融合 CEEMDAN 和 ICS-LSTM 的短期风速预测建模

为提高风速预测精度,本文从挖掘风速数据可预测性和优化预测模型性能两方面出发,提出一种融合完全经验模态分解(CEEMDAN)和改进的布谷鸟算法优化长短期记忆深度神经网络(ICS-LSTM)的风速预测模型。首先采用CEEMDAN降低风速序列的不稳定性,提高其可预测性。其次对分解得到的各子序列建立LSTM预测模型,并采用ICS优化LSTM的关键参数,提高LSTM预测模型的回归性能。然后对各个子序列采用最优参数LSTM预测模型进行建模预测,最后叠加子序列预测结果得到风速预测结果。经实测数据验证,本文所提模型的平均绝对误差和平均相对误差仅为0.82和0.95,对比研究表明本文所提预测模型的优越性。     

基于改进Q学习算法和组合模型的超短期电力负荷预测

单一模型在进行超短期负荷预测时会因负荷波动而导致预测精度变差,针对此问题,提出一种基于深度学习算法的组合预测模型。首先,采用变分模态分解对原始负荷序列进行分解,得到一系列的子序列。其次,分别采用双向长短期记忆网络和优化后的深度极限学习机对每个子序列进行预测。然后,利用改进Q学习算法对双向长短期记忆网络的预测结果和深度极限学习机的预测结果进行加权组合,得到每个子序列的预测结果。最后,将各个子序列的预测结果进行求和,得到最终的负荷预测结果。以某地真实负荷数据进行预测实验,结果表明所提预测模型较其他模型在超短期负荷预测中表现更佳,预测精度达到98%以上。     

基于改进金豺算法的短期负荷预测

针对电力负荷序列波动性和预测精度不高的问题,提出一种基于变分模态分解、排列熵和改进金豺算法优化双向长短期记忆网络的预测模型。首先,利用变分模态分解重构原始负荷序列,再采用排列熵理论对分解后的子序列进行熵值重组;然后,利用改进金豺算法对双向长短期记忆网络的参数进行优化,并对每个子序列建立预测模型;最后,组合各模型结果得到最终预测值。实验结果表明,本文模型预测精度更高,与真实值拟合度更好。     

基于变分模式分解和深度门控循环网络的风速短期预测模型

考虑到风速时间序列非平稳特性和时序关联难以建模的问题,提出一种基于变分模态分解和深度门控循环网络的风速短期预测模型。该模型首先使用变分模态分解非递归地将原始风速序列分解为预先设定层数的子分量,以期降低原始序列的不平稳度,使用深度门控网络分别对各子分量建模预测,最后叠加各分量的预测结果,得到风速的预测结果。实例研究表明所提模型能够有效地跟踪风速的变化,具有较高的短期预测精度。     

基于CEEMDAN-BO-LSTNet的风电出力短期预测

为提高风电出力预测精度,提出一种自适应噪声完备集合经验模态分解(CEEMDAN)-贝叶斯优化(BO)-长短期时序网络(LSTNet)对风电机组输出功率进行短期预测。清洗数据,采用CEEMDAN对清洗后的原始功率数据进行分解,得到若干个子序列;将分解得到的子序列输入至LSTNet模型,通过对LSTNet的超参数使用BO算法优化,输出子序列的预测结果;将各序列的预测结果进行叠加重构得到最终预测结果。通过对渭南某风电场机组实测数据进行实例仿真,设置消融分析和对比分析,结果表明文中所提方法相较于其他模型,预测精度得到有效提升。     

