缺失数据条件下基于GAN与LSTM的水文预报研究

针对传统水文预报模型因观测数据缺失而导致预报精度不高的问题,利用生成对抗网络(GAN)可以学习数据分布生成数据的特点,将生成对抗网络与长短时记忆网络(LSTM)相结合,提出一种新的耦合模型GAN-LSTM。首先,利用生成对抗网络中"二元极小极大博弈"思想生成与缺失数据分布一致且能够表征缺失数据特性的填充数据来解决数据缺失问题;然后,将填充整合后的数据输入长短时记忆网络进行水文预报;最后,以清溪河清溪水文站的实测水文数据集为例进行了试验,试验结果表明所提出的模型在缺失数据条件下的预报性能显著优于其他同类模型。     

基于提升小波优化模型在大坝位移预测中的应用

针对传统建模主观性造成的精度影响以及预测数据的噪声干扰,提出了基于提升小波的系统优化GM(1,1)模型.该模型可有效剔除监测信息的噪声分量,减小预测误差,同时根据最小二乘原理提出了以GM(1,1)的一次累加生成建模序列所有分量的拟合误差平方和最小为约束条件,建立了优化GM(1,1)预测模型的最优初始值.对某大坝位移监测信息进行了计算,相对传统GM(1,1)模型而言,优化GM(1,1)模型可明显提高预测精度.     

基于深度置信网络的重力坝深层抗滑稳定安全系数预测方法

为了提升抗滑稳定安全系数预测模型性能,基于深度置信网络,通过坝前水深、材料参数来构建重力坝深层抗滑稳定安全系数预测模型,并同时构建BP神经网络模型来对比预测性能。结果表明,DBN网络模型在安全系数预测方面的性能优于BP网络模型,在重力坝深层抗滑稳定安全系数预测方面有良好的应用性。     

基于PCA-SSA-XGBoost算法的拱坝应力预测模型研究

由于大坝应力受水位、温度等众多因素共同作用,各影响因子间的相互关联会引起多重共线性问题,容易导致以此为输入的预测模型出现伪回归现象。此外,现有基于机器学习算法的应力预测模型由于训练特征过多、过度训练易产生过拟合现象,其预测精度还有待提高。针对上述问题,提出了基于主成分分析法(PCA)和麻雀搜索算法(SSA)改进的极限梯度提升算法(PCA-SSA-XGBoost)构建拱坝应力预测模型。该模型首先采用主成分分析法对参数进行降维,降低影响因子的多重共线性影响;进而通过SSA算法优化XGBoost的超参数,以避免传统算法过拟合,进一步提高模型预测性能。将该模型应用于我国西南某混凝土拱坝工程,对应力及应力相关监测数据进行处理、分析和预测,并与多元线性回归模型(MVLR)、神经网络模型(RBFNN)、极限梯度提升回归预测模型(XGBR)的预测结果进行对比分析。结果表明,基于PCA-SSA-XGBoost算法的应力预测模型可克服输入变量的多重共线性和过拟合问题,在预测精度方面具有优越性。     

基于AdaBoost-SVM的混凝土坝变形预测模型

针对混凝土坝变形预测模型中环境量与效应量之间复杂的非线性问题,以及单支持向量机(SVM)模型预测精度不高的问题,提出一种AdaBoost-SVM的混凝土坝变形预测模型,该模型采用结构风险最小化的原则,并借鉴提升算法强化学习的思想,从而提高模型的学习性能,达到增强模型泛化能力和预测精度的目的。结合实例,经过AdaBoost-SVM预测模型对混凝土坝位移原型监测数据进行训练及预测,并将预测结果与单支持向量机模型的预测结果进行对比,结果显示:基于AdaBoost-SVM预测模型得到的均方差为0.5565,平均误差绝对值为0.40,预测精度比单支持向量机模型高出一个数量级;而且相较于单支持向量机预测模型,强化后的模型在预测时段表现出更好的稳定性。该模型综合了提升算法与支持向量机各自的优势,可作为混凝土坝变形预测的一种有效方法。     

基于CNN-BiLSTM的潮汐电站潮位预测

潮汐电站的优化运行需要进行潮位预测。针对传统调和分析方法不能有效处理潮位非线性和非平稳的特性的问题,提出一种CNN-BiLSTM的预测模型,以滑动数据窗口构造潮位数据的特征图作为输入,利用1D CNN提取潮位数据深层特征,然后采用BiLSTM网络生成特征描述,最后输出预测结果。采用芝加哥港口的潮汐数据进行了实验,所提预测模型与调和分析及LSTM模型相比,均方根误差分别降低了66.26%和30.11%。算例结果表明CNN-BiLSTM模型可以实现高精度的短期潮位预测。     

