待分解信号复杂度增大时传统单信号分解技术易产生过高特征空间维度的高频本征模态函数(intrinsic mode function,IMF),从而严重限制了长短时记忆神经网络(long short term memory,LSTM)的长时序预报能力。以舟山群岛南部外海某观测点...待分解信号复杂度增大时传统单信号分解技术易产生过高特征空间维度的高频本征模态函数(intrinsic mode function,IMF),从而严重限制了长短时记忆神经网络(long short term memory,LSTM)的长时序预报能力。以舟山群岛南部外海某观测点所收集的海浪数据为基础,提出融合ICEEMDAN-VMD级联分解策略和LSTM的混合模型。该混合模型准确捕捉海洋波浪的非线性特征和长时序依赖规律,提高了复杂海况下对有效波高、有效波周期、波向的长时预报能力。与多变量LSTM模型相比,混合模型的48 h和72 h有效波高预测均方根误差(root mean square error,RMSE)降幅分别为53.9%和33.8%,有效波周期预测RMSE降幅分别为46.1%和39.1%,波向预测RMSE降幅分别为30.5%和23.9%。与EMD-LSTM模型相比,混合模型有效波高、有效波周期、波向的RMSE平均降幅分别为13.52%、17.79%、15.39%。展开更多
极端天气事件的发生会导致电力负荷产生突增或突降,对电网的稳定性和供电能力带来挑战。然而,现有的超短期负荷预测方法对极端天气下非线性和动态变化的负荷特征预测能力有限。为应对极端天气下负荷突变性强及波动剧烈导致的预测精度降...极端天气事件的发生会导致电力负荷产生突增或突降,对电网的稳定性和供电能力带来挑战。然而,现有的超短期负荷预测方法对极端天气下非线性和动态变化的负荷特征预测能力有限。为应对极端天气下负荷突变性强及波动剧烈导致的预测精度降低的问题,提出了一种考虑极端天气的二次重构分解去噪和双向长短时记忆网络(bidirectional long short-term memory,BiLSTM)的超短期电力负荷预测方法。首先,利用最大信息系数选取出能够最大程度反映对负荷影响的气候特征。然后,通过二次重构分解去噪方法提取到负荷多个频段的特征,降低数据复杂性,为BiLSTM模型提供更干净和信息量更清晰的输入序列,从而改善模型的训练效果和预测能力。最后基于比利时、福建省某区域以及得土安市的历史数据集进行算例分析,不同算例中平均绝对百分比误差分别下降到1.024%、0.875%、1.270%和1.009%,实验结果验证了所提方法在极端天气发生时的电力负荷超短期预测方面具有较好的预测性能和广阔的应用前景。展开更多
文摘准确预测台区的电力负荷,能够促使电力企业合理安排调度计划,保障台区电力安全和经济稳定运行。为了充分挖掘电力负荷数据的特征,提高预测的精度,提出一种基于自适应辛几何模态分解(adaptive symplectic geometry mode decomposition,ASGMD)、多元线性回归(multiple linear regression,MLR)和卷积长短时记忆(convolutional long short-term memory,CLSTM)网络的电力负荷预测方法。首先,应用ASGMD将台区负荷数据分解为弱相关和强相关两种分量;然后,利用MLR和CLSTM分别对上述两种分量分别进行预测;最后,组合各模型结果,得到最终负荷预测值。实例分析结果表明,所提模型较其他模型具有更高的预测准确度。
文摘待分解信号复杂度增大时传统单信号分解技术易产生过高特征空间维度的高频本征模态函数(intrinsic mode function,IMF),从而严重限制了长短时记忆神经网络(long short term memory,LSTM)的长时序预报能力。以舟山群岛南部外海某观测点所收集的海浪数据为基础,提出融合ICEEMDAN-VMD级联分解策略和LSTM的混合模型。该混合模型准确捕捉海洋波浪的非线性特征和长时序依赖规律,提高了复杂海况下对有效波高、有效波周期、波向的长时预报能力。与多变量LSTM模型相比,混合模型的48 h和72 h有效波高预测均方根误差(root mean square error,RMSE)降幅分别为53.9%和33.8%,有效波周期预测RMSE降幅分别为46.1%和39.1%,波向预测RMSE降幅分别为30.5%和23.9%。与EMD-LSTM模型相比,混合模型有效波高、有效波周期、波向的RMSE平均降幅分别为13.52%、17.79%、15.39%。
文摘极端天气事件的发生会导致电力负荷产生突增或突降,对电网的稳定性和供电能力带来挑战。然而,现有的超短期负荷预测方法对极端天气下非线性和动态变化的负荷特征预测能力有限。为应对极端天气下负荷突变性强及波动剧烈导致的预测精度降低的问题,提出了一种考虑极端天气的二次重构分解去噪和双向长短时记忆网络(bidirectional long short-term memory,BiLSTM)的超短期电力负荷预测方法。首先,利用最大信息系数选取出能够最大程度反映对负荷影响的气候特征。然后,通过二次重构分解去噪方法提取到负荷多个频段的特征,降低数据复杂性,为BiLSTM模型提供更干净和信息量更清晰的输入序列,从而改善模型的训练效果和预测能力。最后基于比利时、福建省某区域以及得土安市的历史数据集进行算例分析,不同算例中平均绝对百分比误差分别下降到1.024%、0.875%、1.270%和1.009%,实验结果验证了所提方法在极端天气发生时的电力负荷超短期预测方面具有较好的预测性能和广阔的应用前景。