基于ESMD-PE和ADBN的短期电力负荷预测

为了改善短期电力负荷预测性能,提出了一种基于极点对称经验模式分解（ESMD）-排列熵（PE）和自适应深度信念网络（ADBN）的组合预测新方法。为了提高预测精度以及降低原始负荷序列复杂度简化预测模型输入,首先运用ESMD方法将原始负荷序列分解成为一系列复杂度互异的模态函数,然后运用排列熵计算各模态函数的熵值并对复杂度相近的模态进行重构得到新的子序列;在综合考虑各影响因素的基础上,对新序列分别构造不同的DBN预测模型,最后叠加预测结果;由于DBN模型中无监督训练阶段学习率通常采用全局统一的常数型参数,将自适应学习率引入到对比差度（CD）算法中,通过自动调整学习率改善模型的收敛速度,同时预测精度也有提高。通过算例分析,文章提出的ESMD-PE-ADBN模型的MAPE值与RMSE值分别为1.03%和90.91MW,预测效果最佳。     

基于AMD-ICSA-SVM的超短期风电功率组合预测

针对风机出力的随机性、波动性和不确定性,提出了一种基于解析模态分解(AMD)和改进布谷鸟优化支持向量机(ICSA-SVM)参数的超短期风电功率组合预测方法。首先,利用解析模态分解将风功率序列分解为不同频率范围的分量,减小不同频率范围间的相互影响。然后针对各序列特点,采用改进布谷鸟方法分别寻找各自支持向量机的惩罚因子参数和核函数参数,以提高单个模型的预测精度。最后对预测结果进行叠加和误差分析。仿真算例表明,所提出的方法可以很好地跟踪风电功率的变化,有效地提高风电功率预测精度。     

基于CEEMDAN-SE和DBN的短期电力负荷预测

为提高短期负荷预测精度,提出一种基于自适应噪声的完全集合经验模态分解(CEEMDAN)-样本熵(SE)和深度信念网络(DBN)的短期负荷组合预测模型。首先利用CEEMDAN-样本熵将原始负荷序列分解为多个特征互异的子序列,计算各子序列的样本熵,将熵值相近的子序列重组得到新序列,降低了原始非平稳序列对预测精度造成的影响并减小计算规模;随后综合考虑各新序列的周期特性和影响因素对每个新序列分别构建不同的DBN预测模型,利用DBN预测模型克服了浅层神经网络特征提取不充分及初始参数难确定的问题;最后将预测结果叠加得到最终预测值。仿真结果表明,该组合预测模型有效提高了预测精度。     

基于WT-IPSO-BPNN的电力系统短期负荷预测

鉴于短期负荷预测精度对电力系统安全、经济和可靠运行的重要性,为提高预测精度,本文提出了基于小波分解(WT)、改进粒子群算法(IPSO)和BP神经网络的组合预测模型.首先运用小波分解对负荷数据预处理,将历史数据分解成cd1、cd2、cd3以及ca3;然后对分解后的小波序列分别进行神经网络建模和预测;最后小波重构负荷序列的最终预报.为提高BP神经网络所需样本的精确性和神经网络的收敛速度及稳定性,采用改进粒子群算法优化网络,形成了"分解-预测-重构"模型.经实例验证,与小波分解BP神经网络方法相比,本文所提方法具有训练学习能力更强、收敛速度更快、预测精度高和适应能力更强的优点.     

基于 VMDT-POA-DELM-GPR 的两阶段短期负荷预测

针对传统负荷预测方法精度不高的问题,为准确捕捉到负荷数据波动的规律,提出了一种两阶段负荷预测方法。第1阶段首先用变分模态分解(VMD)对原始负荷序列进行分解,得到分解处理后的残差分量,再采用时变滤波经验模态分解(TVF-EMD)方法进行特征提取;然后对全部子序列分别建立深度极限学习机(DELM)模型,同时利用鹈鹕优化算法(POA)进行参数寻优,叠加各子序列的预测值得到初始负荷预测值。第2阶段采用POA-DELM模型对误差分量进行预测;然后将第一阶段中所有子序列预测值和误差预测值作为特征输入到高斯过程回归(GPR)模型中,得到负荷最终的预测结果。结果表明,两阶段模型的均方根误差(RMSE)、平均绝对误差(MAE)分别为对比模型的4%～77%、4%～76%,而平均百分比误差(MAPE)仅为0.067 8%,可有效提高电力负荷的预测精度。     

