更高的预测精度。     

基于SSA-BiLSTM-AM的短期风电功率预测

风电功率的准确预测可以有效地减少并网波动。现有的风电功率预测模型存在输入特征过多、超参数选择难、时序过长易丢失重要信息等问题。为此,提出了一种麻雀搜索算法(SSA)优化双向长短时记忆(BiLSTM)加注意力机制(AM)的短期风电功率融合预测模型。首先,SSA对BiLSTM神经网络的节点数、学习率和训练次数等超参数进行寻优,确认最佳参数;然后,引入AM对BiLSTM的输入特征分配不同权重,强化关键特征;最后,应用所提模型对新疆210 MW风电场的风电功率进行预测,并与其他模型的预测结果对比。结果表明,SSA-BiLSTM-AM预测模型的均方根误差(RMSE)为5.411 4、平均绝对误差(MAE)为3.674 9,显著优于其他模型的预测精度,证明了SSA优化算法和AM能够有效提高风电机组的短期功率预测精度。     

基于相空间重构和BiLSTM的风电功率短期预测

针对复杂多因素(气象信息、时间序列的混沌特性等)影响风电功率的短期预测，及风电时间序列的长期依赖问题，提出基于相空间重构和双向长短期记忆(bidirectional long short-term memories, BiLSTM)神经网络的风电功率短期预测方法。以全球能源预测竞赛的数据集为背景，基于嵌入定理从风电功率序列中重构出相空间，以展示其内在的混沌特性，其中相空间重构的参数依据C-C法确定；对选取的气象预测数据(未来风速、风向)进行归一化处理，并组合重构后的风电功率数据作为BiLSTM的输入量，重构前的功率数据作为输出量，训练预测模型。在全球能源预测竞赛2012提供的wf1数据集上进行日前预测实验，测试集前30 d的平均均方根误差为0.119 4,测试集107 d的平均均方根误差为0.140 9,相较于ANN、BiLSTM、RF和KNN,相空间重构-BiLSTM (Re-BiLSTM)的预测准确度和精度更高，验证了所提出的短期风电功率预测模型的有效性、适用性和泛化性。     

ALO优化下1DCNN-BiLSTM-Attention锂电池SOH预测

锂电池因具有质量轻、寿命长、功率承受力高、自放电率低等优点,在绿色能源汽车制造、航空航天等领域得到了广泛应用。为了进一步提高锂电池健康状态(SOH)的预测精度,提出了一种基于一维卷积神经网络(1DCNN)和双向长短时记忆网络(BiLSTM)的锂电池SOH预测方法。1DCNN用于提取老化特征,BiLSTM用于特征分析。利用1DCNN参数少、抑制过拟合性能高的优点,并结合BiLSTM能充分考虑样本之间的关联性及有效结合数据过去和未来的状态等优势,模型能够在实现高预测精度的基础上兼具高计算速度。通过引入蚁狮优化算法(ALO)对模型的超参数进行优化,在减少耗时的基础上有效避免了人工调参的不确定性。同时引入注意力机制,通过对输入数据赋予不同权重,提高神经网络对重要信息的捕捉能力。以NASA锂电池数据集的电池参数为依据进行验证,结果表明该模型在B0005、B0006、B0007 3种锂电池单体上估计SOH的MAE均值为0.0064,相对于1DCNN-LSTM(0.0111)、CNN-LSTM&GRU(0.0197)模型分别降低了42.34%、67.51%,且在各方面评价指标上均优于其消融模...     

基于SE-SAE特征融合和BiLSTM的锂电池寿命预测

预测锂电池剩余使用寿命(RUL)时，针对电池外部特性参量电流、电压等单一的健康因子(HI)对电池退化特性无法完整覆盖的问题，提出一种结合通道注意力机制(SENet)和栈式自编码(SAE)进行特征融合并引入双向长短期记忆(BiLSTM)实现锂电池RUL的预测方法。充分提取锂电池电压、电流等HI。利用SAE对多个锂电池HI特征进行特征融合，并结合SENet通道注意力机制，增加重要特征在提取过程中的表现能力。利用BiLSTM网络对融合HI进行训练预测。采用NASA和马里兰大学计算机辅助寿命周期工程中心(CALCE)锂电池数据集进行验证，训练预测数据均采用50%的比例划分，预测结果的均方根误差(RMSE)平均值达到0.017。     

