基于VMD-CNN-LSTM的农业大棚园区用电负荷短期预测

针对农业大棚用电负荷受农村供电能力、气象因素等的影响,具有强波动性和高非线性的问题,综合大棚短期负荷的气象特征和时序特征,提出了一种基于变分模态分解(variational mode decomposition, VMD)的长短期记忆(long short-term memory, LSTM)网络与卷积神经网络(convolutional neural network, CNN)相融合的VMD-CNN-LSTM的短期负荷预测模型架构。首先,基于VMD方法分解负荷序列,降低负荷波动性;其次,采用CNN方法提取负荷的气象特征,采用LSTM方法提取负荷时序特征,进行负荷分量预测,并将模态分量的预测结果重构;最后,以山东省寿光市农业大棚负荷数据为基础开展仿真实验。结果表明,VMD-CNN-LSTM模型与传统神经网络模型相比,可有效提高农业大棚短期负荷预测的精度。     

强化数据预处理的BLSTNet-CBAM短期电力负荷预测

针对负荷数据复杂性、非平稳性以及负荷预测误差较大等问题,提出一种综合特征构建和模型优化的短期电力负荷预测新方法.首先采用最大信息系数(MIC)分析特征变量的相关性,选取与电力负荷序列相关的特征变量,同时,考虑变分模态分解(VMD)方法容易受主观因素的影响,采用霜冰优化算法(RIME)优化VMD,完成原始电力负荷序列的分解.然后改进长短期时间序列网络(LSTNet)作为预测模型,将其递归层LSTM更新为BiLSTM,并引入卷积块注意力机制(CBAM)进行预测.通过对比实验和消融实验的结果表明:经RIME-VMD优化后,LSTM、GRU、LSTNet模型预测的均方根误差(RMSE)均降低20%以上,显著提高模型预测精度,且能够适应于不同预测模型.所提出的BLSTNet-CBAM模型与LSTM、GRU、LSTNet相比, RMSE分别降低了35.54%、6.78%、1.46%,提高了短期电力负荷预测的准确性.     

基于变分模态分解与门控循环单元网络的云资源预测

云供应商为用户提供所需资源,分配不足可能会导致服务质量下降,分配过度则会导致资源浪费,因此准确预测资源使用情况至关重要.由于用户使用云资源的情况各不相同,不确定因素多,时序数据往往伴随着高随机性和非平稳性的特点,增加了预测的难度.为了捕获非平稳性数据更多信息,提高云资源使用情况的预测精度,提出基于变分模态分解(VMD)算法和门控循环单元(GRU)网络的预测模型(VMD_AGRU).首先将原始时序数据通过VMD算法分解成多个相对平稳的模态分量;再将蚁狮优化(ALO)算法集成到GRU模型中去,分别对分解后的本征模态分量进行预测,利用优化算法自适应地选择最优参数;最后整合每个分量的预测结果得到最终的云资源使用情况预测结果.在公开数据集上进行预测,并与未优化的GRU、差分自回归移动平均(ARIMA)和反向神经网络(BPNN)等进行对比.CPU利用率预测的实验结果表明,与并未分解且未优化的GRU模型相比,所提出的模型在预测精度上有48.1％的提升,验证了该方法的有效性.     

考虑频域分解后数据特征的空调负荷预测模型

针对空调负荷预测实际应用中容易存在数据散杂且可用信息匮乏的问题,从负荷序列的非线性、非平稳性和随机性出发,提出了一种基于变分模态分解(VMD)的负荷预测方法.对不同数据特征序列考虑不同算法的数据观测与训练原理差异,充分发挥各个模型优势.首先采用随机森林(RF)进行特征选择,利用VMD将负荷序列按趋势分量、平稳分量和噪声分量进行分类重构,并分别对非线性序列建立最小二乘支持向量机(LSSVM)预测模型,时序平稳序列建立极端梯度提升(XGBoost)预测模型,采用正态分布拟合随机误差,得到各子序列预测结果并进行叠加输出最终负荷预测结果.实验结果表明,所提方法能准确反映负荷的特性并具有更好的预测精度,能有效预测空调负荷,为空调节能优化控制策略提供依据.     

