基于EEMD-MIPCA-LSTM的燃气短期负荷预测

燃气负荷受到天气状况和经济发展等多种因素的影响, 造成燃气变化趋势具有较大的复杂性和特征因子较大的冗余性, 造成预测精度的下降. 为了解决这个问题, 在处理燃气负荷的复杂性中使用EEMD自适应的时频局部化分析方法, 将非线性非平稳的燃气负荷数据分解为平稳的本征模式分量及剩余项. 在解决特征因子之间的冗余性中, 在PCA中加入互信息分析, 使用互信息代替协方差矩阵的特征值选择特征向量, 可以有效避免PCA仅仅考虑特征之间的相关性, 忽略了与燃气负荷值关系的缺点. 最后针对不同的子序列建立对应的LSTM模型, 重构各个分量的预测值产生最后的结果. 使用上海的燃气数据进行验证, 实验结果证明本文提出的方法测试集MAPE达到6.36%, 低于其他模型的误差.     

考虑频域分解后数据特征的空调负荷预测模型

针对空调负荷预测实际应用中容易存在数据散杂且可用信息匮乏的问题,从负荷序列的非线性、非平稳性和随机性出发,提出了一种基于变分模态分解(VMD)的负荷预测方法.对不同数据特征序列考虑不同算法的数据观测与训练原理差异,充分发挥各个模型优势.首先采用随机森林(RF)进行特征选择,利用VMD将负荷序列按趋势分量、平稳分量和噪声分量进行分类重构,并分别对非线性序列建立最小二乘支持向量机(LSSVM)预测模型,时序平稳序列建立极端梯度提升(XGBoost)预测模型,采用正态分布拟合随机误差,得到各子序列预测结果并进行叠加输出最终负荷预测结果.实验结果表明,所提方法能准确反映负荷的特性并具有更好的预测精度,能有效预测空调负荷,为空调节能优化控制策略提供依据.     

基于改进LMD与GRU网络的短期燃气负荷预测

针对燃气负荷数据非线性、非平稳性的特点,本文提出一种基于改进的LMD算法与GRU神经网络的组合预测模型.模型首先利用改进后的LMD算法对燃气负荷数据进行序列分解,改进的LMD方法采用分段牛顿插值法代替传统的滑动平均值法来获得局部均值函数和包络估计函数,改善了传统LMD方法存在的过平滑问题.之后,再将得到的若干PF分量进行小波阈值去噪处理,获得有效的分量数据.最后,利用GRU神经网络分别预测各分量值,将它们相加得到最终的负荷预测值.仿真实验表明,提出的方法与单个GRU神经网络以及结合传统LMD算法的GRU网络相比,预测精度更高.     

基于集合经验模式分解的火灾时间序列预测

采用集合经验模式分解(EEMD)和多变量相空间重构技术,结合非线性支持向量回归(SVR)模型,提出一种火灾次数时间序列组合预测方法。根据EEMD将非平稳的火灾时间序列分解为一系列不同尺度的固有模态分量,利用多变量相空间重构技术对分解的各个分量进行相空间重构,构建其训练数据,对重构的训练数据建立各分量的非线性支持向量回归预测模型,使用SVR集成预测方法对火灾时间序列进行预测。仿真结果表明,与单变量相空间重构方法以及SVR方法相比,该方法具有较高的预测精度。     

基于EEMD-SE和GARBF的短期电力负荷预测

为了提高短期电力负荷的预测精度,提出了集合经验模态分解(EEMD)-样本熵(SE)和遗传算法(GA)来优化RBF神经网络的组合方法。利用EEMD分解法自适应地对负荷序列进行分解,结合样本熵对复杂度相似的子序列进行合并,有效减小了运算规模。基于各个子序列复杂度的差异构建相应的RBF神经网络模型,利用遗传算法避免神经网络陷入局部最优和收敛性问题,进而对合并的新子序列进行预测并叠加得到最终预测结果。仿真结果表明,该预测算法具有良好的预测效果,满足短期电力负荷预测的要求。     