改进Elman神经网络在径流预测中的应用

针对传统静态前馈神经网络动态性能较差的缺点,提出一种基于遗传算法（GA）优化Elman神经网络连接权值的GA-Elman多元变量年径流预测模型.以新疆伊犁河雅马渡站径流预测为例进行实例分析,并构建传统Elman,传统BP和GA-BP多元变量年径流预测模型作为对比模型,预测结果与文献IEA-BP网络模型预测结果进行对比.结果表明:①GA-Elman模型的拟合及预测效果略优于文献IEA-BP模型,该模型用于多元变量年径流预测是合理可行的,具有较好的预测精度和泛化能力.②在相同网络结构及传递函数等条件下,GA-Elman模型的预测精度和泛化能力优于GA-BP模型,传统Elman模型优于传统BP模型,表明具有适应时变特性的Elman反馈动态递归网络预测性能优于BP网络;GA能有效优化Elman神经网络连接权值,使网络的预测精度和泛化能力有了较大提高.     

基于LSTM的混凝土坝变形预测模型

为提升混凝土坝变形预测的精度,采用具有出色的非线性数据挖掘能力与时间序列长、短期预测性能的长短期记忆网络(LSTM),提出了基于LSTM网络的混凝土坝变形预测模型.实例分析表明,相比于常用的逐步回归、多元回归等方法,基于LSTM网络构建的变形预测模型可有效挖掘大坝变形与影响因子间复杂的非线性关系,模型的建模与预测精度均得以显著提升.     

灰狼优化算法在城市需水预测模型中的应用

城市需水预测是城市水资源规划、管理、决策的重要依据。为提升需水预测的准确性，提出一种基于最小二乘支持向量机(LSSVM)的非线性预测模型。针对灰狼优化算法(GWO)寻优过程易陷入局部最优的问题，采用一般性反向学习与非线性控制参数对其进行改进，以提升全局优化性能。改进后的GWO算法更适合应用于非线性模型参数的拟合，因此将其引入LSSVM需水预测模型，用来拟合模型的超参数。采用上海市近年来城市供水数据来检验模型，仿真结果表明提出的城市需水预测模型平均相对误差为0.78%,最大相对误差为1.37%,具有良好的泛化能力，可作为需水预测的一种有效方法。     

基于GRA-MEA-BP耦合模型的城市需水预测研究

针对城市需水量影响因子多、BP神经网络收敛速度慢、精度低、易陷入局部最优等问题,提出灰色关联分析、思维进化算法、BP神经网络三者耦合的改进预测模型,利用灰色关联分析(GRA)筛选需水量主要影响因子,采用全局搜索能力极强的思维进化算法(MEA)优化BP神经网络的权值和阈值,从而构建GRA-MEA-BP耦合需水预测模型,同时建立BP神经网络模型作为对比。实例应用结果表明,GRA-MEA-BP耦合模型具有更高的预测精度和预测速度,可作为一种有效的需水预测模型。     

A physical approach of the short-term wind power prediction based on CFD pre-calculated flow fields

A physical approach of the wind power prediction based on the CFD pre-calculated flow fields is proposed in this paper. The flow fields are obtained based on a steady CFD model with the discrete inflow wind conditions as the boundary conditions, and a database is established containing the important parameters including the inflow wind conditions, the flow fields and the corresponding wind power for each wind turbine. The power is predicted via the database by taking the Numerical Weather Prediction (NWP) wind as the input data. In order to evaluate the approach, the short-term wind power prediction for an actual wind farm is conducted as an example during the period of the year 2010. Compared with the measured power, the predicted results enjoy a high accuracy with the annual Root Mean Square Error (RMSE) of 15.2% and the annual MAE of 10.80%. A good performance is shown in predicting the wind power’s changing trend. This approach is independent of the historical data and can be widely used for all kinds of wind farms including the newly-built wind farms. At the same time, it does not take much computation time while it captures the local air flows more precisely by the CFD model. So it is especially practical for engineering projects.     