基于EEMD-CatBoost的短期电力负荷预测

准确的负荷预测在电力调度、系统可靠性和规划中起着关键作用。针对各种不确定因素造成了电力需求的波动,本文提出了一种基于EEMD-CatBoost的短期负荷预测方法。模型利用集合经验模态分解（EEMD）对非平稳原始序列进行处理,将原始电力负荷数据分解为有限个固有模态函数（Intrinsic Mode Functions,IMF）和一个残差分量,以降低负荷序列的复杂度,再将分解后的各分量分别输入到CatBoost中预测,然后将每个分量的预测值重组,得到最终的负荷预测结果。以某地的实际数据为例,综合比较了该方法与现有电力负荷短期预测技术的性能。与现有基准相比,所提出的方法得到了相当精确的结果。     

二次分解组合CNN-LSTM的短期负荷预测

短期电力负荷随机性强、波动性大。为提高负荷预测精度,文章提出一种基于二次分解的卷积神经网络（CNN）与长短期记忆（LSTM）神经网络组合的预测模型。其首先采用自适应噪声完备集合经验模态分解（CEEMDAN）方法将原始负荷序列分解为若干固有模态分量和残差;然后,引入样本熵与K均值（SEK-means, SK）,将分解得到的子序列重构为3个序列,并运用变分模态分解方法将重构分量中的强非平稳序列进行二次分解,建立CNN-LSTM模型,对分解得到的各个子序列分别进行预测;最后,将预测的结果叠加,以实现对负荷的有效预测。运用实际负荷数据从确定系数、平均绝对误差、均方根误差和平均绝对百分比误差这4种评价指标角度进行验证,结果表明,该模型与XGBoost、LSTM、CEEMDAN-LSTM和CEEMDANCNN-LSTM模型相比较,具有更高的拟合度和预测精度。     

基于EMD-RVM模型的短期负荷预测方法

负荷可能受到各种外部影响因子的影响,因而准确的负荷预测是一个具有挑战的问题。针对这个问题,提出基于经验模态分解(EMD)和相关向量机(RVM)的短期负荷预测方法。通过EMD对负荷序列进行分解,通过RVM预测每一个本征模函数分量,通过信号重构得到最终的负荷预测值。应用浙江省某地区的负荷数据和气象数据进行仿真,并与WD-RVM模型、RVM模型和CNN-GRU模型的预测结果进行比较,验证了所提出的方法具有相对较高的预测精度。     

基于VMD-AOA-GRU的超短期风向预测

风向的精准预测对风资源的高效利用和风电机组的安全运行具有重大意义。为此,本文提出一种基于VMDAOA-GRU的超短期风向预测方法。利用变分模态分解（VMD）算法将历史风向数据分解为不同频率的信息,然后采用GRU算法构建基于分解序列的预测模型;利用收敛速度快、精度高的AOA算法,逐个求解已分解序列的最优时间窗口长度和GRU预测模型的超参数,最后重构各分解序列的预测结果,并得到最终预测结果。通过与其它算法预测结果的对比分析,证明了本文所提方法的可行性。     

基于气象数据可视化降维和多模加权组合的短期负荷预测

针对短期负荷预测中数据预处理的必要性和单一预测模型的局限性,提出了一种基于气象数据可视化降维和多模加权组合的短期负荷预测方法。该方法将可视化降维、模态分解降噪、单一预测模型和权重确定理论相结合,构建了气象数据降维、历史负荷分解、模态分量降噪和多模加权组合的短期负荷预测模型。通过设置3种对比实验环境,对某地区供电公司所提供的电力负荷和气象数据进行分析。预测结果及误差分析表明,所提短期负荷预测方法在保留高维气象因素本质特征结构的同时,能有效结合数据预处理方法及单一预测模型的特点,有效提升该地区电网负荷的预测精度。     

基于VMD与MOGOA-LSTM的短期负荷预测模型

为了提高短期负荷预测的准确度,降低非平稳信号对模型预测造成的影响,提出一种集数据挖掘和多目标优化网络于一体的短期负荷预测模型。该方法将电力负荷数据通过变分模态分解技术分解成若干个不同频率的模态分量,采用相间重构方法动态确定人工神经网络的训练测试比和神经元设置,采用长短期记忆神经网络对各分量进行模型搭建,并在长短期记忆神经网络的基础上加入多目标蝗虫智能优化算法来优化网络内部参数,累加所有分量模型预测的值,实现短期负荷预测。仿真结果表明,与统计学方和混合模型相比,本文提出的模型在短期预测方面的预测精度较高、泛化能力更强。     

