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
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
针对起重机械设备健康状态多时间单位步长预测中出现的监测数据时间跨度小、数据量密集、特征多维、没有标签的问题,提出一种结合卷积神经网络(convolutional neural network,CNN)和双向编码解码长短期循环神经网络(bidirectional long ...针对起重机械设备健康状态多时间单位步长预测中出现的监测数据时间跨度小、数据量密集、特征多维、没有标签的问题,提出一种结合卷积神经网络(convolutional neural network,CNN)和双向编码解码长短期循环神经网络(bidirectional long short-term memory with encoder-decoder,ED-BLSTM)的起重机械设备健康预测方法。对监测数据进行时序排列,在保证相同输入-输出时间步长尺寸情况下对数据集切分重组,将处理后数据集输入到卷积神经网络,提取主要特征,得到多维矩阵。采用基于编码解码器的双向长短期循环神经网络对多维矩阵进行训练,建立起重机械多时间单位步长的目标预测模型,达到长期预测起重机械设备健康状态的目的。对比实验表明,所提方法的验证损失最多降低0.474%,最少降低0.097%;预测损失最多降低1.411%,最少降低1.230%,实际预测性能有较大提高,对工业起重机械健康预测技术的发展有积极意义。展开更多
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%。
文摘针对起重机械设备健康状态多时间单位步长预测中出现的监测数据时间跨度小、数据量密集、特征多维、没有标签的问题,提出一种结合卷积神经网络(convolutional neural network,CNN)和双向编码解码长短期循环神经网络(bidirectional long short-term memory with encoder-decoder,ED-BLSTM)的起重机械设备健康预测方法。对监测数据进行时序排列,在保证相同输入-输出时间步长尺寸情况下对数据集切分重组,将处理后数据集输入到卷积神经网络,提取主要特征,得到多维矩阵。采用基于编码解码器的双向长短期循环神经网络对多维矩阵进行训练,建立起重机械多时间单位步长的目标预测模型,达到长期预测起重机械设备健康状态的目的。对比实验表明,所提方法的验证损失最多降低0.474%,最少降低0.097%;预测损失最多降低1.411%,最少降低1.230%,实际预测性能有较大提高,对工业起重机械健康预测技术的发展有积极意义。
