基于K-means分层聚类的TCN-GRU和LSTM动态组合光伏短期功率预测

为了提高电网运行的稳定性和改善电网的节能调度,针对目前单一模型处于不同天气状况时,预测精度难以达到最优的状况,文章提出了一种基于K-means分层聚类的TCN-GRU和长短期记忆网络(LSTM)动态组合光伏短期功率预测。利用K-means算法进行二次聚类,将天气类型分为晴天(A₁)、多云(A₂)、阴天(A₃)、雨天(A₄);通过时间卷积网络(TCN)提取数据的时序特征,并结合门控循环单元(GRU)建立出融合提取时序特征模块的TCN-GRU结构;TCN-GRU与LSTM神经网络动态组合后,通过弹性网络(ElasticNet)回归选择最佳输出权重得到最终预测值;基于江苏某地区的光伏发电功率数据及对应的气象数据对文章所提出的方法进行验证。在4种天气状况下,通过与其他模型预测结果进行比较,文章提出的动态组合模型预测精度更高。     

秦皇岛市冬季一次污染过程特征及气象因素影响研究

利用秦皇岛市环境监测站和气象站数据,对秦皇岛市2021年2月19日至21日的污染天气过程的天气形势、气象条件、减排措施及管控效果进行分析。结果表明：此次污染天气过程500 hPa形势场为暖脊控制、高温高湿、持续的西南风、较高的静稳指数等,有利于污染物的累积与持续。污染期间SO₂和NO₂等气态污染物发生了强烈的二次转化,也是不断推高PM_2.5浓度的重要原因。     

基于LSTM网络的光伏发电功率短期预测方法的研究

提高光伏发电功率预测结果的精度对电网规划和调度具有重要意义。基于前向神经网络或回归分析法的传统预测模型因缺乏历史记忆能力而导致自身鲁棒性较差、适应能力较弱。为了解决上述问题,文章提出了一种基于LSTM网络的光伏发电功率短期预测方法。在预处理过程中,文章先将天气类型依据日照晴朗指数量化为具体数值;然后,利用主成分分析法将与光伏发电功率相关性较高的多元数据序列进行降维,得到主成分数据序列;最后,建立基于LSTM网络的光伏发电功率短期预测模型,并将该模型的预测结果与BP网络预测模型和RNN网络预测模型的预测结果进行对比。模拟结果表明,基于LSTM网络的光伏发电功率短期预测模型能较好地反映时序数据的动态特性,预测精度较高,预测结果能够为电力调度部门提供可靠的数据支持。     

辽宁省大气污染物污染特征分析与预测

为了识别辽宁省大气污染物的分布特征以及简单预测2021～2025年沈阳市污染物污染浓度变化趋势,基于辽宁省14个城市6项污染物PM_2.5、SO₂、O₃、NO₂、PM₁₀、CO的浓度监测结果,进行k-means聚类并利用灰色预测模型对沈阳市重点污染物浓度数值进行灰色预测。结果显示：在对污染物年均浓度聚类中,可将14个城市聚为3类。其中类3有8个城市,受本地源和扩散条件影响,各项污染物浓度均处于较高水平,整体空气质量最差;类1包括阜新市和朝阳市两个城市,NO₂浓度降低(比类3低30%左右)明显,更多表现为受工业和散煤燃烧影响的SO₂污染和受外来源输送的O₃污染,整体空气质量次之;类2包括4个城市,各项污染物浓度水平相对较低,整体空气质量最好。污染物年均浓度空间分布大体呈现中部污染最严重、西部次之、东南部污染最轻的分布特征。根据灰色预测结果发现,在2021～2025年除CO与O₃浓度有所增加,其余...     

