基于改进DBO优化BiLSTM的IGBT老化预测模型

为了表征逆变器故障中IGBT模块的老化趋势,提高老化过程的预测精度,本文提出一种基于改进蜣螂搜索算法(IDBO)优化双向长短期神经网络(BiLSTM)超参数的IGBT老化预测模型。首先提取老化过程中V_ce.on的时频域特征,利用核主成分分析进行降维构建归一化综合指标。其次,针对蜣螂搜索算法(DBO)的不足,通过引入改进Circle混沌映射、Levy飞行和自适应权重因子提升了DBO寻优能力和收敛性能,利用IDBO对BiLSTM预测模型超参数实现全局寻优。最后,通过实际IGBT退化数据验证了基于IDBO优化BiLSTM老化预测模型的有效性和优越性。结果表明,所构建的IDBO-BiLSTM模型与BiLSTM模型相比RMSE平均下降36.42%、MAE平均下降31.77%、MAPE平均下降41.03%。     

基于双向长短期记忆网络的区域电网新能源消纳预测算法

目前,区域电网新能源消纳问题日益严重,采用优化算法进行区域电网新能源消纳评估的技术难度大、求解效率低、消耗时间长。为此,本文提出基于双向长短期记忆网络（BiLSTM）的区域电网新能源消纳预测算法。首先分析影响区域电网新能源消纳的因素,并进行新能源消纳预测数据准备;然后提出基于BiLSTM的区域电网新能源消纳预测算法,利用电网历史运行数据训练模型,实现区域电网新能源消纳的快速准确在线预测;最后利用实际电网数据验证了所提算法的有效性,为电网运行人员提供参考。     

TBM掘进速率区间预测Bootstrap-IHHO-BiLSTM模型

针对现有隧道掘进机（TBM）掘进速率预测模型多采用点预测模型，缺乏考虑因模型结构主观选择、模型参数随机设置和数据随机噪声等导致的不确定性问题，本文提出基于Bootstrap方法和改进哈里斯鹰优化双向长短时记忆网络（BiLSTM）的TBM掘进速率区间预测模型。首先，建立基于改进哈里斯鹰（IHHO）优化BiLSTM网络的TBM掘进速率点预测模型，揭示稳定段掘进速率与上升段刀盘推力、扭矩、转速等掘进参数之间的相关性和时间依赖性；其中，采用基于混沌映射、参数非线性化和混沌搜索策略改进的哈里斯鹰算法对BiLSTM网络超参数进行优化，提高建模效率和精度。进一步地，采用Bootstrap方法对模型不确定性和数据中的随机不确定性进行量化，获得清晰可靠的预测区间。将所提模型应用于引汉济渭秦岭隧洞工程中，开展I～III类围岩条件下的TBM掘进速率区间预测，并将结果与BiLSTM-HHO模型、BiLSTM模型、BP神经网络模型对比，证明了本文模型的优越性。     

基于 WOA-BiLSTM神经网络的风力发电预测∗

针对风力发电具有高随机性与波动性,利用风电场的历史大数据,选取基于鲸鱼优化算法的双向长短期记 忆网络 (WOA-BiLSTM)建立短期风力发电预测模型,预测超短期风电功率.双向长短期记忆神经网络 (BiLSTM) 可利用过去以及未来的风速预测数据,对风力发电进行功率预测,提高风力发电的预测精度.在此基础上,利用鲸鱼 优化算法 (WOA)较高的全局最优解寻求能力来寻找最优神经网络参数,减少根据经验设参导致的 BiLSTM 随机性, 提高预测精度,降低人员试调所花费的时间.试验结果表明,相比于 LSTM、BiLSTM,WOA=BiLSTM 对风力发电预测有着更好的效果.     

基于分时长短期记忆神经网络的光伏发电超短期功率预测

准确预测光伏发电功率对电力系统运行调度至关重要。提出一种基于Spearman相关系数和分时长短期记忆网络的光伏发电功率预测方法。首先利用Spearman相关系数分析每个时刻下影响光伏发电功率的因素,选取相关度高的影响因素作为长短期记忆网络模型的输入变量;然后,对每个时刻建立一个基于长短期记忆网络的预测模型,实现分时光伏发电功率的预测。最后,利用实际光伏发电站的历史发电功率和数值天气预报数据进行案例分析。结果表明,所提方法比单一长短期记忆网络预测模型具有更高的预测精度。     

