基于机器学习方法的暂态稳定评估已成为电力系统分析与控制领域的热点,由于实际系统中存在不能实现相量测量单位(PMU)的全面覆盖以及数据采集存在噪声的问题,使得传统机器学习方法的评估性能受到较大限制。针对此,构建了一种在PMU最优...基于机器学习方法的暂态稳定评估已成为电力系统分析与控制领域的热点,由于实际系统中存在不能实现相量测量单位(PMU)的全面覆盖以及数据采集存在噪声的问题,使得传统机器学习方法的评估性能受到较大限制。针对此,构建了一种在PMU最优布点上的时间序列特征,提出了一种将改进卷积神经网络(improved convolutional neural network,ICNN)与双向长短时记忆网络(bidirectional long short term memory network,BiLSTM)进行融合的评估方法。该方法首先利用BiLSTM提取电压、相角以及有功功率三种基本电气量的时间序列特征,随后通过卷积和池化操作对数据进行进一步的数据挖掘,最后利用轻量梯度提升机完成对数据的分类。为了避免出现过拟合现象,该方法还通过正则化、Dropout等方式提升模型的泛化性能。在新英格兰10机39节点上的算例表明,该方法能利用基本电气量数据进行暂态稳定评估,且在复杂条件下仍能保持较好的评估性能。展开更多
针对分布式电源和新型负荷容量累积造成负荷影响因素多元化和不确定性特性增强的问题,文中提出一种采用记忆神经网络和曲线形状修正的负荷预测方法。在负荷峰值预测中,采用最大信息系数计算负荷峰值与影响因素的非线性相关性,实现对输...针对分布式电源和新型负荷容量累积造成负荷影响因素多元化和不确定性特性增强的问题,文中提出一种采用记忆神经网络和曲线形状修正的负荷预测方法。在负荷峰值预测中,采用最大信息系数计算负荷峰值与影响因素的非线性相关性,实现对输入特征的筛选;综合考虑负荷峰值序列的长短期自相关性和输入特征与负荷峰值的不同程度相关性,结合Attention机制和双向长短时记忆(bidirectional long short-term memory,BiLSTM)神经网络建立负荷峰值预测模型。在负荷标幺曲线预测中,通过误差倒数法组合相似日和相邻日,建立负荷标幺曲线预测模型;针对预测偏差的非平稳特征,利用自适应噪声的完全集成经验模态分解和BiLSTM网络建立误差预测模型,对曲线形状进行修正。应用中国北方某城市的区域电网负荷数据为算例,验证了所提模型的有效性。展开更多
在移动通信网络快速发展的背景下,蜂窝流量预测对于网络规划、优化和资源管理具有重大意义。针对蜂窝流量数据的复杂性和非线性特点,提出一种基于二次分解的混合神经网络蜂窝流量预测方法。首先,采用自适应噪声的完备集合经验模式分解(c...在移动通信网络快速发展的背景下,蜂窝流量预测对于网络规划、优化和资源管理具有重大意义。针对蜂窝流量数据的复杂性和非线性特点,提出一种基于二次分解的混合神经网络蜂窝流量预测方法。首先,采用自适应噪声的完备集合经验模式分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)方法将原始流量分解为多个子序列,利用K-Shape聚类算法重构为频率序列和趋势序列。为了更细致地揭示数据的内在结构,运用变分模态分解(variational mode decomposition,VMD)方法对频率序列进行二次分解,生成多维频率序列。然后,将一维趋势序列和多维频率序列分别输入至局部特征提取模块,其中单通道特征提取层利用一维卷积神经网络(one-dimensional convolution neural network,1DCNN)提取一维趋势序列的局部特征,而多通道特征提取层则结合卷积块注意力模块(convolutional block attention module,CBAM)捕捉多维频率序列中的关键信息。紧接着将提取到的特征向量分别输入到时序信息学习模块中,利用双向长短时记忆(bidirectional long short term memory,BiLSTM)网络和注意力机制学习时序变化规律,完成预测流量的输出。最后,通过对趋势序列和频率序列的预测结果求和,实现对蜂窝流量的准确预测。为了验证所提方法的有效性,利用公开数据集进行实验验证,并与多种不同方法进行对比。实验结果表明,所提预测方法展现出更优的预测性能,为蜂窝网络的智能管理和优化提供了有力支持。展开更多
