基于CNN-LSTM的短期风电功率预测

短期风电功率预测对电力系统的安全稳定运行和能源的优化配置具有重要意义。鉴于卷积神经网络(CNN)高效的数据特征提取能力,以及长短期记忆网络(LSTM)描述时间序列长期依赖关系的能力。为了提高短期风电功率预测的精度,设计了一种基于CNN和LSTM的风电功率预测模型。该模型利用卷积神经网络对风电功率、风速、风向数据进行多层卷积和池化堆叠计算,提取风电功率相关数据的特征图谱。为了描述风电功率序列的时序依从关系,将图谱特征信息作为长短期记忆网络的输入信息,计算得到风电功率的预测结果。采用西班牙某风电场的实测数据进行模型预测精度验证。结果表明,该模型较LSTM、Elman模型具有更好的预测性能。     

RF-BiLSTM神经网络在海浪预测中的应用

由于风浪数据的随机性, 复杂性, 影响因素多, 多为时间序列的特点, 造成了传统预测模型预测难度大, 精确率低, 构建了基于随机森林的注意力机制与双向长短期记忆神经网络相结合的海浪预测模型. 该模型对输入进行优化, 可以使用过去和未来的数据信息进行预测, 提高了海浪波高的预测精度. 该模型利用随机森林对输入变量筛选优化, 降低网络复杂度, 然后将注意力机制与双向长短期记忆神经网络相结合建立预测模型, 并利用实际数据进行验证. 结果显示, 和BP, LSTM, BiLSTM模型比较, RF-BiLSTM模型的预测精度更高, 拟合程度更好, 在海浪数值的预测预报中有重要意义.     

采用LSTM的风电功率预测方法研究

为实现风电功率的有效预测,本文提出了一种基于长短期记忆神经网络的风电功率预测方法,并建立了基于长短期记忆的风电功率预测模型。在公开的数据集中对该风电功率预测方法进行分析与验证。结果表明,该方法有较好的预测精度。     

基于Attention-BiLSTM-LSTM神经网络的短期电力负荷预测方法

短期电力负荷预测是电力系统中的重要问题之一,准确的预测结果可以提高电力市场的灵活性和资源利用效率,对电力系统高效运行具有重要意义.为了提高预测精度,针对电网负荷数据的时序性特征,提出一种基于Attention-BiLSTM-LSTM神经网络的短期电力负荷预测方法.该方法首先针对电力负荷的影响因素(温度、节假日等)提取特征,并使用双向长短期记忆(BiLSTM)神经网络层进行双向时序的特征学习;将双向时序特征作为长短期记忆(LSTM)神经网络层的输入,用LSTM神经网络建模学习时序数据的内部变化规律;使用attention机制计算LSTM隐层状态的不同权重,以对隐层状态进行选择性地关注;结合注意力权重和LSTM神经网络进行负荷预测,最后使用全连接层输出负荷预测结果.使用EUNIT电力负荷数据集进行实验,采用提前单点预测模式,该方法的平均绝对百分比误差(MAPE)达到1.66％,均方根误差(RMSE)达到814.85.通过与单LSTM网络、基于attention机制的LSTM网络(Attention-LSTM)、前馈神经网络(FFNN)、卷积神经网络联合长短期记忆神经网络(CNN-LSTM)等4种典型的负荷预测模型结果对比,验证了Attention-BiLSTM-LSTM神经网络方法更加准确有效.     

K-Similarity降噪的LSTM神经网络水质多因子预测模型

针对水质预测问题,以地表水水质监测因子作为研究对象,提出了一种基于长短期记忆（LSTM）神经网络的水质多因子预测模型,同时利用提出的K-Similarity降噪法对模型的输入数据进行降噪,提高模型预测性能.通过与BP神经网络、RNN和传统的LSTM神经网络预测模型进行对比实验,证明了所提出的方法均方误差最小,预测结果更准确.     

基于mRMR和VMD-AM-LSTM的短期风功率预测

为了提高模型预测风功率的准确率,提出了一种基于最大相关-最小冗余筛选、变分模态分解、注意力机制和长短期记忆神经网络的短期风功率预测方法.首先使用变分模态分解算法将风功率序列分解成几个中心频率不同的分量;再对各个分量结合最大相关-最小冗余筛选出的气象特征分别建立注意力机制和长短期记忆混合预测模型;最后将各个分量的预测结果...     

