为解决光伏序列的强噪音干扰以及单一模型在光伏功率预测方面精度偏低和泛化性较差的问题,提出了一种基于特征优化和混合改进灰狼算法优化双向长短时记忆网络(bi-directional long short-term memory,BiLSTM)的短期光伏功率预测方法。首...为解决光伏序列的强噪音干扰以及单一模型在光伏功率预测方面精度偏低和泛化性较差的问题,提出了一种基于特征优化和混合改进灰狼算法优化双向长短时记忆网络(bi-directional long short-term memory,BiLSTM)的短期光伏功率预测方法。首先,运用互信息算法进行输入数据的变量选择,以消除冗余变量。其次,通过互补集合经验模态分解和改进的小波阈值算法对筛选后的数据进行特征重构,旨在降低数据中的噪声干扰并完成输入变量的特征优化。随后,结合改进的Tent混沌映射、非线性递减因子、动态权重策略和差分进化算法对标准灰狼优化算法进行混合优化,以确定双向长短期记忆神经网络的最优超参数组合,并引入注意力机制以挖掘数据中的关键时序信息,最终构建出一种新型的短期光伏功率预测模型。仿真实验表明,相较于最小二乘支持向量机、长短期记忆网络和双向长短期记忆网络,所提模型在晴天、多云、阴天和降雨等不同工况下的均方根误差平均分别降低了12.45%、7.95%和5.37%,显示出优秀的预测性能、良好的泛化能力和潜在的工程应用价值。展开更多
以云南省天星站和坡脚站10、20、40 cm 3个土层的土壤含水量观测数据为基础,通过改进时变滤波经验模态分解(TVFEMD)和快速学习网(FLN)方法构建基于多种优化算法的预测模型(TVFEMD-BSLO/AO/IVYA/EGO/PSO-FLN),提升土壤含水量时间序列预...以云南省天星站和坡脚站10、20、40 cm 3个土层的土壤含水量观测数据为基础,通过改进时变滤波经验模态分解(TVFEMD)和快速学习网(FLN)方法构建基于多种优化算法的预测模型(TVFEMD-BSLO/AO/IVYA/EGO/PSO-FLN),提升土壤含水量时间序列预测精度。通过比较各优化算法的模型性能,为土壤水分预测提供更优的建模方法。结果表明,TVFEMD分解效果主要受带宽阈值和B样条阶数2个关键参数影响。采用IVYA算法优化这2个参数可提升时间序列分解质量,进而改善模型预测性能。TVFEMD-BLSO/AO/IVYA/EGO-FLN模型在训练集上表现出卓越的预测性能,其平均绝对百分比误差(MAPE)为0.002%~0.077%,决定系数(R^(2))为0.9997~1.0000;预测集中的MAPE为0.006%~0.459%,R^(2)为0.9966~1.0000。与TVFEMD-PSO-FLN模型相比,TVFEMD-BLSO/AO/IVYA/EGO-FLN模型在拟合性能和预测精度方面均有明显提升。采用BLSO、AO、IVYA和EGO算法优化FLN超参数可有效提升模型性能,其中IVYA算法的优化效果较突出。展开更多
文摘为解决光伏序列的强噪音干扰以及单一模型在光伏功率预测方面精度偏低和泛化性较差的问题,提出了一种基于特征优化和混合改进灰狼算法优化双向长短时记忆网络(bi-directional long short-term memory,BiLSTM)的短期光伏功率预测方法。首先,运用互信息算法进行输入数据的变量选择,以消除冗余变量。其次,通过互补集合经验模态分解和改进的小波阈值算法对筛选后的数据进行特征重构,旨在降低数据中的噪声干扰并完成输入变量的特征优化。随后,结合改进的Tent混沌映射、非线性递减因子、动态权重策略和差分进化算法对标准灰狼优化算法进行混合优化,以确定双向长短期记忆神经网络的最优超参数组合,并引入注意力机制以挖掘数据中的关键时序信息,最终构建出一种新型的短期光伏功率预测模型。仿真实验表明,相较于最小二乘支持向量机、长短期记忆网络和双向长短期记忆网络,所提模型在晴天、多云、阴天和降雨等不同工况下的均方根误差平均分别降低了12.45%、7.95%和5.37%,显示出优秀的预测性能、良好的泛化能力和潜在的工程应用价值。
文摘以云南省天星站和坡脚站10、20、40 cm 3个土层的土壤含水量观测数据为基础,通过改进时变滤波经验模态分解(TVFEMD)和快速学习网(FLN)方法构建基于多种优化算法的预测模型(TVFEMD-BSLO/AO/IVYA/EGO/PSO-FLN),提升土壤含水量时间序列预测精度。通过比较各优化算法的模型性能,为土壤水分预测提供更优的建模方法。结果表明,TVFEMD分解效果主要受带宽阈值和B样条阶数2个关键参数影响。采用IVYA算法优化这2个参数可提升时间序列分解质量,进而改善模型预测性能。TVFEMD-BLSO/AO/IVYA/EGO-FLN模型在训练集上表现出卓越的预测性能,其平均绝对百分比误差(MAPE)为0.002%~0.077%,决定系数(R^(2))为0.9997~1.0000;预测集中的MAPE为0.006%~0.459%,R^(2)为0.9966~1.0000。与TVFEMD-PSO-FLN模型相比,TVFEMD-BLSO/AO/IVYA/EGO-FLN模型在拟合性能和预测精度方面均有明显提升。采用BLSO、AO、IVYA和EGO算法优化FLN超参数可有效提升模型性能,其中IVYA算法的优化效果较突出。
