基于EMD-PCA-LSTM的光伏功率预测模型

提高光伏发电功率预测精度,对于保证电力系统的安全调度和稳定运行具有重要意义。本文提出一种经验模态分解(EMD)、主成分分析(PCA)和长短期记忆神经网络(LSTM)相结合的光伏功率预测模型。充分考虑制约光伏输出功率的5种环境因素,首先利用EMD将环境因素序列进行分解,得到数据信号在不同时间尺度上的变化情况,降低环境因素序列的非平稳性;其次利用PCA提取特征序列的关键影响因子,消除原始序列的相关性和冗余性,降低模型输入的维度;最终利用LSTM网络对多变量特征序列进行动态时间建模,实现对光伏发电功率的预测。采用山西省某电站的8个月实测数据进行验证,实验结果表明,该预测模型较传统光伏功率预测方法有更高的精确度。     

基于特征聚类的多能源系统负荷预测方法研究

针对多能源系统中不同种类能源负荷特征提取及预测问题,提出基于特征聚类的多能源系统负荷预测方法,利用灰色关联分析系统理论对多种类能源负荷预测模型中的环境因素输入属性进行主控因素关联度分析,分别得到电、气、热、冷负荷受环境因素影响的关联度,利用卷积神经网络提取负荷数据和关联度输入数据的特征向量,利用K-means聚类算法对给定特征向量进行聚类,建立多种类能源负荷的特征聚类模型。算例结果表明,文章所提出的基于特征聚类的多能源系统负荷预测方法,能够有效提高不同种类能源负荷的预测精度。     

基于KNN-LSTM的区域热负荷短期预测及在机组热电可行域的应用研究

为了准确预测热电联产机组的热负荷进而确定机组的热电可行域,使用互信息法筛选预测模型的输入参数。搭建了基于粒子群(PSO)参数寻优的最邻近节点(KNN)模型和长短期记忆神经网络(LSTM)模型对电厂的单日供暖热负荷进行预测,并提出将两种预测方法相结合的KNN-LSTM模型,通过对比发现该混合预测模型在处理短期热负荷异常波动问题时提高了预测模型的鲁棒性。在搭建热电联产机组热力仿真模型的基础上,根据热负荷短期预测结果和机组深度调峰限制条件确定机组的最低运行电负荷,提高了机组预测最低运行电负荷的能力。     

基于特征选择和MGWO-LSSVM的出口SO2浓度预测

针对燃煤机组出口SO_2浓度难以稳定控制的问题,提出一种基于特征选择和MGWO-LSSVM的预测模型。通过机理分析挑选初始变量,再利用LASSO算法删除冗余变量,简化模型输入。将互信息算法计算输入与输出变量间的时间延迟,加入时延补偿,增加输入与输出之间的相关性,利用改进灰狼算法(MGWO)对搭建的LSSVM模型参数进行优化。仿真结果表明,特征选择可以有效降低模型误差,而MGWO算法相比于其他寻优算法具有更高的寻优精度,经MGWO优化的LSSVM模型预测误差RMSE为0.707 1,能够满足实际生产需求。     

基于聚类分析的风电功率预测数据预处理方法

为了提高预测模型精度以及降低模型的复杂程度,减小模型的训练时间,文章提出一种基于改进模糊C均值聚类算法的数据预处理方法,以提高风电功率时间序列的预测模型的预测性能。首先,对实测风电功率混沌时间序列进行了相空间重构;其次,对相空间中的各维输入序列与输出功率序列进行相关性分析,使用相点与相对相关系数的加权建立聚类判据;然后,结合减聚类算法对模糊C均值聚类的收敛速度进行改进,改进的模糊C均值算法将输入序列聚为4类,对每类数据建模。结果表明,对原始数据进行聚类预处理后,预测模型的精度得到了提高。     

基于PCA-PSO-GRU模型的重力拱坝诱导缝开合度预测

针对以往裂缝开合度时间序列数据预测中未有效利用众多实测温度数据，且各自变量之间存在多重相关性的问题，考虑主成分分析法(PCA)在处理多维数据上的优势以及门限循环单元(GRU)神经网络在处理复杂时间序列数据问题上的优势，构建了PCA-PSO-GRU组合预测模型。以某混凝土重力拱坝坝左诱导缝的开合度监测数据为样本，提取输入变量的主成分来降低输入数据的维度，然后进行模型训练和多步预测，采用平均绝对误差和均方根误差来评价模型的预测精度，并将预测结果与PSO-GRU、PCA-PSO-BP及传统的统计回归模型进行对比分析。结果表明，PCA-PSO-GRU组合预测模型在诱导缝时间序列数据预测方面具有更高的准确性，可为大坝诱导缝开合度评价提供一定的指导。     