基于形态波动一致性偏移距离的滚动轴承 剩余寿命预测方法

针对滚动轴承完全失效阈值的设置多根据人工经验选取、退化轨迹适配忽略时间序列整体形态趋势变化的问题,提出一种基于形态波动一致性偏移距离的滚动轴承失效阈值设置与剩余寿命预测方法。首先,引入前向差分（FD）对振动信号进行预处理,并对处理后的信号计算均方根（RMS）值作为退化指标（DI）;其次,融合双指数模型对DI曲线进行拟合确定最终参考轴承的完全失效阈值（TFT）,降低TFT的设置偏差;最后,利用形态波动一致性偏移距离（MFCDD)计算DI曲线相似度,完成对测试轴承失效阈值的设置,并利用粒子滤波更新双指数模型完成滚动轴承的剩余使用寿命（RUL）预测。在XJTY-SY数据集上的实验结果表明,滚动轴承RUL预测的score得分较动态时间规整匹配方法、卷积神经网络-双向长短期记忆网络预测方法分别提升了82.97%和73.64%;在PHM2012数据集上的实验结果表明,滚动轴承RUL预测的score得分较动态时间规整匹配方法、卷积神经网络 双向长短期记忆网络预测方法、长短期记忆-自注意力机制预测方法分别提升了99.99%、60.65%和99.90%。     

基于GARCH模型的IGBT寿命预测

绝缘栅双极晶体管(insulated gate bipolar transistor,IGBT)在新能源并网、电力传输等领域中得到了广泛应用,其可靠性引起了人们关注和重视。针对IGBT模块的可靠性分析和剩余使用寿命问题,文中提出一种利用加速老化数据对IGBT模块老化模型建立方法,并利用建立的老化模型对IGBT模块的剩余使用寿命进行预测。首先介绍IGBT的失效机理,结合现有的加速老化数据,确定的以集电极-发射极通态压降作为剩余使用寿命预测依据。建立基于GARCH模型的IGBT老化寿命模型,通过3组IGBT模块加速老化数据对剩余寿命预测,验证所提方法的有效性。     

用ICSS-WT-BiLSTM组合模型实现碳价预测

当控排企业的配额交易以履约为驱动力时,碳市场会出现集中交易现象,并导致碳价格非线性、非平稳。针对这一问题,结合交易频率信息的相关特性,首先,采用迭代累积平方和算法分析碳市场的成交量,进而依碳配额交易频率对交易期进行划分;然后,借助小波变换（Wavelettransform,WT）提取碳价的市场发展趋势;最后,使用双向长短期记忆神经网络（Bi-directional long short-term memory,BiLSTM）对交易趋势进行预测。实验验证结果表明,若进行预测时能够考虑交易频率信息的影响,则能够提高模型预测精度;利用WT提取到的交易趋势信息进行预测,可使预测的效果优于直接对原序列进行预测;与长短期记忆模型相比,BiLSTM模型有更好的预测表现。     

基于LSTM网络的时间多尺度电采暖负荷预测

电采暖负荷的准确预测对配电网安全稳定运行具有重要作用.为提高电采暖负荷预测精度,提出基于长短期记忆网络的时间多尺度电采暖负荷预测方法.该方法首先确定负荷预测网络模型参数,通过分析不同时间尺度下的电采暖负荷数据特征,在不同训练步长下,建立基于长短期记忆网络的电采暖负荷预测模型,实现电采暖负荷的准确预测.采用北京某地的电采...     

基于误差修正的NNA-ILSTM短期风电功率预测

为更准确预测短期风电功率,提出了一种基于误差修正的NNA-ILSTM短期风电功率预测方法。首先,采用斯皮尔曼（Spearman）等级相关系数法对风电功率影响因素分析,选出相关性较高的参量;其次,对长短期记忆网络添加注意机制与修改损失函数以解决其对有效信息筛选不足的问题,利用神经网络算法（NNA）优化改进的长短期记忆网络（ILSTM）中的神经元数量和时间步长,提高其预测精度以及泛化能力,构建NNA-ILSTM预测模型;最后,分析预测误差与风电功率、风速之间相关性,构建误差修正模型,对NNA-ILSTM模型预测结果进行修正,得到风电功率预测的最终结果。实验结果表明,所提出的模型可以显著提高风电功率预测精度。     

