基于XGBoost-RFECV算法和LSTM神经网络的PEMFC剩余寿命预测

针对质子交换膜燃料电池（PEMFC）寿命预测方法中PEMFC特征对其寿命的影响程度未知和模型预测精度低的问题,提出一种基于XGBoost-RFECV算法和长短期记忆（LSTM）神经网络的PEMFC剩余寿命预测方法。首先通过等间隔采样和SG卷积平滑法对PEMFC原始数据进行重构和平滑处理,有效提取PEMFC退化趋势。然后利用XGBoost-RFECV算法计算PEMFC不同特征的重要度,并选择平均交叉验证均方误差最小的10个PEMFC特征组成最优特征子集。最后将最优特征子集输入构建的双层LSTM神经网络实现PEMFC的剩余寿命预测。实验结果表明,该方法的平均绝对误差和均方根误差分别为0.001 9和0.002 5,决定系数R²为0.974,与XGBoost-RNN、XGBoost-LSTM和XGBoost-RFECV-RNN方法相比预测精度更高,能够有效地预测PEMFC剩余寿命。     

基于特征优化和改进长短期记忆神经网络的NOx质量浓度预测

针对燃煤机组选择性催化还原（SCR）烟气脱硝系统中入口NOx质量浓度难以准确测量的问题,提出一种基于特征优化和改进长短期记忆（LSTM）神经网络的预测模型。首先,通过机理分析确定与NOx排放有关的辅助变量,利用互信息计算各辅助变量与输出变量NOx质量浓度之间的延迟时间。通过最大相关最小冗余算法（mRMR）确定辅助变量最优特征子集,利用RBF神经网络对各个特征子集进行预测误差比较,确定模型输入变量。通过网格搜索和改进粒子群（MPSO）算法确定LSTM神经网络的超参数,建立NOx质量浓度预测模型。仿真结果表明,特征优化后的辅助变量提高了模型的泛化能力,采用具有记忆功能的LSTM神经网络提高了模型预测精度。     

基于PCC-ISSA-BP燃料电池剩余寿命预测

在质子交换膜燃料电池(PEMFC)寿命预测中,针对燃料电池中的特征对其寿命的影响程度未知问题,使预测燃料电池的剩余寿命问题变得相对复杂,为了更加准确的预测燃料电池的剩余使用寿命。本文首先通过小波分析对原始堆栈电压进行去噪处理,滤除噪声数据,利用皮尔逊相关系数(PCC)对影响因素进行降维,提取关键影响因素,简化模型结构;然后利用改进的麻雀优化算法(ISSA)优化BP神经网络,找到网络最优的权值和阈值,并建立ISSA-BP模型;最后将处理好的数据输入ISSA-BP模型,实现PEMFC的剩余寿命预测。实验结果表明,PCC-ISSA-BP的平均绝对误差百分比、平均绝对误差、均方根误差分别为0.125%、0.003 97、0.005 68,优于其它模型,能够更有效地预测燃料电池的剩余寿命。     

基于Bootstrap误差修正的电力负荷短期预测深度学习模型

针对负荷数据非线性、强波动性等特点导致数据规律性较弱电力负荷预测模型不准确的问题，构建基于Bootstrap误差修正的TCN-WOA-Bi LSTM-Attention电力负荷短期预测模型。使用时序卷积神经网络（TCN）提取时序特征并通过注意力机制（Attention机制）对特征突出重要信息贡献度，通过鲸鱼优化算法（WOA）寻找双向长短时记忆（Bi LSTM）神经网络最优超参数以减少人工搜索超参数的负面影响后进行预测；基于Bootstrap分析预测区间误差分布，通过覆盖率（PICP）是否低于对应置信度判断对预测结果进行修正的必要性，并选取合理修正范围。仿真结果表明，基于Bootstrap方法进行误差修正避免了修正不足及修正过度的问题，对比将误差序列全部修正的方法更具有科学性，能最大程度提高模型预测精度。     

考虑时延特性优化的燃煤锅炉主蒸汽温度预测模型

构建精确的锅炉主蒸汽温度预测模型有利于提高其控制品质,考虑锅炉运行参数的时延特性对主蒸汽温度的预测精度具有较大影响。使用长短时记忆（LSTM）神经网络算法构建模型预测锅炉主蒸汽温度变化趋势,并针对锅炉运行参数时延特性的问题,提出利用离散粒子群算法实现网络模型输入变量时滞的优化。最后,基于某1 000 MW燃煤锅炉的历史数据,验证时延特性优化后的主蒸汽温度预测模型。预测结果表明,该模型预测均方根误差为0.47 ℃,较传统方法构建的LSTM神经网络模型预测误差降低6%,预测精度更高。     