基于IFA-LSSVM的短期风功率预测

为避免风力发电随机性、波动性对电网调度的影响,同时基于风功率预测在微电网和风储系统等热点研究问题中的应用必要性,建立基于改进萤火虫算法(IFA)优化最小二乘支持向量机(LSSVM)的短期风功率预测模型。首先,利用混沌映射及步长因子自适应调整方法对萤火虫算法进行创新性改进,增强其全局搜索能力,又解决了局部震荡问题;其次,针对LSSVM参数选择的盲目性对预测精度造成严重影响的问题,运用改进的萤火虫算法对LSSVM模型参数进行优化;最后,将本文所提模型应用于新疆某风电场,对本文预测模型和常用PSO-LSSVM预测模型以及未改进FA-LSSVM预测模型的预测结果进行对比。结果表明,本文预测模型精度更高、稳定性更强。     

基于云计算和智能优化 SVＲ 的光伏发电功率预测

为提高光伏发电功率的预测精度,针对支持向量机回归( Support Vector Ｒegression,SVＲ) 模型的预测结果易受其惩罚系数 C、敏感损失函数的最大误差系数 ε 和核函数 g 影响的问题,提出一种基于新型智能算法 － 蝗虫算法优化 SVＲ 模型参数的光伏发电功率预测模型。由于光伏发电功率数据存在随机性和间隙性的特征,Multi － Agent 和分布式思想被引入蝗虫算法优化 SVＲ 模型,通过将云计算的 MapＲeduce 框架和 GOA － SVＲ 结合,提出一种基于 MapＲeduce 和 GOA － SVＲ 并行化的光伏发电功率预测模型( MapＲeduce and GOA － SVＲ,MＲ － GOA － SVＲ) ,从而提高海量高维光伏发电数据的处理能力。将影响光伏输出功率的 11 个气象因素作为 GOA － SVＲ 的输入向量,光伏输出功率作为 GOA － SVＲ 的输出向量,建立 GOA － SVＲ 的光伏发电功率预测模型。研究结果表明: MＲ － GOA － SVＲ 可以有效提高不同天气类型下的光伏发电功率的预测精度,具有很强的现实性和指导意义。与 PSO － SVＲ、GA － SVＲ、GOA － SVＲ 和 SVＲ 相比,MＲ － GOA － SVＲ在晴天、阴天和雨天均可以提高预测精度,且具有优异的并行性能。     

基于互补式集合经验模态分解和SSA-ELM的短期风电功率预测

根据实际风电功率信号的波动性和非线性,提出了一种基于互补式集合经验模态分解(CEEMD)和樽海鞘群算法极限学习机(SSA-ELM)的短期风电功率预测模型。首先利用CEEMD将风电功率原始信号分解为一系列模态分量和剩余分量,以减小风电功率的非平稳性;其次采用樽海鞘群算法优化极限学习机对不同分量进行预测;最后将不同分量的预测值叠加得到最终的风电功率预测结果。通过实例仿真验证,并与其他方法进行对比,结果表明该预测模型可提供较高精度的预测结果,具有一定的实用价值。     

风光水互补系统时间序列变量概率预报框架

风光水互补系统实时调度受风速、太阳辐射强度、径流和电力负荷等时间序列变量的不确定性影响,如何准确预报这些变量并量化预报的不确定性是风光水互补系统面临的关键难题。为此,本研究提出一种基于深度学习模型的时间序列变量概率预报框架。首先,从时间序列数据中挖掘特征输入并采用相关系数对生成的特征进行初选;其次,基于深度学习模型和高斯过程回归构建时间序列变量概率预报模型,同时分别通过0-1规划思想和贝叶斯优化算法实现特征组合优化和超参数优选;进而,从确定性预报、概率预报和可靠性3个方面对预报模型进行全面评价;最后,以雅砻江流域风光水互补先期试点示范基地作为研究对象,分别在径流、风速、光伏和负荷4个数据集上与目前7个不同的时间序列变量预报模型进行全面对比,验证本研究提出预报框架的精度和概率综合性能。     