基于RF-BiLSTM的柔直阀冷入阀水温预测及冷却能力评估

为实现柔性直流(voltage sourced converter-high voltage direct current,VSC-HVDC)换流阀冷却系统入阀水温的智能预测,文中提出一种基于随机森林(random forest,RF)和双向长短时记忆(bi-directional long short-term memory,BiLSTM)网络混合的柔直换流阀冷却系统入阀水温的预测模型,并以此为基础对柔直换流站阀冷系统的冷却能力进行评估。首先,采用RF算法对由阀冷系统监测变量组成的高维特征集进行重要性分析,筛选出影响入阀水温的重要特征,与历史入阀水温构成输入特征向量。然后,将特征向量输入到BiLSTM预测模型,对模型进行训练并实现对入阀水温的准确预测和冷却能力定量评估。最后,以广东电网某柔直换流站为实例对所提方法进行分析,验证了所提出的基于RF-BiLSTM的混合模型预测精度优于BiLSTM模型、RF模型、支持向量机(support vector machine,SVM)模型和自回归滑动平均模型(auto-regressive and moving average,ARMA)模型,并且实现了冷却能力的定量评估。结果表明该换流站冷却裕量达98%,存在过度冷却、能源浪费的问题,与换流站现场运行情况相符,验证了文中所提方法的有效性和准确性。     

基于FPA-VMD和BiLSTM神经网络的新型两阶段短期电力负荷预测

短期电力负荷预测有助于维持发电端和用电端的动态平衡,保障电力系统稳定且高效地运行。分布式能源的大规模并网以及气象和节假日等短期因素的影响,使得负荷序列呈现明显的波动性和非线性。为此,该文提出基于花授粉算法(flowerpollinationalgorithm,FPA)优化变分模态分解(variationalmodedecomposition,VMD)和双向长短时记忆(bidirectional long and short time memory,BiLSTM)神经网络的新型两阶段短期电力负荷预测方法。第一阶段首先提出了一种关于分解损失的VMD评价标准,并采用FPA来寻找该标准下分解参数的最优组合,从而降低了经验设置参数的随机性并且减少了分解过程中的信号损失,提高了分解质量;其次针对分解所得的每个子序列分别建立具备双向处理和长期记忆的BiLSTM神经网络,从而可以更好地挖掘负荷数据的过去和未来的深度时序特征。第二阶段综合考虑模态分量以及气象和星期类型等短期因素的影响,建立基于BiLSTM神经网络的误差纠正模型,用以挖掘误差中所包含的隐含信息,从而降低了模型的固有误差。将该文方法应用于美...     

基于IPSO-BiLSTM-AM模型的超短期风电功率预测方法

针对现有模型预测准确性与稳定性较低的问题,提出一种以BiLSTM为基础的风电功率预测模型。BiLSTM可以很好的处理风电多变量之间的非线性关系,其次采用改进的PSO优化BiLSTM的超参数,并通过AM训练模型的权重。最后采用内蒙古自治区某风电场的历史数据进行提前0~15 min试验。结果表明,提出的IPSO-BiLSTM-AM模型具有较高的预测精度,可以为风电场电力调度与控制提供科学参考。     

基于PSO-Softattention双向LSTM算法的光伏发电量预测研究

为解决传统的光伏发电量预测中数据特征方程较为粗糙、预测精度不高等问题,提出一种基于PSO-Soft attention双向LSTM算法的光伏发电功率预测算法,在前向传播过程中通过自适应学习策略的PSO算法对LSTM模型的关键参数进行寻优,同时优化了双向LSTM网络的反向传播过程,加入了Soft attention机制使模型收敛性更强,重新构造该模型为八层网络结构且采用两层卷积层,同时解析了PSO-Soft attention双向LSTM算法的光伏发电功率预测过程。实验结果表明,相较于SVM模型以及LSTM模型,所提预测模型的预测精度提升了2%左右。     

基于深度脊波神经网络的电力系统短期负荷预测模型

针对电力系统负荷的非线性预测问题,本文构造了一种基于深度脊波神经网络的电力系统短期负荷预测模型。该模型的隐含层采用脊波神经元,神经元的激励函数采用脊波变换函数。对该预测模型采用受限的玻尔兹曼机学习原理进行预训练,最后利用粒子群优化算法对其进行深度优化精调。通过对某地区实际电网负荷系统进行仿真预测,结果表明,与传统的BP神经网络、脊波神经网络和常规深度神经网络模型相对比,深度脊波神经网络预测模型的日平均绝对误差百分比分别降低了1.96%、1.12%和0.3%,日最大绝对误差分别降低了3.91%、2.19%和1.78%,验证了深度脊波神经网络预测模型具有较好的预测准确度和稳定性。     

