融合 EMD 和 LSTM 的受热面积灰预测研究

针对锅炉受热面积灰将会降低传热效率和安全性,采用清洁因子作为健康指标来监测锅炉受热面健康状况,并且提出 融合经验模态分解(EMD)和长短期记忆网络(LSTM)的模型来预测未来锅炉积灰。 经验模态分解可以将时间序列分解为一系 列频域稳定的本征模态函数,长短期记忆网络拥有记忆功能,它能够通过学习来挖掘时间序列之间隐藏的长期依赖关系,二者 结合,增加了对于时间序列预测的准确度。 通过仿真软件验证,该模型对锅炉受热面积灰状况的预测有较为满意的精度,并与 两种常用模型进行对比发现,预测精度分别提升了 67. 7%与 59. 2%,验证了该模型的可行性与有效性。     

基于完备集合经验模态分解的SE-BiGRU超短期风速预测

考虑风力发电具有随机性和不稳定性,为准确预测风速,提出一种基于完备集合经验模态分解和双向门控单元网络相结合的短期风速组合预测方法。首先,采用完备集合经验模态分解,将原始风速序列分解为若干个具有较强规律性的子序列,以减少不同特征尺度序列间的相互影响;然后,利用样本熵来评估风速子序列的复杂度,将复杂度相近的子序列组合为一个新序列,以减少输入到神经网络的模型数量;最后,将新组合的子序列分别输入到双向门控单元网络中进行预测,得到各子序列的预测结果,叠加得最终的风速预测结果。实例预测结果表明,所提出的风速预测方法具有较高的精度和运行效率。     

基于CEEMD-GRU模型的短期电力负荷预测方法

针对电力负荷序列不平稳、随机性强,直接输入模型会导致拟合效果差、预测精度低等问题,本文提出了一种基于添加互补白噪声的互补集合经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)以及门控循环单元神经网络(gated recurrent unit neural network, GRU)融合的预测方法。首先,针对传统经验模态分解(empirical mode decomposition, EMD)分解方法处理干扰信号大的序列时,存在的模态混叠问题,提出了CEEMD分解方法,加入互补白噪声,将原始序列分解成不同尺度的子序列,随后使用GRU神经网络,并优化网络超参数,从而获得最好的预测结果。通过实验证明,该方法重构误差小,预测效果好。     

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。     

基于自适应噪声完备集合经验模态分解和时间卷积神经网络的变压器油中溶解气体含量预测

准确预测油中溶解气体含量的变化趋势,对变压器的状态评价和寿命评估有着积极的作用。为了提高油中溶解气体预测的准确性,本文提出了一种基于CEEMDAN分解和TCN预测的油中溶解气体预测方法。首先,通过CEEMDAN方法将油中溶解气体含量的原始序列分解为多个内涵模态分量,将稳定分量与非稳定分量分离;其次,对各个分量分别建立时间卷积网络并进行预测;最后,叠加TCN对各个分量的预测结果,重构得到原始序列的预测结果。实例分析表明,该预测方法的均方根误差、平均绝对误差和最大误差分别为1.01、1.53和5.54,相较于未采用CEEMDAN分解算法时分别减小了13.36%、53.47%、41.18%;在使用CEEMDAN分解的情况下,对比常用的递归神经网络,三种误差均最小。本文提出的油中溶解气体预测方法具有更高的预测精度,可以为制定状态检修策略提供更有效支撑。
关键词:油中溶解气体;自适应噪声完备集合经验模态分解;时间卷积网络;油浸式变压器;时间序列预测
中图分类号:TM854     

基于CEEMD和膜计算优化支持向量机的风速预测

为提高预测的可靠性和准确性,提出一个基于模态分解理论和膜计算优化算法的混合模型用于风速预测。与现有的风速预测方法相比,该模型提高了预测精度。该模型包括3个主要步骤:为了简化数据的复杂度,通过互补集合经验模式分解(CEEMD)将原始风电功率时间序列分解成几个固有模态函数(IMFs);对每个IMF分量单独建立膜计算优化算法优化支持向量机(MCO-SVR)的模型进行预测;叠加全部IMF分量的预测值作为最终的预测结果。建立包括单一的支持向量回归机模型、不同分解方法以及相同的分解方法但使用不同的优化算法在内的9种基本模型,来验证所提出的混合模型的优越性。实证研究表明,所提出的混合模型在预测精度上显著优于其他的基本模型。     

基于多负荷特征和TCN-GRU神经网络的负荷预测

传统负荷预测未深入考虑负荷序列对模型预测精度的影响。为提高预测精度,提出了多负荷特征组合(multi-load feature combination, MLFC),并结合时间卷积网络(temporal convolution network,TCN)和门控循环单元(gated recurrent unit,GRU)构建了负荷预测框架。首先,引入负荷变化率特征和基于集合经验模态分解的负荷分量特征,并与负荷、日期特征构成MLFC;其次,选取TCN和GRU进行特征提取和预测,基于MLFC搭建MLFC-TCN-GRU预测框架;最后,采用不同模型验证所提方法。结果表明：MLFC有助于预测精度提升,且适用于不同模型。同时,MLFC-TCN-GRU相较于其他模型有着较高预测精度。     

基于集合经验模态分解和改进极限学习机的短期风速组合预测研究

提出一种基于集合经验模态分解(Ensemble empirical mode decomposition)和改进极限学习机(Improved Extreme Learning Machine,IELM)的新型短期风速组合预测模型。采用集合经验模态分解将风速序列分解成不同频段的分量,以降低序列的非平稳性。使用改进极限学习机对各分量分别建模预测,为避免极限学习机输入维数选取的随意性和分量信息丢失等问题,先对各分量重构相空间,最后将各分量预测结果叠加得到最终预测结果。实例研究表明,所提的组合预测模型具有较高的预测精度。     