一种结合互补集合经验模态分解和小波核极限学习机的短期电力负荷预测模型

电力系统的管理和调度对精确的负荷预测模型有着极高的要求。为全面提高负荷预测模型的性能,提出一种新型的结合互补集成经验模态分解(CEEMD)和小波核函数极限学习机(WKELM)的短期电力负荷组合预测模型。首先通过CEEMD将历史电力负荷数据自适应地分解为一系列相对平稳的子序列,对各分量建立小波核极限学习机的预测模型,预测各分量的负荷值并对其进行求和得到最终预测结果。用四种预测模型对真实的负荷数据进行训练预测,算例表明新模型在预测精度和效率上都具有一定优势,同时克服了传统EMD中容易出现的模态混叠问题以及ELM中存在的过拟合等缺陷,具有一定的实际应用潜力。     

基于VMD-DenseNet的短期电力负荷预测

针对电力负荷较为复杂的变化特性,以及现有预测算法未能充分利用数据中的特征、存在精度不足的问题,提出一种基于VMD-DenseNet的组合预测模型。通过VMD将原始负荷序列分解为趋势分量、细节分量和随机分量,并采用最大信息系数为各分量选取相关性较大的特征变量。引入一维DenseNet神经网络模型预测各分量负荷,通过密集连接实现特征重用,加强对各分量特征的提取。以欧洲某电网的负荷数据集为算例,分别在提前1 h和提前6 h两种不同的预测时间尺度下进行实验,结果表明提出的模型都能够更好地提取数据中的潜在特征,相较于其他模型具有更高的预测精度。     

基于改进BiLSTM-RF的短期负荷预测研究

电力负荷的准确预测能有效保持电网运行的稳定性,提高经济效益和社会效益。为了提高负荷预测的精准度,首先利用麻雀搜索算法(SSA)和变分模态分解(VMD)对输入的原始负荷进行模态分解,降低了电力负荷数据随机性与非平稳性;然后利用双向长短期记忆-随机森林(BiLSTM-RF)组合模型对分解后的子模态进行特征提取和预测。对某地区公开数据的性能验证与模型对比分析结果表明,改进的BiLSTM-RF(+BiLSTM-RF)组合模型在决定系数(R²)、均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分误差(MAPE)这四个预测精度指标方面分别达到了0.973、300.31、134.91、0.037。与传统的支持向量机(SVM)、长短期记忆(LSTM)网络、门控循环单元(GRU)等单一预测方法,以及未改进的BiLSTM-RF组合预测方法相比,+BiLSTM-RF组合模型有更好的预测表现。     

基于经验模态条件生成对抗网络的短期负荷预测

针对双碳目标下传统负荷预测模型难以捕捉数据内部时序特征导致负荷预测精度不高的问题,提出一种基于经验模态条件生成对抗网络(CGAN)的短期负荷预测模型。该模型在保留CGAN结构的基础上,首先使用经验模态分解(EMD)将历史负荷数据分解为多个经验模态分量,并采用多个长短期记忆(LSTM)神经网络作为生成器、卷积神经网络(CNN)作为判别器。然后,以分解后的经验模态分量为输入、负荷影响因素为条件对模型进行训练,使生成器能够输出精确的预测负荷数据。最后,以某地区配电网实际负荷数据对模型进行验证。试验结果表明,相比于其他基于深度学习的负荷预测模型,所提模型具有更小的预测误差。未来可将该方法应用于配电网调度中,以提高调度的安全性和经济性。     

基于改进的随机森林和密度聚类的短期负荷频域预测方法

精确的负荷预测对于电力系统的有效调度和安全运行至关重要. 本文提出基于改进的随机森林(IRF)和密度的聚类 (DBSCAN)的频域组合预测方法. 首先, 采用经验小波变换 (EWT)分解负荷, 得到不同的固有模态分量 (IMFs); 其次,根据各分量特征采用合理的方法进行预测。其中, 低频、中频分量采用IRF预测; 高频分量使用DBSCAN根据气象因素温度和湿度聚类, 再根据每类的样本特性选择处理方法. 最后, 叠加各分量的预测值, 获取负荷预测值. 根据某地市现场负荷数据进行实验,预测结果分别与EWT-IRF、EWT-随机森林 (RF)、经验模态分解(EMD)- IRF模型的预测结果进行对比. 结果表明, 提出的模型具有更高的预测精度, 反映了实际负荷的随机性.     