针对人体活动传感器数据的时序性特点,以及当前机器学习算法过度依赖手工特征提取的问题,提出了一种融合卷积神经网络和双向长短期记忆网络的深度学习模型(convolutional neural network-bidirectional long short term memory network,...针对人体活动传感器数据的时序性特点,以及当前机器学习算法过度依赖手工特征提取的问题,提出了一种融合卷积神经网络和双向长短期记忆网络的深度学习模型(convolutional neural network-bidirectional long short term memory network,CNN-BiLSTM)进行人体活动识别(human activity recognition,HAR)。首先对人体活动数据进行样本分割,然后采用卷积神经网络(convolutional neural networks,CNN)自动提取人体活动数据的特征,再通过双向长短时记忆网络(bi-directional long-short term memory,BiLSTM)学习人体活动数据特征在时间序列上前后两个方向的相关性,最后利用softmax分类器实现对人体活动分类。DaLiAc公开数据集上的仿真实验结果表明:基于CNN-BiLSTM网络的人体活动识别方法对13种人体活动的识别准确率达到了97.7%,与仅具备时间特征学习的LSTM网络和BiLSTM网络相比,具有更好的识别分类效果。展开更多
短期电力负荷预测有助于维持发电端和用电端的动态平衡,保障电力系统稳定且高效地运行。分布式能源的大规模并网以及气象和节假日等短期因素的影响,使得负荷序列呈现明显的波动性和非线性。为此,该文提出基于花授粉算法(flower pollinat...短期电力负荷预测有助于维持发电端和用电端的动态平衡,保障电力系统稳定且高效地运行。分布式能源的大规模并网以及气象和节假日等短期因素的影响,使得负荷序列呈现明显的波动性和非线性。为此,该文提出基于花授粉算法(flower pollination algorithm,FPA)优化变分模态分解(variational mode decomposition,VMD)和双向长短时记忆(bidirectional long and short time memory,BiLSTM)神经网络的新型两阶段短期电力负荷预测方法。第一阶段首先提出了一种关于分解损失的VMD评价标准,并采用FPA来寻找该标准下分解参数的最优组合,从而降低了经验设置参数的随机性并且减少了分解过程中的信号损失,提高了分解质量;其次针对分解所得的每个子序列分别建立具备双向处理和长期记忆的BiLSTM神经网络,从而可以更好地挖掘负荷数据的过去和未来的深度时序特征。第二阶段综合考虑模态分量以及气象和星期类型等短期因素的影响,建立基于BiLSTM神经网络的误差纠正模型,用以挖掘误差中所包含的隐含信息,从而降低了模型的固有误差。将该文方法应用于美国南部某地区的负荷数据集,最终的平均绝对误差(mean absolute error,MAE)、平均绝对百分比误差(mean absolute percentage error,MAPE)和均方根误差(root mean square error,RMSE)以及R2分别为108.03、1.19%、146.48以及0.9812。随后在冀北电网某供电公司的实际应用中,再次证明了该方法在区域性短期电力负荷预测中的有效性。展开更多
“双碳”背景下风电的渗透率不断提高,将对电力系统的形态和运行机制产生深刻影响。本文提出了一种基于双向长短期记忆Bi-LSTM(bidirectional long short-term memory)循环神经网络的风储系统控制策略。采用双向长短时循环神经网络提取...“双碳”背景下风电的渗透率不断提高,将对电力系统的形态和运行机制产生深刻影响。本文提出了一种基于双向长短期记忆Bi-LSTM(bidirectional long short-term memory)循环神经网络的风储系统控制策略。采用双向长短时循环神经网络提取控制结果与风电场实际出力以及储能状态间的时序信息,通过构建基于双向长短时记忆循环神经网络的控制模型,使得风电场在多种运行工况下能够快速、准确地得到储能系统调节结果。基于实际风电场数据仿真结果表明,本文所提控制策略能够保证在一定经济效益的前提下,将风储系统控制误差保持在0.50%~1.37%。展开更多