基于自适应Kmeans和LSTM的短期光伏发电预测

光伏发电功率预测是可持续电力系统设计,能源转换管理和智能电网建设领域的重要主题。精准的光伏发电功率预测是电网日常调度管理与安全稳定运行的关键。本文提出了一种基于自适应Kmeans和长短期记忆(LSTM)的短期光伏发电功率预测模型。根据短期光伏发电特性,选取了预测模型的初始训练集。采用自适应Kmeans对初始训练集以及预测日的光伏发电功率进行聚类。在各类别的初始训练集数据上分别训练LSTM,结合训练完成的LSTM进行发电功率的预测。最后,考虑三种典型天气类型,采用所提方法进行仿真分析。结果表明,与其他三种方法相比,本文提出的方法的精度有了明显提升,误差更小。     

基于改进CNN-LSTM的电力系统宽频振荡辨识

宽频振荡的强非线性和强时变性会导致参数准确辨识困难,提出了改进CNN-LSTM神经网络的参数辨识方法。首先,采用卷积神经网络（CNN）提取输入的宽频振荡信号的振荡特征,并通过Softmax分类器输出振荡模态数量。然后,根据模态数量对长短期记忆网络（LSTM）辨识的模态个数进行定阶;同时,通过对CNN输出矩阵进行1×1卷积运算替代LSTM中的矩阵乘法,实现LSTM模型对高维输入的可行性。最后,以卷积运算结果作为LSTM的输入,辨识振荡频率和衰减因子。实测数据分析结果证明改进的CNN-LSTM对宽频振荡的频率和衰减因子都具有较高的辨识精度,在处理宽频振荡频率漂移现象和衰减因子突变等问题上有突出的优势。     

基于ICOA-LSTM的短期负荷预测研究

精准的负荷预测有利于电力系统的稳定运行,提高经济性和可靠性。为了提高短期电力负荷的预测精度,提出了一种基于改进型黑猩猩算法优化长短时记忆网络的短期负荷预测模型。由于黑猩猩优化算法存在易陷入局部最优、寻优精度低等缺陷,采用Circle映射策略初始化种群,产生分布均匀的黑猩猩种群,提高黑猩猩种群的多样性,为全局寻优奠定基础;其次,引入螺旋位置更新策略,使黑猩猩种群有多种搜索路径,扩大搜索空间,提高种群的全局搜索能力;然后,引入Levy飞行策略和自适应t变异策略,在最优解位置进行扰动变异,增强抗局部极值能力,提高算法的收敛精度。针对LSTM网络的隐含层神经元数,学习率等参数较难选取的问题,利用ICOA对LSTM网络自动寻找最优参数,建立ICOA-LSTM负荷预测模型。结合某地区的实际数据进行预测分析,结果表明,与BP、LSTM、PSO-LSTM、COA-LSTM预测方法相比,ICOA-LSTM模型具有更高的短期电力负荷预测精度,其预测平均绝对误差为17.01kW,均方根误差为21.80kW,平均绝对百分比误差为0.37%。     

融合时变因素的浆砌石坝变形时空混合模型北大核心CSCD

混合模型常被用于大坝变形的整体预测,目前开展的研究主要针对混凝土坝,对于同样数量多且分布广的浆砌石这类非线性材料坝的研究还较少。本文考虑非线性材料坝变形具有的时变特性,通过引入时间量参数及观测点相对坐标,建立对应的水压分量多点统计模型。考虑到引入多参数的水压分量模型系数寻优困难问题,采用改良的粒子群算法(IPSO)加强粒子随机性及交互性,提高模型系数的寻优速度。采用有限元方法(FEM)与卡尔曼滤波(KF)对其进行预测,建立FEMK模型。同时,采用深度学习算法LSTM训练经PCA降维后的温度和时效因子并预测相应变形值。联合构建的FEMK-LSTM-PCA时空混合模型经工程实例验证有较高预测精度,并且可以实现对大坝变形的整体预测。     