基于改进支持向量回归的IGBT老化预测

为了准确预测绝缘栅双极型晶体管（IGBT）的老化状态,提出了一种基于改进鲸鱼优化算法（IWOA）优化支持向量回归（SVR）的IGBT老化预测方法。该方法提取IGBT集电极-发射极电压信号的时频域特征,通过核主成分分析（KPCA）降维将时频域特征融合成一个综合指标来表征IGBT的老化状态;针对鲸鱼优化算法（WOA）不足,在WOA的基础上引入Sobol序列种群初始化、惯性权重和反向学习策略,增强WOA的局部搜索能力和收敛速度;利用IWOA优化SVR的惩罚因子和核参数,并构建一种基于综合指标的IGBT预测模型。利用NASA Ames实验室的IGBT老化数据集对IWOA-SVR方法进行验证,结果表明,所构建IWOA-SVR预测模型可以更准确实现对IGBT的老化预测。     

基于改进支持向量回归的IGBT老化预测

为了准确预测绝缘栅双极型晶体管（IGBT）的老化状态,提出了一种基于改进鲸鱼优化算法（IWOA）优化支持向量回归（SVR）的IGBT老化预测方法。该方法提取IGBT集电极-发射极电压信号的时频域特征,通过核主成分分析（KPCA）降维将时频域特征融合成一个综合指标来表征IGBT的老化状态;针对鲸鱼优化算法（WOA）不足,在WOA的基础上引入Sobol序列种群初始化、惯性权重和反向学习策略,增强WOA的局部搜索能力和收敛速度;利用IWOA优化SVR的惩罚因子和核参数,并构建一种基于综合指标的IGBT预测模型。利用NASA Ames实验室的IGBT老化数据集对IWOA-SVR方法进行验证,结果表明,所构建IWOA-SVR预测模型可以更准确实现对IGBT的老化预测。     

基于卷积-双向长短期记忆网络的电池SOC预测

锂电池的预测性维护是电池应用的重点,实现它的关键是有效地预测锂电池的荷电状态(SOC)。随着信息技术和深度学习网络算法的发展,深度学习法在SOC预测方面显示出很好的潜力。提出了一种基于卷积-双向长短期记忆网络(CNN-BiLSTM)的SOC预测方法,利用卷积神经网络(CNN)模型提取局部特征,双向长短期记忆网络(BiLSTM)充分利用双向SOC的时间信息。在公共数据集上的对比实验表明,该模型提高了SOC预测的准确性。     

基于鲸鱼优化-长短期记忆网络模型的机-热老化绝缘纸剩余寿命预测方法

换流变压器作为特/超高压直流输电系统中的关键设备,对变压器用绝缘纸剩余寿命进行有效预测,可为换流变压器的运行维护提供一定的理论依据,鉴于此,提出一种基于鲸鱼优化算法（WOA）和长短期记忆网络（LSTM）的预测方法。首先,结合绝缘纸加速机-热老化实验及试样的机械、电气性能指标和对应裂解产物的糠醛含量,由主成分分析法（PCA）对聚合度、糠醛含量和特征频率下介质损耗因数等表征绝缘纸老化的多特征量进行融合;获得综合评估指标与绝缘纸抗张强度间的量化关系,并依此将绝缘性能优良和严重劣化时对应的抗张强度分别作为正、负理想值;进一步构建贴近度构造退化指标序列并将其作为模型输入。然后,利用鲸鱼优化算法对长短期记忆网络的关键参数进行寻优。最后,构建WOA-LSTM模型对绝缘纸剩余寿命进行预测。研究表明,所提出的WOA-LSTM模型既纳入了可表征绝缘纸老化状态的多个特征量,亦可显著提高剩余寿命的预测精度,为换流变压器绝缘系统安全稳定运行提供有力保障。     

基于互补集合经验模态分解和长短期记忆神经网络的短期电力负荷预测

随着电力行业的不断发展,负荷预测的重要性也不断彰显,作为负荷预测的重要组成部分,短期负荷预测对于电力系统的调度运行、市场交易都有着重要的意义,精确的负荷预测有助于提高发电设备的利用率和经济调度的有效性。由于影响负荷数据的随机因素太多且具有较强非线性的特点,提出一种基于互补集合经验模态分解和长短期记忆神经网络的短期电力负荷预测方法。通过对某市负荷数据进行仿真,将仿真结果与其他传统预测方法结果相对比,最终证明长短期记忆神经网络模型的误差更低,具有较高的预测精度。同时将互补集合经验模态分解下的长短期记忆神经网络方法与其他分解方法下的长短期记忆神经网络模型预测结果进行对比,验证互补集合经验模态分解方法对提升预测精度的有效性。     

