DFA_VMD_LSTM组合日径流预测模型研究

为有效提取径流序列的局部特征信息、提高神经网络径流预测模型的非线性拟合能力和预测性能,引入变分模态分解(VMD)、去趋势波动分析(DFA)方法,提出了一种基于长短时记忆(LSTM)神经网络的组合日径流预测模型(DFA_VMD_LSTM),并采用均方误差(RRMSE)、平均绝对误差(MMAE)、平均绝对百分误差(MMAP...     

一种基于物理核函数高斯过程回归的月径流预报模型及其应用

鉴于传统的单一径流预报模型很难描述径流未来变化规律,将自适应变分模态分解(AVMD)与基于组合物理核函数的高斯过程回归(GPR-CK)相结合,构建了AVMD-GPR-CK预报模型,该模型采用AVMD将实测径流分解为多个子序列,对子序列依据其自身特点分别建模,子序列预报结果叠加重构即为最终预报结果。模型应用于金沙江流域向家坝站未来1～12个月的径流预报的结果表明,所有预见期AVMD-GPR-CK模型的确定性系数均大于0.94,平均绝对百分比误差(M_MAPE)在±17%以内,预见期在10个月以内时,M_MAPE在±10%以内;预报精度明显优于常见的BP、GRNN、RBF、RELM模型。     

基于MPGA-LSTM月径流预测模型及应用

鉴于径流预测在水利基础设施运行、防洪、航运规划等水资源规划管理中具有极其重要的意义,将长短时记忆神经网络(LSTM)和多种群遗传算法(MPGA)相耦合,构建了基于MPGA-LSTM的混合径流预测模型,并采用该模型对晋江上游控制性水文站石砻站2013～2017年逐月径流过程进行延时回归预测。同时,为了验证MPGA-LSTM模型在月径流预测方面的优越性,针对影响预测精度三个因素基础模型、控制参数和优化方法,分别设置三组对比模型。计算结果表明,MPGA-LSTM模型表现最优,合格率为85%,确定性系数R~2为0.953,达到预报甲等标准。因此,所提出的MPGA-LSTM模型为月径流预测提供了一种有效的方法。     

基于相空间重构的BP神经网络月径流预测模型及应用

针对径流时间序列的非线性特点,利用重构相空间的嵌入维数确定神经网络结构,建立了基于相空间重构理论的BP神经网络月径流预测模型,并采用该模型预测了瀑布沟水库的径流时间序列。结果表明,该BP神经网络预测模型收敛速度快、预测精度较高。     

基于VMD-GRU与非参数核密度估计的月径流区间预测方法及应用

提高径流预测的适用性对水资源的合理开发和高效利用具有重要意义。针对传统点预测方法无法有效描述预测结果的不确定性问题,提出了基于VMD-GRU和非参数核密度估计的月径流区间预测方法。首先采用变分模态分解(VMD)将月径流序列分解为一系列相对平稳的子序列,然后利用门控循环单元(GRU)分别预测各子序列,叠加得到最终的点预测结果,最后在点预测的基础上,应用非参数核密度估计进行月径流区间预测,并将提出的VMD-GRU模型与GRU、极点对称模态分解-门控循环单元(ESMD-GRU)和完全集合经验模态分解-门控循环单元(CEEMDAN-GRU)模型进行对比。结果表明,该模型点预测精度明显高于其他模型,同时非参数核密度估计为径流区间预测提供了合理的波动范围,可为管理决策提供参考。     

双模式分解CNN-LSTM集成的短期风速预测模型

为提高短期风速的预测精度,提出一种基于双模式分解、双通道卷积神经网络（CNN）和长短期记忆神经网络（LSTM）的组合预测模型以提高预测精度。首先,对经过PAM方法聚类后的风速时间序列利用奇异谱分解（SSD）和变分模态分解（VMD）2种信号分解方法进行分解,获得2类多尺度分量。不同模式的多尺度分量可降低原始风速的复杂度和非平稳性,实现不同模式模态分量规律的互补;其次,将2种分解方法得到的风速子序列合并为一个矩阵,输入到双通道CNN进行波形特征深度提取;最后,采用LSTM建立历史风速时序的时间依赖关系,在时空相关性分析的基础上得到最终风速预测结果。实验结果表明,基于双模式分解-双通道CNN-LSTM的组合预测模型可有效提高风速短期预测的精度。     