基于功率波动过程的风电功率短期预测及误差修正

风资源因具有较强的波动性、随机性与间断性等特点而导致风电功率预测精度不高。为减小风电功率波动对电网的冲击,提高电力系统对风电的接受与消纳能力,提出了改进的风电功率短期预测方法与基于波动的误差修正方法。首先将风电功率按不同波动过程进行聚类划分,提取不同波动的特征曲线对功率值进行修正;采用引力搜索算法优化的反向传播神经网络(GSA-BP)作为基本预测方法进行预测;分析不同波动过程下的预测误差表现,建立预测误差与综合气象指标的映射关系。针对不同波动过程建立相应的风电功率误差修正模型,提出了线性模型和GSA-BP非线性模型相结合的方式对预测误差进行修正,最后以功率预测值叠加预测误差修正值作为最终预测结果。该风电功率预测误差修正方法不仅涉及风速风向等常规因素,而且考虑到了风电功率的波动性。     

基于PCA-LMD-WOA-ELM的短期光伏功率预测

对光伏发电功率进行准确预测,可减弱其并入电网的波动性,有利于电网对新能源发电的调度。基于主成分分析法和局部均值分解相结合的鲸鱼优化算法,构造优化后的极限学习机模型,并使用该模型对光伏发电短期功率进行预测。先用主成分分析法对影响光伏发电功率的因素进行筛选,并使用局部均值分解对选取的主要影响因素及发电功率序列数据进行分解;然后基于子序列使用鲸鱼优化建立极限学习机模型;最后将各序列短期预测结果叠加获得光伏发电短期功率预测结果。通过仿真验证及对比分析,说明该预测方法具有较高的预测精准度。     

基于误差修正的NNA-ILSTM短期风电功率预测

为更准确预测短期风电功率,提出了一种基于误差修正的NNA-ILSTM短期风电功率预测方法。首先,采用斯皮尔曼（Spearman）等级相关系数法对风电功率影响因素分析,选出相关性较高的参量;其次,对长短期记忆网络添加注意机制与修改损失函数以解决其对有效信息筛选不足的问题,利用神经网络算法（NNA）优化改进的长短期记忆网络（ILSTM）中的神经元数量和时间步长,提高其预测精度以及泛化能力,构建NNA-ILSTM预测模型;最后,分析预测误差与风电功率、风速之间相关性,构建误差修正模型,对NNA-ILSTM模型预测结果进行修正,得到风电功率预测的最终结果。实验结果表明,所提出的模型可以显著提高风电功率预测精度。     

用于短期风速预测的优化核心向量回归模型

风能的不确定性和难以准确预测给风电并入电网带来了困难。风速是影响风能的重要因素,风速的预测精度对风电功率预测的准确性有重要影响。提出一种优化的核心向量回归（CVR）模型,进行短期风速预测。其风速数据从某风电场每隔1 h采集1次,并采用粒子群优化（PSO）算法对CVR模型的参数进行优化,利用优化后的CVR模型进行风速预测。试验结果表明,在时空复杂度相当的情况下,该方法具有比CVR和SVR（support vector regression ）更高的预测精度。     

基于PF-RBF神经网络的短期风电功率预测

为了提高风电功率的预测精度,研究了一种基于粒子滤波（PF）与径向基函数（RBF）神经网络相结合的风电功率预测方法。使用PF算法对历史风速数据进行滤波处理,将处理后的风速数据结合风向、温度的历史数据,归一化后构成风电功率预测模型的新的输入数据;利用处理后的新的输入数据和输出数据,建立PF-RBF神经网络预测模型,预测风电场的输出功率。仿真结果表明,使用该预测模型进行风电功率预测,预测精度有一定的提高,连续120 h功率预测的平均绝对百分误差达到8.04%,均方根误差达到10.67%。     

基于WRF模式和PSO-LSSVM的风电场短期风速订正

风速预测是风电场风电功率预测的基础与前提,以数值天气预报(WRF模式)为基础进行风速预测,为了提高WRF模式预测的准确性,采用最小二乘支持向量机(Least Squares Support Vector Machine, LSSVM)对WRF模式输出的风速进行订正。同时,为提高LSSVM算法的精确度和减小拟合过程的复杂度,采用粒子群优化算法(Particle Swarm Optimization, PSO)对其参数进行优化。试验结果表明:采用LSSVM订正可以进一步减小WRF模式预测风速的误差,再经过PSO优化后,相对均方根误差和相对平均绝对误差降低了5%~10%,均方根误差下降了0.5 m/s。与未经优化的LSSVM以及极限学习机(ELM)算法对比分析后得出,粒子群优化最小二乘支持向量机(PSO-LSSVM)对WRF模式预测的风速有较好的订正效果,能进一步提高风速预测的准确性。