基于PSO-BP神经网络模型的IGBT老化预测

IGBT(绝缘栅双极型晶体管)在使用过程中会产生热量,在其内部产生疲劳累积,最终老化失效。而在IGBT老化过程中,其输出电气参数会发生变化,可据此判断IGBT的老化状态。为此,基于NASA PCoE研究中心提供的IGBT加速老化数据,选取IGBT关断过程中集射极电压尖峰值为失效特征参数;采用卡尔曼滤波对该参数进行预处理后,应用BP神经网络建立IGBT老化预测模型;分别使用遗传算法和粒子群优化算法对BP神经网络初始权值及阈值进行寻优,解决其易陷入局部最优的缺陷;应用均方误差、平均绝对误差、相关系数作为评价指标,对网络性能进行评估。结果表明,经优化后的网络效果均优于BP神经网络,而其中以PSO-BP算法所构建的IGBT老化预测模型为最优模型,可以更准确地实现IGBT的老化预测。     

基于Dropout-ILSTM网络的短期电力负荷预测

针对传统BP神经网络难以处理电力负荷数据间关联的问题,提出了一种基于Dropout的改进的长短期记忆神经网络结构用于短期电力负荷预测。这种改进的长短期记忆神经网络(Improved LSTM,ILSTM),通过将长短期记忆网络的多个时间步输入与输出矢量进行全连接,增强了对目标系统中线性成分的表征;使用Dropout对ILSTM网络进行优化,提高了网络的泛化能力,同时减少了模型的训练时间;以日期、温度、电价和电力负荷数据作为输入构建了Dropout-ILSTM电力负荷预测模型。以AEMO提供的新南威尔士州电力负荷数据作为测试用例,实验结果表明,相较其它神经网络模型,文中所提出的Dropout-ILSTM模型预测精度更高、泛化能力更强,适用于不同预测宽度的电力负荷预测。     

基于双向长短期记忆深度学习模型的短期风功率预测方法研究

风功率的准确预测对电力系统的规划、调度运行等方面均具有重要意义。该文以风功率预测误差最小为目标,提出了一种基于双向长短期记忆深度学习模型的短期风功率预测方法,包括3层（输入层、隐含层和输出层）网络结构的详细设计以及网络训练过程。输入层负责对原始数据进行预处理以满足网络输入要求,隐含层采用双向长短期记忆单元构建以提取输入数据的非线性特征,输出层提供预测结果,网络训练采用Adam优化方法。在此基础上,基于实际风电场采集数据为算例,对该文所提出模型进行训练与测试,验证了该文所提方法的可行性与优越性。     

基于CEEMDAN-IDOA-BiLSTM的超短期风电功率预测

准确可靠的风电功率预测对电力系统调度、风电场的效益和电网的安全稳定运行具有重要意义。为了提高超短期风电功率预测的准确性,提出了一种基于自适应噪声完备经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）和改进野狗优化算法（improved dog optimization algorithm,IDOA）优化双向长短时记忆网络（bi-directional long short-term memory,BiLSTM）的组合模型预测超短期风电功率方法。该方法先采用CEEMDAN分解方法将原始的数据分解来降低原始数据的复杂性和不稳定性,将分解后的所有序列进行偏自相关方法分析,选出重要性较大序列作为IDOA-BiLSTM模型的输入,最后通过IDOA-BiLSTM模型进行超短期风电功率预测。采用甘肃某风电场实测数据为数据集,进行训练模型和预测分析,结果表明所提出的超短期风电功率预测模型具有较高的预测精度,具备实际应用的可行性。     

基于CNN-GRU的光伏电站电压轨迹预测

光伏电站出力随机性易引发并网点电压大幅度波动,通过趋势预测提前调控是提高电压稳定性的有效途径。为了提升电压趋势预测精度,提出一种基于卷积神经网络（convolutional neural networks,CNN）和门控循环单元（gated recurrent unit,GRU）的电压轨迹预测方法。首先,通过采集单元提取电压数据构建时间序列;然后,计算电压时间序列的自相关系数及其与外部变量间的最大信息系数（maximal information coefficient,MIC）,分析电压时间序列与外部变量在时序上的关联性;再通过CNN网络提取输入数据的高层特征;最后输入至GRU网络完成电压轨迹预测。通过某地光伏电站实测数据进行验证,结果表明：本文模型与GRU、长短期记忆网络（long short-term memory,LSTM）、CNN-LSTM、支持向量回归（support vector regression,SVR）等模型相比预测准确度更高。