基于EEMD-GRU网络模型的短期风速预测

为了克服因风速信号固有的震动性、非线性特性引起的预测精度不高的问题, 本文提出了使用集合经验模态分解算法和门控循环单元两种方法相结合的组合模型对风速进行预测. 该模型首先对数据进行归一化处理, 使用孤立森林算法, 剔除异常点, 然后用EEMD (ensemble empirical mode decomposition)方法, 将风速拆分成不同尺度的信号, 消除数据的非平稳性, 将分解得到的相对平稳的分量信号分别送入GRU (gated recurrent unit)模型进行训练, 获得各自的预测结果, 最终风速由所有分量各自预测的结果累加得到. 实验中采用实地采集数据进行实验, 结果证实, EEMD-GRU方法相较于目前主流的EEMD-LSTM、EMD-LSTM等方法, 预测精度有明显提升.     

基于最小机会损失准则的超短期风电功率组合预测

为了对超短期风电功率进行准确的预测,本文提出一种基于最小机会损失准则的超短期风电功率组合预测方法。即首先对风电功率时间序列进行EEMD分解,对分解得到的每个IMF分量采用不同优化准则建立组合预测模型进行预测;然后采用最小机会损失准则筛选预测精度最优的模型进行预测;最后对每个IMF分量的预测值进行组合叠加得到预测结果。实验结果表明,与EEMD+ELM、EEMD+BP、EEMD+RBF和EEMD+SVM等预测方法相比较,本文所提出的方法能有效提高超短期风电功率的预测精度。     

基于EMD和PSO-SVM的电力系统中期负荷预测

预测精度是衡量电力系统负荷预测模型性能的一个重要指标.针对电力系统负荷数据序列是一种典型的具有用期性和随机性的非线性非平稳时间序列的特点,为了提高负荷预测的精度,提出了运用EMD解析出其中代表负荷不同特性分量的预测模型.根据各分量的变化规律,分别选择合适的核函数,并利用PSO优化SVM参数,将各分量的预测结果重构后得到最终预测值.通过EUNITE国际电力负荷预测竞赛数据的仿真实例,验证了该预测模型能够有效提高电力负荷的预测精度,且速度较快,稳定性较强.     

基于EEMD-CatBoost的短期电力负荷预测

准确的负荷预测在电力调度、系统可靠性和规划中起着关键作用。针对各种不确定因素造成了电力需求的波动,本文提出了一种基于EEMD-CatBoost的短期负荷预测方法。模型利用集合经验模态分解（EEMD）对非平稳原始序列进行处理,将原始电力负荷数据分解为有限个固有模态函数（Intrinsic Mode Functions,IMF）和一个残差分量,以降低负荷序列的复杂度,再将分解后的各分量分别输入到CatBoost中预测,然后将每个分量的预测值重组,得到最终的负荷预测结果。以某地的实际数据为例,综合比较了该方法与现有电力负荷短期预测技术的性能。与现有基准相比,所提出的方法得到了相当精确的结果。     

二次分解组合CNN-LSTM的短期负荷预测

短期电力负荷随机性强、波动性大。为提高负荷预测精度,文章提出一种基于二次分解的卷积神经网络（CNN）与长短期记忆（LSTM）神经网络组合的预测模型。其首先采用自适应噪声完备集合经验模态分解（CEEMDAN）方法将原始负荷序列分解为若干固有模态分量和残差;然后,引入样本熵与K均值（SEK-means, SK）,将分解得到的子序列重构为3个序列,并运用变分模态分解方法将重构分量中的强非平稳序列进行二次分解,建立CNN-LSTM模型,对分解得到的各个子序列分别进行预测;最后,将预测的结果叠加,以实现对负荷的有效预测。运用实际负荷数据从确定系数、平均绝对误差、均方根误差和平均绝对百分比误差这4种评价指标角度进行验证,结果表明,该模型与XGBoost、LSTM、CEEMDAN-LSTM和CEEMDANCNN-LSTM模型相比较,具有更高的拟合度和预测精度。     

A new short-term load forecasting method of power system based on EEMD and SS-PSO