基于LSTM-CNN-CBAM模型的股票预测研究

为了更好地对股票价格进行预测,进而为股民提供合理化的建议,提出了一种在结合长短期记忆网络（LSTM）和卷积神经网络（CNN）的基础上引入注意力机制的股票预测混合模型（LSTM-CNN-CBAM）,该模型采用的是端到端的网络结构,使用LSTM来提取数据中的时序特征,利用CNN挖掘数据中的深层特征,通过在网络结构中加入注意力机制--Convolutional Attention Block Module（CBAM）卷积模块,可以有效地提升网络的特征提取能力。基于上证指数进行对比实验,通过对比实验预测结果和评价指标,验证了在LSTM与CNN结合的网络模型中加入CBAM模块的预测有效性和可行性。     

融合多源数据输入具有自注意力机制的LSTM股票价格预测

股票价格预测是金融和计算机学科交叉领域的经典问题,由于股票市场的复杂性和高波动性等特征,及时预测股票价格被认为是最具挑战性的问题之一.长短期记忆(LSTM)神经网络在时间序列预测问题中表现出良好的性能.然而,该模型及其改进模型专注于顺序捕获序列信息,在学习输入数据之间非序列性的内部关联方面没有优势.此外,模型在输入数据的融合方面往往并不全面.针对上述问题,提出了融合多源数据、具有自注意力机制的长短期记忆神经网络(SA-LSTM)股票价格预测模型.SA-LSTM模型具有自注意力单元,在学习序列特征时能够快速捕获长距离依赖关系,有效学习数据之间的相关性.在多源数据的融合方面,同时融合与目标股票直接间接相关的数据,解决输入数据不全面的问题.通过对股票次日收盘价预测的实验表明,与其他基准预测模型相比,该模型取得了最佳性能,在不同数据集上均具有最小预测误差.     

基于LSTM-Attention的锂电池SoC预测

电池荷电状态（State of Charge,SoC）对新能源汽车安全行驶非常重要。文章提出一种基于长短期记忆网络（Long Short-Term Memory,LSTM）和注意力机制（Attention）的锂电池SoC预测方法。该方法将电池放电电流、电压、温度等电池工作历史参数作为输入，通过在LSTM神经网络中训练，并在LSTM神经网络中引入注意力机制，聚焦对当前SoC影响更大的历史参数，实现更为精确的锂电池SoC预测。实验证明，本方法比LSTM神经网络具有更好的预测性能，有较好的应用前景。     

基于CNN-LSTM及深度学习的风电场时空组合预测模型

为了更好地预测风电场的风电功率,提取风电场相邻站点之间时空信息和潜在联系,提出了一种基于卷积神经网络(CNN)、互信息(mutual information, MI)法、长短时记忆网络(LSTM)、注意力机制(AT)和粒子群优化(PSO)的短期风电场预测模型(MI-CNN-ALSTM-PSO)。CNN用于提取不同站点的空间特征,LSTM则用于获取多个站点的风电数据的时间依赖信息,据此设计CNN-LSTM时空预测模型,并结合深度学习算法,如MI特征选择、 AT注意力机制、 PSO参数优化,对模型进一步改进。通过两个海岛风电场的实验数据分析可知,所提模型具有最优的统计误差,CNN-LSTM模型可以高效提取风电场时空信息并进行时间序列预测,而结合深度学习算法(MI、 AT和PSO)后的组合模型能进一步提高风电功率预测精度和稳定性。     

基于EEMDSE-ILSTM的风电场超短期风速预测

不可再生资源的枯竭推动着新能源的发展,风电作为目前风能利用的主要形式得到了大面积推广。但风速非线性、非平稳性、时序性的特点对风机本身和电力系统都会产生不利的影响,因此精准的风速预测已经成为亟待解决的关键课题。基于组合预测方法,提出了一种EEMDSE-ILSTM风速预测模型。该模型利用集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）将风速数据分解为若干个分量数据集,并通过样本熵对各分量进行筛选以简化数据。将改进的鲸鱼算法与长短期记忆网络（Long Short-Term Memory,LSTM）结合,无监督生成合适的模型预测参数。在预测时依次对每个分量数据预测并将结果累加获得最终预测值。仿真结果表明,该模型与其他方法比较,显示出较好的预测精度和泛化性能。     

风电场风功率预测系统研究

对风电场发电功率的准确预测,可以有效优化电网调度,使得电网经济运行,同时提高风电场在电力市场中的竞争能力.文中提出了基于先进统计方法的风电功率预测系统,以高精度数值气象预报为基础,搭建完备的数据库系统,利用各种通讯接口采集风电场监控数据.提出并实现了“自适应逻辑网络”(ALN),为风电场建立功率预测算法引擎,可以准确预报风电场未来72小时短期功率负荷,并能针对单台风机、风电场或风机集群进行预测和上报,为风电场管理提供重要辅助手段.现场运行测试验证了系统在风速预测以及针对不同型号风机风功率预测的可行性和有效性.     