基于FCM-WOA-LSTM的大坝变形预测模型及其应用

随着大坝变形监测资料的持续积累和变形测点数量的不断增多,预测分析全部变形测点往往需耗费大量的时间,容易造成反馈不及时的问题。对此,引入模糊C-均值聚类算法(FCM),根据大坝变形规律的相似程度进行分区,将鲸鱼优化算法(WOA)用于长短期记忆神经网络(LSTM)模型的参数优化,建立基于FCM-WOA-LSTM的大坝变形预测模型,以某混凝土双曲拱坝的实测变形资料作为样本数据进行预测分析,并与LSTM模型和SVM模型的预测结果进行对比。结果表明,FCM-WOA-LSTM模型预测结果的平均绝对误差M_MAE、均方误差M_MSE、均方根误差R_RMSE均为3种模型中最小,且拟合段的3个评价指标值和预测段的3个评价指标值均接近,FCM-WOA-LSTM模型具有更高的预测精度和更好的适用性。     

基于相似日和IGA-BP的光伏发电功率预测方法研究

准确预测光伏发电功率有利于并网后电网调度管理,现阶段光伏发电功率预测存在精度较低和对不同天气类型的适应性弱的问题。探索了一种相似日与免疫遗传神经网络（IGA-BP）结合的预测方法：基于天气类型、温度及风速,结合灰色关联度和余弦相似度指标构建气象相似日判别模型;以相似日气象特征向量为输入,建立IGA-BP功率预测模型。利用实测数据对比分析所提IGA-BP模型与GA-BP、BP模型的预测精度,结果为：在不同天气类型下IGA-BP模型具有较高精度,其RMSE平均值为14.142%,TIC平均值为0.017 58,均优于其他对比模型。表明IGA-BP模型能够提高功率预测精度,且具有较高的适应性。     

不同天气类型下计及PM_(2.5)的直散分离模型研究

利用北京地区5 a水平面辐射及气象环境要素资料,统计散射比与气象环境因子的关系,因子诊断分析表明,散射比与PM_(2.5)存在正相关性。引入PM_(2.5)作为输入变量,建立多种"直散分离"模型,并结合观测资料进行预测检验。结果说明,引入PM_(2.5)可提高"直散分离"模型的预测精度。结合总云量、降水及能见度数据,将天气划分为晴天、多云、阴天和雨天4种类型,进行不同天气类型下各模型预测误差分析,得到不同天气类型下最优"直散分离"模型。综合比较后得出,以清晰度指数、日照百分率和PM_(2.5)为输入层的BP神经网络模型预测北京散射比的效果最好。     

附加阳光房取暖技术在西藏农牧区应用的环境效益

西藏太阳能资源丰富,建设附加阳光房可以充分利用太阳能,减少取暖用燃料的使用,从而有效降低燃烧污染物的排放。问卷调查发现,西藏农牧民普遍认可附加阳光房的建设对室内空气品质的改善作用,认为室内空气品质好的家庭由改造前的38.5%大幅提升至68.5%。取样监测数据显示,取暖季附加阳光房的建设前室内CO平均体积分数、PM_2.5平均质量浓度、PM₁₀平均质量浓度均高于改造后,仅TVOC (Total Volatile Organic Compounds,总挥发性有机化合物)平均质量浓度低于改造后。同时,附加阳光房的普遍建设可以有效改善局部地区空气质量,监测数据显示试点工程建设区域PM_2.5和PM₁₀等的质量浓度出现明显下降,证实附加阳光房的建设可以有效改善农牧民生活区域的空气质量,为西藏清洁取暖工作提供了一种新思路。     

基于VMD-LSTM与误差补偿的光伏发电超短期功率预测

光伏序列具有的较高复杂性对光伏发电功率的预测精度产生了极大影响,对此提出一种基于VMD-LSTM与误差补偿的光伏发电超短期功率预测模型。该模型第1阶段采用VMD算法将原始功率序列分解为若干个不同的模态,并对其建立对应的LSTM网络模型进行预测,通过对各模态的预测结果求和得到初始预测功率;第2阶段采用LSTM网络对误差序列进行误差补偿预测,然后将初始预测功率和误差预测功率求和得到最终预测结果。仿真结果表明,该预测模型对天气具有较高的适应性,预测精度达到97%以上。     