基于EMD-PCA-LSTM的光伏功率预测模型

提高光伏发电功率预测精度,对于保证电力系统的安全调度和稳定运行具有重要意义.本文提出一种经验模态分解(EMD)、主成分分析(PCA)和长短期记忆神经网络(LSTM)相结合的光伏功率预测模型.充分考虑制约光伏输出功率的5种环境因素,首先利用EMD将环境因素序列进行分解,得到数据信号在不同时间尺度上的变化情况,降低环境因素...     

蝗虫优化相关向量机模型在径流预测中的应用

针对径流序列不稳定导致预测精度不高的问题,提出一种基于变分模态分解(VMD)和蝗虫优化算法(GOA)优化相关向量机(RVM)的组合径流预测模型。首先对原始非平稳的径流序列采用VMD得到若干个相对稳定的分量序列,再分别建立RVM预测模型,并采用GOA优化RVM中核函数的参数,最后累加所有分量的预测值得到径流序列的预测值。实例结果发现,较传统的BP神经网络、支持向量机及基于经验模态分解的支持向量机等模型,该模型预测精度更高,预测结果能为水电站的经济运行、水资源的有效利用等提供决策依据。     

基于IAOA-VMD-LSTM的超短期风电功率预测

为了对风电功率进行精确预测,提出一种基于改进算术优化算法（IAOA）、变分模态分解（VMD）和长短期记忆网络（LSTM）的超短期风电功率预测模型（IAOA-VMD-LSTM）。利用IAOA对VMD的关键分解参数k和α进行优化,得到的各固有模态函数（IMF）具有周期性,能够提升LSTM的预测精度,同时利用IAOA对LSTM网络参数进行优化。通过对风电功率数据进行预测分析,结果表明IAOA-VMD-LSTM预测模型相比于其他模型的预测精度更高。     

基于VMD-LSTM的超短期风向多步预测

目的  为准确预测未来4 h风向,提出一种基于VMD-LSTM（Variational Mode Decomposition-Long Short-Term Memory）的超短期风向多步预测方法。 方法  采集明阳智能某风电场3个风电机组的风向序列,对其进行预处理及时序分析;基于自相关函数（Autocorrelation Function, ACF）计算风向不同时期的相关性,以选取风向序列的特征长度;采用变分模态分解（Variational Mode Decomposition, VMD）将风向序列分解为相对稳定的模态信号,通过最小样本熵确定分解的子模态数,并对分解后的模态信号分别建立预测模型,进行超短期风向24步预测;重构风向序列,叠加各分量预测结果。 结果  结果表明,VMD-LSTM在4个季度的24步风向预测的绝对平均误差（Mean Absolute Error, MAE）、均方根误差（Root Mean Square Error, RMSE）、平 均 绝 对 百 分 比 误 差 （Mean Absolute Percentage Error, MAPE）分别为8.430°、16.870°、9.155,且在每个季度不同时间尺度的各个误差评价指标均优于其他常见的数据建模方法。 结论  所提算法可满足风电场的实际生产中优化控制偏航角的要求。     

基于经验模态分解的年径流自忆性预测模型

针对径流量时间序列非线性、非平稳性的特点,利用经验模态分解法将其分解为多个不同频率下的时间序列组合揭示演变规律,采用双向差分法对分解后的各序列逐个反导其微分方程,并结合自忆性原理构建预测模型,由叠加分解后的各序列预测值获得径流量的预测值.实例结果表明,该方法充分挖掘了数据自身信息,拟合效果较好,预测年径流量准确,具有推广应用价值.     