基于信息融合和堆叠模型的超短期风电功率预测

针对超短期风电功率预测,准确捕捉功率变化因素和建立混合预测模型是提高预测精度的有效手段之一。为了能够继承和整合单个模型的优点以及增强历史信息的表示和利用能力,文章提出了一种基于信息融合和堆叠模型的超短期风电功率预测模型。首先,利用相关性方法选择历史功率序列和历史测风塔数据的特征,作为预测模型的输入;然后,建立两层堆叠的集成模型作为预测模型,并使用交叉验证和超参数优化以增强预测模型的泛化性能;最后,以每个基学习器的输出作为元学习器获得最终预测值的新输入。通过东北某风电场真实数据的验证,以及与单一模型、深度神经网络模型和集成学习模型的对比,验证了所提模型的可行性和有效性。     

基于卷积神经网络的内燃机声品质评价方法研究

为解决内燃机声品质评价中人工效率低、成本高的问题,引入卷积神经网络(convolutional neural network,CNN)模型和声谱分析方法构建了CNN声品质预测模型;同时模型中设计了带通滤波器,可对噪声样本进行自动特征提取,并以此为输入数据,利用自适应时刻估计(adaptive moment estimation,Adam)算法优化网络中各层权重,并将模型用于声品质评价。为证明CNN模型预测的性能,构建了基于心理声学参量的后向传播算法(back propagation,BP)声品质评价模型,并用于对照试验,在样本标签值(人工评价值)处理时,分析了客观评价心理声学参数与评分值的相关性,选取与人工评价结果相关度最大的4个心理声学参量作为BP模型的输入值进行预测。试验结果表明,基于CNN的声品质评价模型能更精确地预测内燃机声品质,并且在CNN预测模型中基于听觉谱的输入评价值比基于时域的短时平均能量、频域的频谱通量输入评价值精度更高。     

基于果蝇优化算法的GRNN模型在边坡稳定预测中的应用

鉴于边坡系统是一个复杂的多因素影响的非线性系统,综合考虑边坡的物理状态和环境因素,采用了一种基于果蝇优化算法(FOA)的广义回归神经网络(GRNN)模型(FOAGRNN)预测边坡的稳定状态,并与BP神经网络预测模型结果进行比较。结果表明,FOAGRNN预测的精度较高,基本反映了边坡稳定的真实状态。     

基于深度学习提取时空信息的流域内库水位预测模型研究

为了解决流域连通水库增多,库水位影响因素复杂且具有非平稳性,难以直接通过水文计算预测的问题,对流域水文站点日降雨序列进行分析,首先将时间序列经小波变换去噪,在此基础上采用最大信息系数(MIC)相关性分析筛选与日水位序列相关性,增加了输入时序降雨与预测水位相关的信息密度,并提出将强相关性序列输入引入Attention机制的长短期记忆(LSTM)预测模型,提高LSTM神经网络选择和提取序列特征的能力。以福建某流域站点实测日降雨序列为例进行试验,结果表明该方法的均方预测误差仅为0.190 8,相比LSTM模型有更高的预测精度,为水库水情调度及防洪减灾管理提供了决策依据。     

基于随机森林算法的大坝应力预测模型的构建及其应用

针对传统统计模型在大坝应力监测时预测精度不高且容易出现过度拟合现象,将随机森林算法引入大坝应力预测中,构建了基于随机森林算法的大坝应力预测模型,对某混凝土重力坝的应力监测数据进行处理、分析和预测,并以平均绝对误差、平均误差平方和及相对误差平方和为指标与多元线性回归模型和神经网络模型进行对比。结果表明,当预测范围在训练集样本范围内时,基于随机森林算法的大坝应力预测模型的预测精度较高,稳定性较好,为大坝应力预测提供了一种新途径。     

基于随机森林的支持向量机混凝土抗渗性预测模型研究

为了快速有效预测混凝土的耐久性,引入随机森林并结合支持向量机(RF-SVM)算法,从混凝土材料配比层面选择了影响混凝土抗渗性的16种因素,以抗氯离子扩散系数作为混凝土抗渗性评价指标,构建了基于RF-SVM的混凝土抗渗性预测模型,预测了松通桥梁项目工程混凝土抗渗性,同时与其他预测模型进行对比,分别得出均方根误差和拟合优度。结果表明,该模型回归拟合效果更佳,预测结果精度更高。     

重力坝挠度多测点空间模型研究

针对重力坝单测点位移监控模型存在的不足,从力学特性出发构建了重力坝挠度的多测点空间模型,并依托官地重力坝典型坝段原观监测资料分析了模型适用性及预测时间长短对模型精度影响等关键问题。结果表明,该模型较传统统计回归模型预测精度高,能通过有限测点掌控大坝变形的整体分布规律,可运用于大坝时空变形特性预测、缺测数据补齐等。同时,为保证模型预测误差控制在10%以内,建议其预测时长不超过90d。     

基于VMD的多尺度变量提取法在混凝土坝变形预测中的应用

大坝变形通常呈非线性、非稳定特征,利用可靠的数据驱动模型分析大坝变形变化趋势具有重要意义.为此,提出了一种基于变分模态分解(VMD)的多尺度变量提取大坝变形预测模型,首先利用VMD将变形原始序列分解为若干具有不同频率的子序列,以降低原始序列的非平稳性;然后引入初始变量集,并通过平均影响值—极限学习机模型(MIV-ELM...     