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EEMD和BP神经网络的短期光伏功率预测模型

为了实现对并网型光伏电站调度,提出了一种基于集合经验模态能分解(EEMD)与BP神经网络的短期光伏出力的组合预测模型。利用集合经验模态分解将光伏出力序列分解,得到本征模函数分量IMF和剩余分量Res,降低序列的非平稳性。采用游程检验法优化因IMF分量数量多造成的建模过程复杂的问题,针对优化后的分量分别建立相应的BP神经网络预测模型。利用该方法对额定容量为40 k W的光伏系统进行预测,并与EMD-BP神经网络和传统的BP神经网络模型进行比较分析。结果表明,所提出的方法有效地提高了预测精度。     

基于数据分析和改进Chebyshev神经网络的风速时间序列预测

为提高风速时间序列预测精度,基于风速时间序列的随机性和波动性,提出互补集合经验模态分解(Complete Ensemble Empirical Mode Decomposition,CEEMD)和正交粒子群算法(Orthogonal Particle Swarm Optimization,OPSO)优化Chebyshev基函数神经网络的混合风速时间序列预测模型(CEEMD-OPSO-Chebyshev)。利用CEEMD将原始风速时间序列分解成有限个固有模态分量,避免了传统的分解信号重建中冗余噪声残留问题。同时引入排列熵分析各分量内在特性进行聚类,提出基于OPSO优化算法的Chebyshev神经网络风速预测模型,利用OPSO优化预测网络权值,进一步提高预测精度,通过对实际采样的风电场风速时间序列进行预测分析,结果可得所提出的混合预测模型与传统预测模型相比能得到更高的预测精度。     

基于CNN-LSTM混合神经网络模型的NOx排放预测

为了充分挖掘电站锅炉NO_(x)排放数据中时序性特征联系,提高NO_(x)排放预测精度,提出一种基于卷积神经网络(CNN)和长短期记忆网络(LSTM)的NO_(x)排放预测方法。以某300 MW电站锅炉历史数据为样本,采用K-means聚类方法对NO_(x)排放训练样本集进行分组,再基于CNN网络的卷积层和池化层提取NO_(x)排放变量的高维映射关系,构造高维时序特征向量,将抽象化的特征集输入到LSTM网络,通过训练LSTM网络参数建立基于CNN-LSTM的NO_(x)排放预测模型。通过某电站锅炉实际数据验证,所提预测模型对训练和测试样本的平均相对百分比误差分别为1.76%和3.85%,远低于其他模型。结果表明所提模型在预测精度和泛化能力方面具有显著优势。     

基于CEEMD-RSVPSO-KELM的用户侧微电网 短期负荷预测

用户侧微电网负荷随机性强,短期负荷的预测精度对微电网的正常运行起着重要作用。提出了一种基于互补集成经验模态分解(CEEMD)和区域划分自适应变异粒子群(RSVPSO)算法优化核极限学习机(KELM)的负荷预测模型。采用互补集成经验模态分解将负荷序列分解为多组平稳的子序列,以减小不同局部信息之间的相互影响。针对粒子群算法易早熟和收敛速度慢的问题,利用区域划分来实现惯性权重和学习因子的自适应调整,提高粒子的全局寻优能力和搜索效率,并结合自适应变异操作避免陷入局部最优,加强核极限学习机预测精度。最后通过案例验证,所提模型的预测准确率约为98.114%,较其他预测模型具有更好的预测效果和实际应用意义。     

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CEEMDAN分解的深度学习分位数回归电价预测

电力市场中电价预测的准确性对于供应商竞价策略的制定至关重要。针对电价预测问题,提出一种基于完备经验模态分解的深度学习分位数回归电价预测方法。首先,采用自适应噪声的完备经验模态分解方法对电价序列进行分解,得出各个模态分量;然后,采用深度学习中空洞因果卷积神经网络预测模型在不同分位数下对各个分量进行预测,并将预测结果重构;最后,对预测结果采用核密度估计得到电价的概率密度函数。经过对美国电力市场PJM的实际数据进行仿真验证,所提出的组合预测方法相比于其他分位数回归方法,不仅具有更高的预测准确度,且可以为供电商提供更多有效信息。     

基于CEEMDAN和改进时间卷积网络的短期风电功率预测模型

近年来,风力发电逐渐成为可再生能源发电的关键部分.为了提高风力发电功率短期预测的准确度,提出了一种将自适应噪声完备集成经验模态分解与改进时间卷积网络结合的短期风电功率预测模型.首先,利用CEEMDAN对风电功率序列进行分解,得到子序列分量,并分别与关键气象变量数据构成训练集.然后,使用基于时间模式注意力机制的时间卷积网...     

基于多通道融合的滚动轴承剩余寿命预测

针对工业生产中滚动轴承剩余使用寿命(RUL)预测任务中数据挖掘不足导致预测精度低的问题,提出了一种多通道融合的滚动轴承剩余寿命预测方法。该方法通过互补集合经验模态分解(CEEMD)对原始振动信号进行降噪化处理和特征增强并将其作为模型输入;构建三通道网络模型,引入3种不同的神经网络：时间卷积网络(TCN)、卷积长短时间记忆网络(ConvLSTM)、双向门控循环单元神经网络(Bi-GRU),从时序、空间、感受野等多维度对特征进行差异化提取;在结构基础上添加多头注意力机制(multi-head attention mechanism, MA),重新调整网络输出权重、加快模型收敛速度;最后,设计一个特征融合输出模块,实现对滚动轴承剩余寿命预测。在两种数据集上进行实验验证,并与其他文献中先进模型进行对比。结果表明,所提模型能够更准确地捕捉轴承寿命退化曲线并且在多种评价指标上均优于对比模型。