为快速构建并准确预测温度作用引起的斜拉桥主梁应变用于结构状态评估,基于某大跨度斜拉桥主梁超过1年的温度和应变监测数据,提出了一种基于迁移学习和双向长短时记忆(bi-directional long short-term memory,Bi-LSTM)神经网络的斜拉桥...为快速构建并准确预测温度作用引起的斜拉桥主梁应变用于结构状态评估,基于某大跨度斜拉桥主梁超过1年的温度和应变监测数据,提出了一种基于迁移学习和双向长短时记忆(bi-directional long short-term memory,Bi-LSTM)神经网络的斜拉桥温度-应变映射模型建立方法。首先,利用解析模态分解(analytical mode decomposition,AMD)去噪应变数据,得到仅由温度引起的应变响应;其次,选择温度和某一测点应变数据构成数据集,采用Bi-LSTM神经网络训练该数据集,并通过网络结构和超参数优化建立温度-应变Bi-LSTM基准模型;最后,利用迁移学习方法,将已训练好的基准模型中部分参数迁移到其他温度-应变数据集,建立相应的温度-应变映射被迁移模型,并与未采用迁移学习的神经网络训练方法进行对比。研究结果表明,相比直接建立的温度-应变Bi-LSTM神经网络映射模型,采用迁移学习方法建立的被迁移模型,其拟合精度均高于所用的基准模型,且训练时间短,预测误差小。展开更多
文摘基于机器学习方法的暂态稳定评估已成为电力系统分析与控制领域的热点,由于实际系统中存在不能实现相量测量单位(PMU)的全面覆盖以及数据采集存在噪声的问题,使得传统机器学习方法的评估性能受到较大限制。针对此,构建了一种在PMU最优布点上的时间序列特征,提出了一种将改进卷积神经网络(improved convolutional neural network,ICNN)与双向长短时记忆网络(bidirectional long short term memory network,BiLSTM)进行融合的评估方法。该方法首先利用BiLSTM提取电压、相角以及有功功率三种基本电气量的时间序列特征,随后通过卷积和池化操作对数据进行进一步的数据挖掘,最后利用轻量梯度提升机完成对数据的分类。为了避免出现过拟合现象,该方法还通过正则化、Dropout等方式提升模型的泛化性能。在新英格兰10机39节点上的算例表明,该方法能利用基本电气量数据进行暂态稳定评估,且在复杂条件下仍能保持较好的评估性能。
文摘针对分布式电源和新型负荷容量累积造成负荷影响因素多元化和不确定性特性增强的问题,文中提出一种采用记忆神经网络和曲线形状修正的负荷预测方法。在负荷峰值预测中,采用最大信息系数计算负荷峰值与影响因素的非线性相关性,实现对输入特征的筛选;综合考虑负荷峰值序列的长短期自相关性和输入特征与负荷峰值的不同程度相关性,结合Attention机制和双向长短时记忆(bidirectional long short-term memory,BiLSTM)神经网络建立负荷峰值预测模型。在负荷标幺曲线预测中,通过误差倒数法组合相似日和相邻日,建立负荷标幺曲线预测模型;针对预测偏差的非平稳特征,利用自适应噪声的完全集成经验模态分解和BiLSTM网络建立误差预测模型,对曲线形状进行修正。应用中国北方某城市的区域电网负荷数据为算例,验证了所提模型的有效性。
文摘在移动通信网络快速发展的背景下,蜂窝流量预测对于网络规划、优化和资源管理具有重大意义。针对蜂窝流量数据的复杂性和非线性特点,提出一种基于二次分解的混合神经网络蜂窝流量预测方法。首先,采用自适应噪声的完备集合经验模式分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)方法将原始流量分解为多个子序列,利用K-Shape聚类算法重构为频率序列和趋势序列。为了更细致地揭示数据的内在结构,运用变分模态分解(variational mode decomposition,VMD)方法对频率序列进行二次分解,生成多维频率序列。