基于NSGA-Ⅱ算法最优组合的风电功率预测的研究

风电场的出力是一个受风速波动性和各种气象条件影响的复杂过程,风电功率预测的准确性可以大大提高电力系统调度运行的效率,维持发、输、用电之间功率的平衡。针对于此,对风电场进行功率预测时,建立了表征风电功率波动的平稳性指标,考虑到风电的波动性越小,预测精度就越高,引入了带精英策略的快速非支配排序遗传算法(NSGA-Ⅱ),以此来求取各个风力发电机组的最优组合,使得组合后的风电出力更加平稳,波动更小,得到了一组pareto最优解集。然后对pareto解集中的所有组合的风力发电机组,利用BP神经网络进行功率预测,预测精度最高的解就是最优的组合。通过仿真验证,证明该方法的有效性和合理性。并将所得到的结果与经典的风电功率预测方法—小波预测和粒子群优化的BP神经网络(PSOBP)预测进行对比分析,证明了所提方法的优越性。     

适合云南地区风功率预测的数值天气预报系统研究

为了探寻适合云南地区风功率预测的数值天气预报系统,利用 GFS 资料为中尺度模式 WRF提供初始场和边界条件,评估了不同模式分辨率、参数化方案对云南地区风速模拟结果的影响。结果表明: 对于云南地区,3 km 分辨率风速模拟效果总体上优于 9 km 分辨率; 不同参数化方案对于风速模拟效果影响较大,其中第 3 套参数化方案( 长波辐射方案选用 Earth Held － Suarez,短波辐射方案选用 RRTMG,陆面过程选用 Noah,积云对流方案选用 Kain － Fritsch,行星边界层方案选用 YSU) 为云南地区的最优化方案,其模拟结果与观测资料均方根误差最小( 区域平均均方根误差约为 1. 67 m / s,17 个观测站点平均均方根误差约为 3. 30 m / s) 。进一步结合功率预测模型分析表明,较优的分辨率 －参数化组合方案可以提升云南地区风电场功率预测合格率达 9. 68% ～ 38. 71% 。研究成果对提高云南地区风电场功率预测水平、制定合理消纳风电计划具有一定的指导意义。     

计及风电不确定性的区域互联动态经济优化调度方法

结合含风电场的区域互联电力系统运行特点,考虑风电出力、负荷的不确定性因素以及电力系统安全运行约束,建立计及系统燃料费用、机组运行维护成本、风险成本的区域互联动态经济调度优化模型,并以一种融合拉丁超立方采样、场景缩减法和自学习差分算法的优化方法对所提模型进行求解。该方法根据风电和负荷预测误差采用拉丁超立方采样技术生成大量样本,并对所生成样本结合场景缩减法进行缩减,再由自学习差分算法进行全局寻优,得到各场景所对应的最优调度方案。结果表明:采用该方法既能模拟出风电、负荷的不确定性特点,又能避免建立过于复杂的随机性模型,降低了建模和求解的难度,同时所提自学习差分算法具有良好的收敛特性及鲁棒性。因此,所提优化方法对区域互联电力系统优化调度具有参考价值。     

基于粒子群最优化下BP神经网络的短期电价预测(英文)

根据电力市场的相关历史数据准确地预测出未来的市场出清电价,对于市场中的各个参与者都具有十分重要的意义.在建立了一种粒子群优化(PSO)下的BP神经网络电价短期预测模型的基础上,采用PSO进化算法,反复抽取训练子集样本,通过对应的验证样本预测误差寻找近似最有代表性的训练子集,解决了模型的训练样本参数难以设置的问题.实验验证了该预测模型的有效性,结果表明处理好预测模型样本参数的选择问题,能够提高模型的稳定性及预测精度.     

提升风电场响应效能的混合储能最优经济配置

在风力发电补贴越来越低,未来更可能取消补贴且电力市场辅助服务越来越完善的情况下,提出了一种以风电场AGC辅助服务性能与整体收益为目标的混合储能系统配置方法。首先,基于华北地区的两个细则,分析了AGC辅助服务的考核指标。然后,采用充放电次数限制少、充放电功率高的全钒液电池与成本低廉、容量较大的铅酸电池组成的混合储能系统,提出基于AGC服务性能指标和发电量有效上网率的响应效能指标,更好的反映加入储能系统的效果,并制定了储能系统充放电响应及SOC状态强制回归策略。基于计算效率高、全局收敛性能好的混沌蚁群算法,通过建立储能系统的成本子模型、风电场AGC服务收益及增加有效上网电量收益子模型,构建了以日收益最大为目标的优化配置模型。最后,通过计算某风电场储能系统的最优经济配置,分析了加入储能前后的响应效能与收益。结果表明:最优经济配置方法合理有效,加入储能系统后提升风电场约30%的综合性能收益。研究成果对未来风电场合理配置混合储能系统具有较大参考价值。