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
重要输电通道风险评估和预测对状态检修和线路运维工作具有指导性意义,而采用传统长短时记忆(long and short-term memory,LSTM)网络对线路风险进行预测时,人为调参困难、预测精度较低,因此,提出了一种基于水波优化-因子分析-长短时记忆...重要输电通道风险评估和预测对状态检修和线路运维工作具有指导性意义,而采用传统长短时记忆(long and short-term memory,LSTM)网络对线路风险进行预测时,人为调参困难、预测精度较低,因此,提出了一种基于水波优化-因子分析-长短时记忆(water wave optimization-factor analysis-long and short-term memory,WWO-FALSTM)的重要输电通道风险准确评估与快速预测方法。首先,引入Levy分布、高斯–柯西变异算子和线性递减波高对WWO进行改进;其次,获取评估区多维致灾因子,并进行FA降维后作为网络输入,考虑孕灾环境敏感性和承灾体易损性计算出风险指数Rc作为网络输出;通过改进的WWO对LSTM进行不断优化,得到最优化LSTM模型;最后,采用最优化LSTM模型对重要输电通道进行风险预测。结果表明,该模型风险评估准确,模型预测较传统方法降低了误差,适用于输电通道风险评估与预测。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。
文摘重要输电通道风险评估和预测对状态检修和线路运维工作具有指导性意义,而采用传统长短时记忆(long and short-term memory,LSTM)网络对线路风险进行预测时,人为调参困难、预测精度较低,因此,提出了一种基于水波优化-因子分析-长短时记忆(water wave optimization-factor analysis-long and short-term memory,WWO-FALSTM)的重要输电通道风险准确评估与快速预测方法。首先,引入Levy分布、高斯–柯西变异算子和线性递减波高对WWO进行改进;其次,获取评估区多维致灾因子,并进行FA降维后作为网络输入,考虑孕灾环境敏感性和承灾体易损性计算出风险指数Rc作为网络输出;通过改进的WWO对LSTM进行不断优化,得到最优化LSTM模型;最后,采用最优化LSTM模型对重要输电通道进行风险预测。结果表明,该模型风险评估准确,模型预测较传统方法降低了误差,适用于输电通道风险评估与预测。