基于循环神经网络的PEMFC寿命预测

在长短期记忆(LSTM)循环神经网络(RNN)的基础上,通过减少控制门的数量,引入门控循环单元(GRU)RNN。利用质子交换膜燃料电池(PEMFC)在动态循环工况下的耐久性测试数据,训练、验证RNN模型,并对PEMFC的剩余使用寿命进行预测。基于GRU所得的预测结果,能准确跟随实际电压值的变化,在计算速度和准确度方面优于LSTM。在电流密度为0.71 A/cm2时,预测结果的均方误差可达0.0035。     

欢迎通过微信公众号订阅《电池》

在长短期记忆(LSTM)循环神经网络(RNN)的基础上,通过减少控制门的数量,引入门控循环单元(GRU) RNN。利用质子交换膜燃料电池(PEMFC)在动态循环工况下的耐久性测试数据,训练、验证RNN模型,并对PEMFC的剩余使用寿命进行预测。基于GRU所得的预测结果,能准确跟随实际电压值的变化,在计算速度和准确度方面优于LSTM。在电流密度为0. 71 A/cm2时,预测结果的均方误差可达0. 003 5。     

综合业务管控系统容器平台的构建及开发

针对燃煤电厂脱硫系统出口SO2质量浓度难以稳定控制的问题,提出了一种基于改进粒子群算法（IPSO）优化长短时记忆（LSTM）神经网络的IPSO-LSTM预测模型。首先利用主成分分析（PCA）计算各个变量的贡献率从而筛选出模型的辅助变量,实现辅助变量的降维。其次,利用改进粒子群算法确定LSTM神经网络的神经元数量、学习率和迭代次数。最后,将选定的辅助变量作为IPSO-LSTM预测模型的输入,预测出口SO2质量浓度,采用国内某电厂2×600 MW机组脱硫数据进行仿真,并与相关11种模型进行对比。仿真结果表明,本文模型预测误差最小,其均方根误差为0.98 mg/m3,平均相对误差为1.81%;与传统LSTM、LSSVM模型相比,预测精度分别可提高72%和81%;与其他相关模型相比,改进的PSO可以提高PSO的全局寻优能力和收敛速度,当LSTM神经网络具有2层隐含层时,IPSO-LSTM模型预测精确度最高。     

基于WD-LSSVM-LSTM模型的短期电力负荷预测

为了提高短期负荷预测精度,提出一种基于小波分析、粒子群优化(PSO)算法、最小二乘支持向量机（LSSVM）和长短时记忆网络（LSTM）的预测模型。该方法通过对用电负荷进行小波分解和重构得到与原始数据长度相同的分量,对低频分量建立LSSVM预测模型并利用PSO算法找出最优参数,对高频分量建立LSTM预测模型,将各分量预测结果组合实现最终的负荷预测。实验结果表明,该模型预测精度优于传统LSSVM模型、BP神经网络模型和WD-LSSVM模型,验证了其可行性。     

大坝变形预测的最优因子长短期记忆网络模型

面对海量的大坝安全监测数据,快速合理地确定大坝变形预测模型的变量因子能够有效提高模型预测的效率和精度。为此,本文提出一种基于最小绝对值收缩和选择算子（least absolute shrinkage and selection operation,LASSO）变量选择和长短期记忆（long short-term memory,LSTM）网络的大坝变形预测模型。首先,通过大坝变形机理分析确定影响大坝变形的相关影响因子集。然后,通过LASSO算法剔除不显著的因子,筛选出最优影响因子作为模型输入变量,并利用LSTM网络建立大坝变形预测模型。最后,以皂市水利枢纽工程的碾压混凝土重力坝为例,对本文方法进行了验证和讨论。结果表明,本文方法具有较高的预测精度,其平均绝对误差（MAE）、均方误差（MSE）与均方根误差（RMSE）均相对较小;与常规预测模型相比,基于LASSO算法的变量选择使模型建立过程更加简单高效,有利于海量监测数据的处理分析。     