然后,将一维趋势序列和多维频率序列分别输入至局部特征提取模块,其中单通道特征提取层利用一维卷积神经网络(one-dimensional convolution neural network,1DCNN)提取一维趋势序列的局部特征,而多通道特征提取层则结合卷积块注意力模块(convolutional block attention module,CBAM)捕捉多维频率序列中的关键信息。紧接着将提取到的特征向量分别输入到时序信息学习模块中,利用双向长短时记忆(bidirectional long short term memory,BiLSTM)网络和注意力机制学习时序变化规律,完成预测流量的输出。最后,通过对趋势序列和频率序列的预测结果求和,实现对蜂窝流量的准确预测。为了验证所提方法的有效性,利用公开数据集进行实验验证,并与多种不同方法进行对比。实验结果表明,所提预测方法展现出更优的预测性能,为蜂窝网络的智能管理和优化提供了有力支持。
文摘针对人体活动传感器数据的时序性特点,以及当前机器学习算法过度依赖手工特征提取的问题,提出了一种融合卷积神经网络和双向长短期记忆网络的深度学习模型(convolutional neural network-bidirectional long short term memory network,CNN-BiLSTM)进行人体活动识别(human activity recognition,HAR)。首先对人体活动数据进行样本分割,然后采用卷积神经网络(convolutional neural networks,CNN)自动提取人体活动数据的特征,再通过双向长短时记忆网络(bi-directional long-short term memory,BiLSTM)学习人体活动数据特征在时间序列上前后两个方向的相关性,最后利用softmax分类器实现对人体活动分类。DaLiAc公开数据集上的仿真实验结果表明:基于CNN-BiLSTM网络的人体活动识别方法对13种人体活动的识别准确率达到了97.7%,与仅具备时间特征学习的LSTM网络和BiLSTM网络相比,具有更好的识别分类效果。
文摘短期电力负荷预测有助于维持发电端和用电端的动态平衡,保障电力系统稳定且高效地运行。分布式能源的大规模并网以及气象和节假日等短期因素的影响,使得负荷序列呈现明显的波动性和非线性。为此,该文提出基于花授粉算法(flower pollination algorithm,FPA)优化变分模态分解(variational mode decomposition,VMD)和双向长短时记忆(bidirectional long and short time memory,BiLSTM)神经网络的新型两阶段短期电力负荷预测方法。第一阶段首先提出了一种关于分解损失的VMD评价标准,并采用FPA来寻找该标准下分解参数的最优组合,从而降低了经验设置参数的随机性并且减少了分解过程中的信号损失,提高了分解质量;其次针对分解所得的每个子序列分别建立具备双向处理和长期记忆的BiLSTM神经网络,从而可以更好地挖掘负荷数据的过去和未来的深度时序特征。第二阶段综合考虑模态分量以及气象和星期类型等短期因素的影响,建立基于BiLSTM神经网络的误差纠正模型,用以挖掘误差中所包含的隐含信息,从而降低了模型的固有误差。将该文方法应用于美国南部某地区的负荷数据集,最终的平均绝对误差(mean absolute error,MAE)、平均绝对百分比误差(mean absolute percentage error,MAPE)和均方根误差(root mean square error,RMSE)以及R2分别为108.03、1.19%、146.48以及0.9812。随后在冀北电网某供电公司的实际应用中,再次证明了该方法在区域性短期电力负荷预测中的有效性。
文摘“双碳”背景下风电的渗透率不断提高,将对电力系统的形态和运行机制产生深刻影响。本文提出了一种基于双向长短期记忆Bi-LSTM(bidirectional long short-term memory)循环神经网络的风储系统控制策略。采用双向长短时循环神经网络提取控制结果与风电场实际出力以及储能状态间的时序信息,通过构建基于双向长短时记忆循环神经网络的控制模型,使得风电场在多种运行工况下能够快速、准确地得到储能系统调节结果。基于实际风电场数据仿真结果表明,本文所提控制策略能够保证在一定经济效益的前提下,将风储系统控制误差保持在0.50%~1.37%。