高混凝土重力坝抗震配筋效果的模型试验研究

提出了高碾压混凝土重力坝抗震配筋试验的基本思路,选择了合适的模型试验材料,给出了模型试验设计比尺、观测点位置及振动台地震波输入范围,做了有无配筋情况下的混凝土构件试验及钢筋混凝土的动、静弹性模量试验.利用加固后坝体不同的仿真混凝土弹模比做了挡水坝段模型的起裂加速度对比试验.结果表明,满库情况下挡水坝段的起裂位置有所不同,不同配筋率的抗震钢筋对坝体起裂加速度的影响较小,抗震钢筋的存在对抑制初始裂缝的产生并无显著作用.     

基于NRS-MSVR模型的混凝土坝变形多维精准预测

以强化多输出支持向量机(MSVR)模型在混凝土坝变形多维预测中的鲁棒性和泛化能力为目标,围绕变形多维联合精准预测展开研究。在邻域粗糙集(NRS)理论的框架内发展了一种变形影响因子贡献度度量方法,实现了多影响因子约简和关键因子的提取。视关键因子为MSVR模型的输入变量,编制迭代加权最小二乘算法进行模型求解,进而建立混凝土坝变形多维预测的NRS-MSVR模型。通过工程实例,对NSR-MSVR和MSVR模型预测效果进行对比分析。结果表明,在两模型拥有高拟合精度的前提下,NRS-MSVR模型的预测精度更高,具备更强的鲁棒性和泛化能力,是混凝土坝变形多维联合精准预测的一种新方法。     

PCA-PSO/GS-SVM组合方法在风电齿轮箱故障预测中的应用研究

在标准支持向量机(SVM)的基础上,引入主成分分析法(PCA)、粒子群算法(PSO)以及网格算法(GS),构建针对风力机故障的PCA-PSO/GS-SVM组合预测模型.相对于标准SVM,该模型采用PSO以及GS算法寻优参数,能够更准确地建立各变量间的相关关系以提高模型的预测准确性.以中国北方某风场2 MW风电齿轮箱在2...     

基于神经网络和改进相似日的光伏电站功率预测

为提高光伏电站功率预测的准确率,提出了一种基于SOM神经网络与熵权法优化关联系数的相似日预测模型,利用麻城市某100MW光伏电站的气温、相对湿度、风速及国家气象站日照时数、总云量、低云量等气象要素,采用SOM神经网络推算出预测日的三个相似日,再利用熵权法优化关联系数确定三个相似日的系数求出相似日分辨率为15min的瞬时功率,作为BP神经网络输入对光伏电站进行短期功率预测,并通过与其他四种预测模型的对比分析评估其性能。结果表明,模型的月相对均方根误差、月平均绝对百分比误差分别为5.88%、3.03%,与效果最佳的原理法模型误差接近;基于熵权法优化的关联系数和云量数据的加入对预测准确率有较大提高;模型预测准确率较高,抗扰动能力较强,可集合至本部门开发的预测系统运用到实际中。     

SVM-RBFNN组合模型在某混凝土双曲拱坝变形监测中的应用

大坝变形监测数据由于受水位、温度、时效等因素的影响,是一个非线性、非平稳的时间序列。考虑到支持向量机模型(SVM)对小样本、非线性问题有很好的预测效果,采用SVM模型刻画样本数据的趋势性信息;同时运用径向基函数神经网络(RBFNN)对残差序列进行分析和预测,并将时间序列的趋势项和误差项线性叠加,组成SVM-RBFNN组合预测模型。实例应用表明,SVM-RBFNN组合模型精度高于SVM模型,具有一定的实用性。     

基于改进PSO-SVM-MC模型的大坝变形监测模型

分析与处理大坝变形监测资料在大坝安全监测中意义重大。支持向量机(SVM)在大坝安全监测建模中应用广泛,但采用标准粒子群(PSO)算法对SVM参数寻优过程中,易陷入局部最优,且残差也会影响模型的预测精度。为提高大坝监测模型的泛化能力和预测精度,采用改进后的自适应位置PSO(APPSO)算法,对SVM模型的参数进行寻优,并利用马尔科夫链(MC)模型修正PSO-SVM模型的残差。工程实例分析表明,PSO-SVM-MC模型可提高模型预测的泛化能力和精度。