基于Mogrifier LSTM-SVR的超级电容寿命预测

超级电容是储能系统中常用的储能元件，为了解决在对其使用寿命预测时，影响因子考虑不全面，预测精度不高的问题，提出基于支持向量机回归算法与改进的长短期记忆网络算法(Mogrifier LSTM-SVR)相结合的超级电容的使用寿命预测模型。通过引入温度、电压和电流三种超级电容寿命影响因子，建立更贴近实际的超级电容寿命模型，选取剩余容量作为特征参数。构建Mogrifier LSTM网络，在传统的LSTM中增加Mogrifier门机制，并利用支持向量机回归(SVR)对Mogrifier LSTM网络预测误差回归预测，修正误差。通过仿真实验和模型的预测结果对比分析表明，Mogrifier LSTM-SVR对超级电容寿命预测的准确性更高，误差波动量级更小。     

电动汽车供电系统锂电池剩余寿命预测

电动汽车的锂电池受工况、环境等因素影响,具有很强的时变非线性,对其进行剩余寿命预测具有挑战性。针对现有算法未同时考虑不确定表达、预测精度以及不同电池的适应能力对剩余寿命的影响,提出了一种正则化粒子滤波和自回归滑动平均模型相融合的锂电池剩余寿命预测算法。以锂电池的经验退化模型作为融合算法的状态方程,自回归滑动平均模型的预测输出值替代观测值,构建状态空间模型,迭代更新电池容量,实现锂电池的剩余寿命预测。基于NASA锂电池数据集进行仿真验证,并与标准粒子滤波和正则化粒子滤波算法相比较,实验结果表明,在中期、后期预测过程中融合算法的预测误差在5%以下,该方法具有较好的锂电池剩余寿命预测精度。     

基于LSTM光伏发电功率超短期预测模型研究

精准地预测光伏发电功率有利于保证电网的稳定运行。采集了江苏常熟某75 MW光伏电站和山西大同某100MW电站数据,利用相关系数法对影响光伏电站输出功率的因素进行分析。搭建了长短期记忆神经网络(LSTM)功率预测模型,对两个电站的输出功率进行预测。为验证LSTM模型和同一算法下不同电站的功率预测精度,使用循环神经网络(RNN)算法和前馈神经网络(BP)算法搭建预测模型,并与LSTM算法进行对比分析,通过模型评价指标平均绝对误差(MAE)、均方根误差(RMSE)及决定系数R²,对三种模型之间的误差值进行比较,结果表明采用LSTM算法预测模型精度更高,且不同电站采用同一网络模型时,电站输出功率和气象数据的相关系数值越大,模型的功率预测值更加贴近实际值。     

基于集成LSTM模型的数据驱动需求预测

电力用户参与电网调度能够有效提升电网灵活性,但其行为的不确定性限制了需求响应的发展。针对此问题,文中首先构建激励型需求响应的实现框架,阐述负荷聚合商(LA)如何整合需求侧资源参与电力市场业务,并将用户随激励政策进行响应的行为转换为需求弹性。然后,基于长短时记忆(LSTM)算法,提出一种集成LSTM的数据驱动的需求弹性预测方法,同时为提升预测模型性能,对源数据进行平滑与缩放处理,并增加损失函数权重系数。算例结果表明,与传统LSTM算法及k近邻预测法相比,文中所提预测方法用于用户需求弹性预测时平均预测误差分别降低了5.33%和28.8%,用于总负荷预测时平均绝对百分比误差(MAPE)分别降低了2.06%和3.09%。同时文中基于集成LSTM分析了平滑、缩放数据预处理对预测精度的影响,结果表明对原始数据进行预处理可有效提升预测精度。     

基于LSTM的交流接触器剩余寿命预测

交流接触器在各种低压控制线路中应用极为频繁,因此对其进行剩余寿命预测可以大幅提高电力控制系统的运行稳定性。针对目前交流接触器剩余寿命预测没有充分利用其退化过程前后状态之间联系的问题,提出了一种基于长短期记忆神经网络(long short-term memory,LSTM)的交流接触器剩余寿命预测方法。首先,通过交流接触器全寿命试验平台获取其整个生命周期的退化数据,从中提取出能够反映其运行状态的特征参数;其次,采用灰色关联分析(grey relation analysis,GRA)法和皮尔逊相关系数(Pearson correlation coefficient, PCC)法剔除多维参量的冗余信息,进行特征选择,并将其结果作为预测模型的输入样本;最后进行LSTM预测模型训练。试验结果表明,相比传统循环神经网络(recurrent neural network,RNN),基于LSTM的剩余寿命预测模型能够充分利用全寿命周期时序序列数据的前后关联信息,对交流接触器剩余寿命预测有更高的准确性。     