基于LSTM神经网络的高拱坝混凝土温升阶段温度预测

为实时掌控高拱坝混凝土温度变化,及时制定合理控温措施,防止产生温度裂缝,深入分析了混凝土温升阶段温度影响因素,并选取初始浇筑温度、环境气温、通水温度、通水流量、绝热温升等5个主要因素作为LSTM神经网络的输入因素,建立了基于LSTM神经网络的高拱坝混凝土温升阶段温度预测模型,同时采用最大误差、平均绝对误差(M_MAE)、对称平均百分比误差(S_SMAPE)等评价指标检验模型精度,最后以白鹤滩高拱坝为例,对大坝混凝土温升期的温度进行预测。结果表明,所建预测模型的最大绝对误差为0.58℃,M_MAE、S_SMAPE分别为0.30℃、1.35%,预测精度较高,可操作性强,能为高拱坝混凝土温度控制提供决策支撑。     

基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测

针对光伏发电功率时间序列随机性和波动性强的特点,提出一种基于Kmeans和完备总体经验模态分解(CEEMD)、排列熵(PE)、长短期记忆(LSTM)神经网络结合的短期光伏功率预测模型。先通过Kmeans算法选出预测日的相似日;然后采用CEEMD将发电功率和影响因素数据的原始序列分解为多个固有模态分量,并用排列熵算法对模态分量进行重构;最后对重构后的子序列分别进行LSTM建模预测,再将子序列预测结果叠加起来确定光伏发电功率预测值。试验结果表明,所提预测模型与单独的LSTM预测模型和EMD-PE-LSTM预测模型相比,功率预测精度明显提高,为电网调度提供了一定参考。     

基于PAM-SSD-LSTM的短期风速预测

为提高短期风速预测的准确性,提出一种基于PAM聚类、奇异谱分解（SSD）和LSTM神经网络的组合预测模型来预测短期风速,以解决上述问题。首先,为提高神经网络的学习效率,采用PAM算法对原始风速数据进行相似日聚类;其次,SSD具有抑制模态混叠和虚假分量产生的优点,使用SSD分解风速序列,提取多尺度规律;最后,由于LSTM神经网络捕捉长时间依赖的序列的波动规律的能力较强,使用LSTM神经网络对分解后的风速分量进行预测,将各分量预测值叠加得到最终预测结果。实验结果表明,基于PAM-SSD-LSTM的组合预测模型可有效提高风速短期预测的准确率。     

基于SOM聚类和ECA的超短期光伏预测组合模型研究

为提高不同天气类型下光伏输出功率的预测精度,提出了一种基于注意力机制的超短期光伏预测组合模型。首先,通过皮尔逊相关系数分析,选取与光伏发电功率密切相关的关键气象因子,并对其进行逐月标准化,然后加权求和计算得到分类指标天气条件因子(Sky Condition Factor, SCF),以降低输入变量的维度,并消除季节对天气分类的干扰和众多气象因子之间的耦合关系。其次,通过自组织映射神经网络(Self Organizing Map, SOM)对SCF进行无监督聚类,划分出3种天气类型。然后,在3种天气类型下分别构建卷积神经网络(Convolutional Neural Network, CNN)预测模型,并引入高效通道注意力模块（Efficient Channel Attention, ECA）,自适应地为特征信息的多重通道分配相应的权重,使模型集中于重要的特征信息,提高模型的预测精度。采用历史实测数据进行仿真,结果表明：与〖JP2〗未引入ECA模块的预测模型相比,所提预测模型在3种天气类型下的预测准确度分别提高了1.006 1%,〖JP〗1.626 1%和1.610 4%,验证了该模型的有效性。     