风速风向传感器在风机控制中的应用与研究

研究了多种风速传感器测量风速的原理,比较了各种风速传感器测风速的特点,分析了风力发电对风速测量的要求。并且通过对风杯式风速计测风速的误差分析,得出利用三杯式风速传感器是比较适用于控制风力发电机发电的。并且提出了一种对风速数据处理的新方法,使其更好的用于风力发电的控制。对风力发电控制技术的发展具有重要意义。     

风力发电中风速测量技术的发展

风速的准确测量是风力发电运行控制的基础。介绍了多种当前常见的风速测量仪器的工作原理,比较了它们的特点,并给出了各种仪器的适用范围;同时,还叙述了近年来发展起来的Kalman滤波器、神经网络和支持向量机等风速软测量方法。这对风速测量仪的选择和研究具有一定的参考指导价值。     

双馈风力发电机的最大风能追踪技术研究

如何提高风能的利用率,实现最大功率点追踪(MPPT)成为世界各国研究的热点。变速恒频(VSCF)双馈风力发电机作为当前风力发电的主流机型,对其MPPT研究更具有较强的现实意义。通过对风力机运行特性的分析,结合目前的MPPT控制方式,提出将模糊控制与改进的变步长扰动法结合来实现MPPT,并通过MATLAB仿真验证该策略的有效性及稳定性。     

何艳：风起涟漪

何艳．沪上本土服装设计师,人如其衣,简约低调。 每个时代都有自己的声音,就像每个人都有自己的声音一样。处事低调的何艳如果不做设计师,她希望自己能做一个文化刺客,不断学习、思考;也希望做一名纯粹的艺术家,用画笔释放自由。     

一种风力发电机组机舱风速修正方法

风力发电机组叶轮后风速因受到叶轮遮挡,以及湍流、尾流等因素的影响,机舱风速仪测得的风速不足以准确反映风力发电机组的功率特性.为此,提出了一种风力发电机组机舱风速修正方法.该方法首先基于风力发电机组的控制策略对机舱风速进行分段,然后通过机舱风速与来流风速的相关性分析,确定拟合函数的类型,最后利用最小二乘法分段拟合得到试验机型机舱风速与来流风速的修正函数.通过实例验证表明:修正之后的风速误差更小,具有一定的实用性.     

Robust Wind Speed Estimation and Control of Variable Speed Wind Turbines

In this work, a robust control scheme for variable speed wind turbine system that incorporates a doubly feed induction generator is described. The sliding mode controller is designed in order to track the optimum wind turbine speed value that produces the maximum power extraction for different wind speed values. A robust sliding mode observer for the aerodynamic torque is also proposed in order to avoid the wind speed sensors in the control scheme. The controller uses the estimated aerodynamic torque in order to calculate the reference value for the wind turbine speed. Another sliding mode control is also proposed in order to maintain the dc‐link voltage constant regardless of the direction of the rotor power flow. The stability analysis of the proposed controller under disturbances and parameter uncertainties is provided using the Lyapunov stability theory. Finally, the simulation results show that the proposed control scheme provides a high‐performance turbine speed control, in order to obtain the maximum wind power generation, and a high‐performance dc‐link regulation in the presence of system uncertainties.     

风力发电机风向小脑神经网络软测量方法研究

风向测量值是控制风力发电机偏航的依据。风向测量值和原始风向值之间通常会存在偏差,这是影响风力发电机风能捕捉效率的主要因素之一。受风力发电机结构限制,机舱上的风向标难以准确测量风向。分析了风向测量误差产生原因,叙述了风向测量值和原始风向值之间的数学关系。风向软测量技术是降低风向测量偏差的有效方法。简述了风向软测量技术的传统方法。传统风向软测量方法可以显著减小测量误差,但计算量大,风力发电机翼型参数精度要求高,不适合工程使用。针对传统风向软测量技术的不足,提出了小脑神经网络(CMAC)软测量方法。该方法降低了风向测量的计算量,进一步提高了风向测量精度。实践证明了该方法的可行性。