基于多任务学习的风速实时预测方法

准确的秒级风速实时预测能够提高风电机组的运行状况和控制品质,为电网做出最优调度决策提供辅助信息.目前风速实时预测时间分辨率通常为分钟级,且在小数据集的情况下模型泛化能力弱.文章以时间分辨率为5s的风速序列为研究对象,提出了基于多任务学习的风速实时预测方法.该方法结合了变分模态分解方法和长短期记忆神经网络.首先,通过变分...     

基于EEMD-LSTM模型的集中供热系统热负荷预测方法研究

对热网进行负荷预测是保障供热系统按需供热和精准调控的前提和依据.针对供热系统中由于高延迟、大惯性特点造成的调控不灵和能源浪费问题,构建了基于EEMD-LSMD方法的区域热网负荷预测模型,先通过EEMD(集合经验模态分解)对某热网换热站历史运行数据进行分解,并对分解的分量进行选择和辨别,再结合LSTM(长短期记忆神经网络...     

基于经验模态分解的年径流组合预测模型

针对年径流量时间序列非线性、非平稳的问题,采用经验模态分解法(EMD)实现对年径流的多时间尺度、多层次分解,获得简单且平稳性较好的分量,分别选择合适模型对各分量不同变化规律进行合理预测分析,再将各分量预测值结合,重构原始序列年径流预测值,进而建立基于EMD的年径流组合预测模型,并应用于桂江流域年径流预测中.结果表明,该模型预测结果稳定可靠、精度较高,具有推广应用价值.     

基于Copula函数的云龙水库月径流预测研究

为保障向昆明市供水的掌鸠河引水供水工程水源地（云龙水库（含双化水库））水源充足,对云龙水库上游掌鸠河天然径流量进行精确预报就显得十分必要。为此,采用Copula函数构建相邻月径流之间的联合分布函数,给出了基于Copula函数的月径流预测方法及步骤,并将其应用于云龙水库上游掌鸠河天然径流量预测中。结果表明,2011～2013年各月的天然流量均处于预测流量的上、下限之间;2011～2013年各月径流量预测值的相对误差多为5%～15%。显然基于Copula函数的月径流预测精度较高,可为云龙水库（含双化水库）水资源调度及水资源优化配置、防洪抗旱提供参考依据。     

基于参数优化变分模态分解的混合储能功率分配策略

以全钒液流电池和超级电容器组成的混合储能系统(hybrid energy storage system,HESS)可有效平抑风电功率波动.为了提高储能系统的灵活性和安全性,提出一种基于参数优化变分模态分解(variational mode decomposition,VMD)的混合储能功率分配方法.首先利用指数平滑法依...     

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EMD分解的AR模型在年径流预测中的应用

为提高年径流中长期预测的精度,提出了一种新的时间序列预测方法——基于EMD分解的AR模型,以汾河上游上静游、汾河水库、寨上和兰村四座水文站1956~2000年的年径流序列为例,首先利用经验模态分解(EMD)方法将四座水文站的年径流序列分解为若干个固有模态函数(IMF)分量和一个残余项分量,然后运用自回归(AR)模型分别对各阶IMF进行预测,最后将各阶预测值重构得到年径流量预测值与单独运用AR模型的预测结果进行比较。结果表明,运用基于EMD分解的AR模型对汾河上游年径流进行预测,其预测精度比单独运用AR模型的预测精度有明显提高,表明该方法可行、有效。     

基于多源数据融合的分布式光伏聚合超短期预测方法

分布式光伏聚合发电的超短期预测是支撑其功率快速调节的前提保障,由于规模化接入的分布式光伏容量小、分布广,其发电时序特性差异性大、非平稳性强,导致其超短期预测精度难以保证。为此,文章提出基于多源数据融合的分布式光伏聚合超短期预测方法。该方法基于变分模态分解法,充分挖掘分布式光伏聚合发电非平稳性特性,并采用核主成分分析法对引发光伏发电非平稳性的影响因素即温度、湿度、光照、云量等多源数据进行量化解析,同时结合改进的长短期记忆神经网络,创建了多源数据融合方法,实现了分布式光伏聚合发电超短期预测。仿真结果表明,该方法有效提升了模型的预测精度。与传统方法相比,提出的预测方法对随机性波动严重的光伏超短期预测具有显著优势。