基于ACDE-SVM的引水隧洞施工仿真参数动态更新

施工仿真参数的更新对于施工仿真结果的准确性具有重要影响。然而目前的引水隧洞施工进度仿真参数更新多采用贝叶斯更新方法,存在需要假定参数分布形式,且无法得到预测参数的序列来描述参数动态变化过程的不足。针对上述问题,文章提出了基于自适应混沌差分进化支持向量机（adaptive chaos differential evolution- support vector machine,ACDE-SVM）的引水隧洞施工仿真参数动态更新方法。首先,采用自适应缩放因子和混沌理论对差分进化算法进行改进,提出自适应混沌差分进化算法（ACDE）,ACDE算法既使搜索时间大大缩减,又弥补了差分进化算法后期局部搜索弱而使群体陷入早熟的缺陷;其次,基于现场施工参数时间序列,采用ACDE算法对支持向量机（SVM）进行参数寻优,进而构建基于ACDE-SVM的施工仿真参数预测模型,克服了传统SVM参数选择效率低、泛化能力弱的不足;最后,采用误差指标对模型性能进行评价,并与常规仿真方法及贝叶斯更新方法的仿真结果进行对比,验证基于ACDE-SVM的仿真参数动态更新方法的一致性和优越性。工程实例表明,该方法能够较好地拟合仿真参数随时间变化趋势,并能够提高引水隧洞钻爆法施工进度动态仿真的准确性。     

基于ICEEMDAN-SE-MSGJO-LSTM-EC的短期风电功率预测

为了提高风电功率短期预测精度,本文提出了一种基于ICEEMDAN-SE-MSGJO-LSTM-EC模型的短期风电功率预测模型。首先,通过ICEEMDAN对原始风功率信号进行分解并通过样本熵计算熵值相近的分量相加重构。其次,建立MSGJO-LSTM预测模型,通过改进金豺优化算法(MSGJO)优化LSTM网络参数,对各模态分量进行预测。最后,通过对各模态分量预测结果进行误差修正(EC)并将所有模态预测结果相加得到最终预测结果。以新疆某风电场为例,采用本文所提预测模型进行仿真分析,试验结果表明本文基于ICEEMDAN-SE-MSGJO-LSTM-EC的预测模型预测精度更高。     

由OVATION画面自动建立电气仿真模型的研究

针对手动建模工作量大,容易出现人为错误,造成工作效率低下,建立的模型正确性差、可靠性低的问题,提出了一种新的电厂电气仿真模型的建立方法:利用现场的OVATION监控画面文件来自动生成电厂电气仿真模型.这种方法给电厂电气仿真建模带来了巨大的方便.     

基于广域测量系统的电力系统综合区域负荷模型

负荷作为电力系统的一个重要组成部分,其模型的精确程度将在很大程度上影响分析的结果.采用电力系统同步数据对电力系统负荷区域进行建模、网络化简和负荷模型辨识,提出了基于电力系统广域测量系统的综合区域负荷模型的概念,分析了该模型的参数可辨识性.确定了综合区域负荷的网络模型,为区域负荷的建模提供了依据.以一个简单电力系统为例进行仿真计算,结果证明了该负荷建模方法的有效性.     

新型分步式永磁同步电机参数辨识

永磁同步电机（PMSM）参数受所处环境等非线性因素的影响而变化,因此需要根据电机参数的不同调节控制系统,以达到更优的控制性能。针对不同电机的参数不同且无法实现快速手动测量的问题,提出一种无位置传感器PMSM的新型分步式参数辨识系统。系统分阶段采用伏安法计算电阻并采用高频电压注入法计算电机的电感和磁链,实现了无位置传感器的控制条件下,内置式PMSM的参数自动辨识。最后通过MATLAB/Simulink搭建仿真模型,验证了新型分步式参数辨识系统的可靠性并通过试验验证了系统的准确性。