Aiming to the disadvantages of short-term load forecasting with empirical mode decomposition (EMD) such as mode mixing and many high-frequency random components, a new short-term load forecasting model based on ensemble empirical mode decomposition (EEMD) and sub-section particle swarm optimization (SS-PSO) is proposed in this paper. Firstly, the load sequence is decomposed into a limited number of intrinsic mode function (IMF) components and one remainder by EEMD, which can avoid the mode mixing problem of traditional EMD. Then, through calculating and observing the spectrum of decomposed series, some low-frequency IMFs are extracted and reconstructed. Other IMFs can be forecasted with appropriate forecasting models. Since IMF1 is main random component of the load sequence, the linear combination model is adopted to forecast IMF1. Because the weights of the linear combination model are very important to obtain high forecasting accuracy, SS-PSO is proposed and used to optimize the linear combination weights. In addition, the factors such as temperature and weekday are taken into consideration for short-term load forecasting. Simulation results show that accuracy of the load forecasting model proposed in the paper is higher than that of BP neural network, RBF neural network, support vector machine, EMD and their combinations.     

基于EEMD和萤火虫算法优化SVM的溶解氧预测

养殖池塘中的溶解氧(DO)对水产品的生长和品质有着至关重要的作用.为了提高溶解氧预测的准确性和有效性,提出了一种基于集合经验模态分解(EEMD)和萤火虫算法(FA)优化支持向量机(SVM)的组合预测模型.首先,将DO 时间序列通过集合经验模态分解为一组去除噪声的并相对稳定的子序列.接着,利用相空间重构(PSR)重建分解...     

A Hybrid Model Equipped with the Minimum Cycle Decomposition Concept for Short-Term Forecasting of Electrical Load Time Series

Electricity load forecasting is an essential, however complicated work. Due to the influence of a large number of uncertain factors, it shows complicated nonlinear combination features. Therefore, it is difficult to improve the prediction accuracy and the tremendous breadth of applicability especially for using a single method. In order to improve the performance including accuracy and applicability of electricity load forecasting, in this paper, a concept named minimum cycle decomposition (MCD) that the raw data are grouped according to the minimum cycle was proposed for the first time. In addition, a hybrid prediction model (HMM) based on one-order difference, ensemble empirical model decomposition (EEMD), mind evolutionary computation (MEC) and wavelet neural network (WNN) was also proposed in this study. The HMM model consists of two parts. Part one, pre-processing, known as one order difference to remove the trend of subsequence and EEMD to reduce the noise, was performed by HMM model on each subset. Part two, the WNN optimized by MEC (WNN \(+\) MEC) was applied on resultant subseries. Finally, a number of different models were used as the comparative experiment to validate the effectiveness of the presented method, such as back propagation neural network (BP-1), BPNN combined MCD (BP-2), WNN combined MCD (WNNM), a HMM (DEEPLSSVM) based on one-order difference, EEMD, particle swarm optimization and least squares support vector machine and a hybrid model (DEESGRNN) based on one-order difference, EEMD, simulate anneal and generalized regression neural network. Certain evaluation measurements are taken into account to assess the performance. Experiments were carried out on QLD (Queensland) and NSW (New South Wales) electricity markets historical data, and the experimental results show that the MCD has the advantages of improving model accuracy and of generalization ability. In addition, the simulation results also suggested that the proposed hybrid model has better performance.     

强化数据预处理的BLSTNet-CBAM短期电力负荷预测

针对负荷数据复杂性、非平稳性以及负荷预测误差较大等问题,提出一种综合特征构建和模型优化的短期电力负荷预测新方法.首先采用最大信息系数(MIC)分析特征变量的相关性,选取与电力负荷序列相关的特征变量,同时,考虑变分模态分解(VMD)方法容易受主观因素的影响,采用霜冰优化算法(RIME)优化VMD,完成原始电力负荷序列的分解.然后改进长短期时间序列网络(LSTNet)作为预测模型,将其递归层LSTM更新为BiLSTM,并引入卷积块注意力机制(CBAM)进行预测.通过对比实验和消融实验的结果表明:经RIME-VMD优化后,LSTM、GRU、LSTNet模型预测的均方根误差(RMSE)均降低20%以上,显著提高模型预测精度,且能够适应于不同预测模型.所提出的BLSTNet-CBAM模型与LSTM、GRU、LSTNet相比, RMSE分别降低了35.54%、6.78%、1.46%,提高了短期电力负荷预测的准确性.     