基于CNN-GRU-MLR的多频组合短期电力负荷预测

负荷预测对于电力企业制定未来调度计划十分重要。为了进一步提高预测精度，充分挖掘负荷数据中时序特征的联系，提出一种卷积神经网络(Convolutional Neural Networks, CNN)、门控循环单元(Gate Recurrent Unit, GRU)和多元线性回归(Multiple Linear Regression, MLR)混合的多频组合电力负荷预测模型。该模型先对时间序列的负荷数据进行集合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD),并将其重构为高低两种频率；同时在高频中引入影响因子较大的气象因素，使用CNN-GRU模型预测，低频部分使用多元线性回归进行预测；最后将各个模型得出的预测结果叠加，得到最终预测结果。仿真结果表明，相对于其它网络模型，提出的混合模型具有更高的预测精度，是一种有效的短期负荷预测方法。     

基于自适应时序分解的空气污染物浓度预测

为准确、有效地预测空气污染物浓度,建立了基于自适应完整集成经验模态分解(CEEMDAN)和排列熵(PE)的门控循环单元(GRU)空气污染物预测模型。首先利用CEEMDAN算法对非线性信号的自适应分解能力将原始序列分解为一组不同频率、复杂度的固有模态函数(IMF)和一个残差分量(REC),其次根据PE算法将复杂度相近的IMF分量和REC一起进行重新组合,最后将重组后的子序列分别使用GRU模型进行预测,并将子序列预测结果相加得到最终预测结果。实验结果表明,基于CEEMDAN-PE-GRU模型预测的误差明显低于其他模型,验证了该模型对空气污染物浓度预测的有效性。     

基于变分模态分解和高斯过程回归的锂离子电池剩余寿命预测方法

锂离子电池在实际工作中常处于间歇工作状态,存在容量再生现象,其性能退化呈现非单调性和随机性,无法采用传统的单一模型准确进行预测。针对上述问题,研究一种基于变分模态分解（Variational Mode Decomposition, VMD）和高斯过程回归（Gaussian Process Regression, GPR）的锂离子电池剩余寿命预测方法。首先,利用VMD将锂离子电池容量退化数据分解为一系列相对平稳的分量,并获取电池退化趋势分量及容量再生分量。然后针对不同分量的具体特性,构建合适的GPR预测模型以提高单个分量预测精度。最后,将分量预测结果叠加获取容量预测结果,进而实现电池剩余寿命预测。基于NASA研究中心锂电池容量退化数据进行实验分析,结果表明本文方法相比于直接采用GPR模型,降低了容量预测误差,并有效提高了剩余寿命预测精度。     

改进灰狼算法的核极限学习机的风功率预测

针对风能的波动性、非平稳性导致风电功率预测精度不高的问题,研究并提出一种基于可变模式分解(VMD)技术和改进灰狼算法(DIGWO)优化核极限学习机(KELM)的短期风电功率预测模型。将功率信号进行分解得到若干个不同带宽的模式分量,对各个模式分量建立核极限学习机预测模型。为提高核极限学习机的寻优能力,采用改进的灰狼算法对核极限学习机的参数进行优化,得到各个模式分量的预测值,将分量预测值进行叠加后得到风电功率最终预测。采用实际风电功率数据进行实验仿真,实验结果表明,该模型的RMSE和MAE分别是1.5%和1.16%,相比其他模型提高了风电功率预测精度。     

基于EEMD-GRU网络模型的短期风速预测

为了克服因风速信号固有的震动性、非线性特性引起的预测精度不高的问题, 本文提出了使用集合经验模态分解算法和门控循环单元两种方法相结合的组合模型对风速进行预测. 该模型首先对数据进行归一化处理, 使用孤立森林算法, 剔除异常点, 然后用EEMD (ensemble empirical mode decomposition)方法, 将风速拆分成不同尺度的信号, 消除数据的非平稳性, 将分解得到的相对平稳的分量信号分别送入GRU (gated recurrent unit)模型进行训练, 获得各自的预测结果, 最终风速由所有分量各自预测的结果累加得到. 实验中采用实地采集数据进行实验, 结果证实, EEMD-GRU方法相较于目前主流的EEMD-LSTM、EMD-LSTM等方法, 预测精度有明显提升.