基于VMD-ISSA-GRU组合模型的短期风电功率预测

为解决风速不确定性和波动性造成风电功率预测精度不高的问题,提出一种基于变分模态分解（VMD）、改进麻雀搜索算法（ISSA）和门控循环神经网络（GRU）的VMD-ISSA-GRU组合模型。首先,利用中心频率法确定采用VMD分解后的模态分量个数,这样有效避免了过分解或者分解不充分。其次引入混沌映射、非线性递减权重以及一个突变策略来改进麻雀搜索算法,用于优化门控循环神经网络,然后对分解得到的各个子序列建立ISSA-GRU预测模型,最后叠加每个子序列的预测值得到最终的预测值。将该模型用于实际风电功率预测,实验结果表明：VMD-ISSA-GRU组合模型的平均绝对误差、平均绝对百分比误差、均方根误差分别为1.211 8 MW、1.890 0及1.591 6 MW;相较于传统的GRU、长短时记忆（LSTM）神经网络、BiLSTM(Bi-directional LSTM)神经网络模型以及其他组合模型在预测精度上都有明显的提升,能很好地解决风电功率预测精度不高的问题     

基于LSTM和非参数核密度估计的风电功率概率区间预测

高精度的风电功率点和区间预测可以为电网优化配置带来更多信息。提出采用长短期记忆（LSTM）网络实现风电功率的点预测,并基于该网络生成1组风电功率预测误差数据集,采用渐进积分均方误差准则的窗宽优化方法实现非参数核密度的估计,求出不同置信度下的风电功率波动区间。实验基于美国某风电场历史数据,通过与BP, Elman神经网络和SVM对比,验证了LSTM网络预测精度更高;基于LSTM网络预测生成的误差数据集,与高斯模型及随机窗宽非参数核密度估计模型相比,结果说明了所提最优窗宽非参数核密度估计模型具有更贴近真实的预测误差分布。     

基于集成模型的混合神经网络电力负荷预测

为了提高负荷预测的精度与泛化能力,提出了一种基于Bagging集成算法的GRU-BiLSTM-Self-attention模型。为充分提取高维输入数据的多个特征,该模型采用BiLSTM-Self-attention模型提取局部特征,采用GRU模型提取时序特征,从同一训练集中独立抽取样本子集并进行训练,对输出结果集成处理并得到最终的预测结果。选取南京某供电公司真实数据进行实验,并与LSTM神经网络、GRU神经网络、BiLSTM神经网络等预测模型进行对比。实验数据表明,该模型的均方根误差为50.770 3,准确率为97.36%。相较于其它用于对比的模型,该结果表明本模型在预测效果上具有一定程度的优势,说明所提出的模型具有更好的泛化能力与预测精度。     

基于BiLSTM-STW神经网络的锂电池剩余容量预测

针对锂电池剩余容量预测精度无法满足当前工程应用的问题，结合双向长短时记忆网络(bi-directional long short-term memory,BiLSTM)与滑动时间窗口(sliding time window,STW)算法的优点，提出一种电池剩余容量预测方法。首先分析BILSTM神经网络和STW算法原理，构建了BiLSTM-STW神经网络模型，采用自适应矩优化算法(adaptive moment estimation, Adam)对模型超参数进行优化，实现模型修正；然后选取美国国家航空航天局(National Aeronautics Space and Administration,NASA)埃姆斯研究中心锂电池数据，对数据进行处理并选取容量衰减特征数据作为神经网络的预测输入量；最后利用构建的神经网络对NASA锂电池数据集进行剩余容量预测实验。实验结果表明，所构建的神经网络模型能够精确预测锂电池的剩余容量，相比LSTM神经网络模型有更好的精确度。     

基于极端梯度提升-长短期记忆神经网络组合模型的短期电力负荷预测

为了提高短期电力负荷预测的精度,提出一种基于极端梯度提升和长短期记忆网络的组合预测方法。首先采用Spearman相关系数法对负荷与气象因素进行相关性分析,提取模型输入特征。然后分别建立XGBoost、LSTM预测网络,并采用遗传算法优化网络的参数。最后利用模拟退火算法对各网络的预测结果分配最优权重系数,通过加权组合得到最终的集成预测结果。实验结果表明,XGBoost和LSTM组合模型对短期电力负荷预测的平均绝对百分比误差为0.88%,与XGBoost模型、LSTM模型相比,误差分别降低了2.17%、1.99%,在负荷预测领域更具有优势。