基于二次EEMD的工业电能需量多步预测

电力大用户最大需量控制是降低电网峰值负荷、节约用户电费成本的重要技术手段.面向强波动性和冲击性工业电能需量控制,研究了超短期需量负荷的多步预测问题.基于集成经验模态分解(EE-MD)方法,通过二次分解有效分离时间序列中不同频率的信号,采用长短期记忆网络(LSTM)对各信号子序列进行独立预测,最后组合预测结果.实验结果表明,本方法能很好的预测工业需量负荷变化,M A PE/MAE/NRMSE精度指标基本控制在2％ 以内,明显优于多种现行主流时序预测模型和最新文献方法,且消除了多步预测的传递误差,预测模型精度和稳定性满足需量控制要求.     

奇异值分解和稀疏自编码器的轴承故障诊断

针对滚动轴承故障特征提取和分类需要进行有监督训练才能实现等问题,提出了一种基于奇异值分解（SVD）和时域统计特征分析并结合堆栈稀疏自编码器（SAE）以及Softmax分类器实现滚动轴承故障诊断方法。该方法利用Hankle矩阵对原始数据进行矩阵重构,利用奇异值分解和时域分析对重构后的故障信号进行特征预提取,融合两种特征并输入到堆栈稀疏自编码器中进行特征优化,将优化后的特征输入到Softmax分类器中进行分类识别。实验结果表明,3种工况下10类故障数据的识别准确率均在96%左右,且高于文中其他方法,因此该方法能有效地进行滚动轴承复杂信号的特征预处理以及分类。     

基于双图正则非负低秩分解的电力负荷短期预测

在智能电网背景下,准确估算和预测电力负荷已成为电网电力规划工作的重要先决条件,对电网安全、经济运行具有重要意义。针对电力负荷数据的周期波动与非周期影响,提出一种基于双图正则非负低秩分解的电力负荷短期预测方法。该方法利用历史数据构造电力负荷时空矩阵,并对该矩阵进行鲁棒非负低秩矩阵分解,以同时获取电力负荷的周期性模式与非周期影响。在此基础上融入电力负荷的空间和时间相关性以进一步优化矩阵分解结果,最终通过矩阵恢复获取电力负荷的短期预测。该方法从电网时空整体预测电力负荷趋势分析并填补缺失,同时导出了有效的学习算法。实验分析表明,与相关方法相比,所提方法在电力负荷短期预测的多项评价标准下均取得了更好的准确性和鲁棒性。     

三支残差修正的燃气负荷预测

燃气负荷的准确预测对于燃气调度、规划燃气使用有着重要的意义。单一的预测模型在燃气负荷预测中不能取得很好的预测效果,故基于燃气负荷数据的特点设计了一种三支残差修正的燃气负荷组合预测模型。首先基于燃气负荷数据特点,采用鲁棒局部加权回归对负荷序列进行了分解,针对分解后的趋势项、周期项、余项设计了ARIMA(autoregressive integrated moving average)和LightGBM(light gradient boosting machine)的组合预测模型,然后结合三支决策理论设计了三支残差修正法对LightGBM的预测结果进行修正。实验结果表明该组合模型的表现良好,预测效果优于常见单一模型。     

基于特征迁移学习的综合能源系统小样本日前电力负荷预测

基于历史数据和深度学习的负荷预测已广泛应用于以电能为中心的综合能源系统中以提高预测精度,然而,当区域中出现新用户时,其历史负荷数据往往极少,此时,深度学习难以适用.针对此,本文提出基于负荷特征提取和迁移学习的预测机制.首先,依据源域用户历史负荷数据,融合聚类算法和门控循环单元网络构建源域数据的特征提取和分类模型;然后,...