基于长短时记忆网络融合SCADA数据的风电齿轮箱状态监测

针对不具有时间记忆能力的机器学习方法融合风电机组数据采集与监控系统(SCADA)的时序数据而导致风电齿轮箱状态预测精度不高的问题,提出基于长短时记忆(LSTM)网络融合SCADA数据的风电齿轮箱状态预测模型。选择能表征风电齿轮箱运行状态的某个监测量作为模型的输出量,基于灰色关联度选择与该监测量关联密切的SCADA参数作为预测模型的输入量;使用正常状态下的SCADA数据训练LSTM预测模型,得出预测值和残差,通过3σ准则计算出上下预警阈值,用于风电齿轮箱状态监测和故障预警。某风电场风电齿轮箱的SCADA数据验证表明所提出的方法能有效预警风电齿轮箱故障。     

基于逐步聚类分析的短期光伏发电预测方法

光伏发电功率与气象因素密切相关,可靠的功率预测对光伏入网和电网安全运行具有重要意义。为提高光伏短期发电功率预测的准确率,基于某40 MW光伏电站历史功率和气象数据,在不同季节和天气类型下利用逐步聚类分析方法(SCA)搭建光伏短期预测模型,实现分季节和天气类型的光伏功率预测。模型对比结果表明：逐步聚类分析方法具有较高的预测精度,在四季、单一天气类型和复合天气类型3方面预测精度分别提高了11.13%,9.51%和8.26%。     

基于XGBoost-LSTM组合模型的光伏发电功率预测

该文提出一种基于极端梯度提升（XGBoost）模型和长短期记忆网络（LSTM）模型的短期光伏发电功率预测组合模型。根据短期光伏发电特性,首先分别建立XGBoost模型和LSTM模型,然后利用XGBoost模型进行初步预测增加特征,并利用误差倒数法将两模型组合起来进行预测。选取2018年光伏电站人工智能运维大数据处理分析大赛的数据集进行实验评估,最终结果表明,该文所构建的XGBoost-LSTM组合模型的均方根误差（RMSE）为0.214,将上述方法与随机森林、GBDT模型和单一的XGBoost模型和LSTM模型相比较,该文提出的方法具有更高的预测精度。     

基于Attention-GRU风速修正和Stacking的短期风电功率预测

针对使用数值天气预报（NWP）数据进行风电功率预测时,NWP风速与实际风速存在偏差导致预测精度欠佳,提出一种基于注意力机制（Attenion）门控逻辑单元（GRU）数值天气预报风速修正和Stacking多算法融合的短期风电功率预测模型。首先,分析NWP预报风速和实际风速的皮尔逊相关系数,建立Attention-GRU风速修正模型,提高预报风速精度。其次,考虑风向、温度、湿度、气压、空气密度等气象因素,基于Stacking框架,提出融合XGBoost、LSTM、SVR、LASSO的多算法风电功率预测模型,同时采用网格搜索与交叉验证优化模型参数。最后,选取西北和东北两个典型风电场数据进行验证,算例结果表明,所提出模型能改善NWP风速精度并提升风电功率预测效果。     

基于Attention-GRU的短期光伏发电功率预测

针对传统长短时记忆神经网络（LSTM）参数量较多以及在处理长时间序列时容易忽略重要时序信息的不足,提出一种结合注意力机制（attention）与门控循环单元（GRU）的Attention-GRU短期光伏发电功率预测模型。首先,基于改进相似日理论建立新的数据集;然后,利用门控循环单元提取光伏发电功率的时序特征,引入注意力机制加强对时序输入中重要信息的关注;最终构建针对不同天气类型的预测模型。仿真结果表明,提出的模型与对比模型相比,预测精度更高。     

基于LEAP模型的广州交通领域能耗及空气污染物排放分析

基于长期能源替代规划系统(LEAP)模型,结合情景分析法,模拟广州交通领域未来的能耗及CO、HC、NOx、PM2.5、SO2等主要空气污染物排放趋势,分析广州交通领域的节能及空气污染物排放控制策略.结果表明:综合情景下,到2035年,广州交通领域将较基准情景节能23.06％,CO、HC、NOx、PM2.5、SO2分别减...