为增强综合能源系统负荷精细化分解水平,充分利用误差信息以进一步提升预测性能,提出一种基于聚合混合模态分解和时序卷积神经网络(temporal convolutional network,TCN)的综合能源系统负荷修正预测框架。首先,采用改进完全集合经验模...为增强综合能源系统负荷精细化分解水平,充分利用误差信息以进一步提升预测性能,提出一种基于聚合混合模态分解和时序卷积神经网络(temporal convolutional network,TCN)的综合能源系统负荷修正预测框架。首先,采用改进完全集合经验模态分解对电、冷和热负荷初步分解处理,随后利用变分模态分解对具有强复杂性的子序列进一步分解。然后,依据最大信息系数(maximum information coefficient,MIC)分析多元负荷的耦合特性并通过多元相空间重构(multivariate phase space reconstruction,MPSR)丰富特征信息。最后,构建基于TCN的修正预测模型。以校园综合能源系统算例对比不同预测模型,结果显示所提修正预测框架的电、冷和热负荷预测均具有较低的平均绝对百分比误差,有效解决了预测中模态分解的模态混叠以及模态高频分量问题,实现预测误差修正。展开更多
针对风电场规划中风速的高随机性问题,提出了一种基于小样本空时融合压缩残差网络点预测(spatio-temporal integration and compression deep residual,STiCDRS)模型。该模型旨在深入挖掘风速序列中的空间和时间特征,以提升点预测精度...针对风电场规划中风速的高随机性问题,提出了一种基于小样本空时融合压缩残差网络点预测(spatio-temporal integration and compression deep residual,STiCDRS)模型。该模型旨在深入挖掘风速序列中的空间和时间特征,以提升点预测精度。首先,采用空时融合压缩残差网络点预测模型得到点预测结果。然后,在此基础上采用新颖的空时融合压缩残差网络区间(STiCDRS-Gaussian process regression,STiCDRS-GPR)预测模型得到风速的区间预测结果,进而得到更为可靠的风速概率预测结果。该模型采用贝叶斯优化方法进行超参数选择,确保超参数的高效自动化调优。最后,使用内蒙古地区风电场的风速数据集,将STiCDRS模型与传统经典模型的预测结果进行对比。实验结果表明,相较于其他模型,所提STiCDRS-GPR模型在风速预测中具有更高的点预测精度、适宜的预测区间以及可靠的概率预测结果,充分展示了其在风速预测领域的良好应用潜力。展开更多
文摘为增强综合能源系统负荷精细化分解水平,充分利用误差信息以进一步提升预测性能,提出一种基于聚合混合模态分解和时序卷积神经网络(temporal convolutional network,TCN)的综合能源系统负荷修正预测框架。首先,采用改进完全集合经验模态分解对电、冷和热负荷初步分解处理,随后利用变分模态分解对具有强复杂性的子序列进一步分解。然后,依据最大信息系数(maximum information coefficient,MIC)分析多元负荷的耦合特性并通过多元相空间重构(multivariate phase space reconstruction,MPSR)丰富特征信息。最后,构建基于TCN的修正预测模型。以校园综合能源系统算例对比不同预测模型,结果显示所提修正预测框架的电、冷和热负荷预测均具有较低的平均绝对百分比误差,有效解决了预测中模态分解的模态混叠以及模态高频分量问题,实现预测误差修正。
文摘针对风电场规划中风速的高随机性问题,提出了一种基于小样本空时融合压缩残差网络点预测(spatio-temporal integration and compression deep residual,STiCDRS)模型。该模型旨在深入挖掘风速序列中的空间和时间特征,以提升点预测精度。首先,采用空时融合压缩残差网络点预测模型得到点预测结果。然后,在此基础上采用新颖的空时融合压缩残差网络区间(STiCDRS-Gaussian process regression,STiCDRS-GPR)预测模型得到风速的区间预测结果,进而得到更为可靠的风速概率预测结果。该模型采用贝叶斯优化方法进行超参数选择,确保超参数的高效自动化调优。最后,使用内蒙古地区风电场的风速数据集,将STiCDRS模型与传统经典模型的预测结果进行对比。实验结果表明,相较于其他模型,所提STiCDRS-GPR模型在风速预测中具有更高的点预测精度、适宜的预测区间以及可靠的概率预测结果,充分展示了其在风速预测领域的良好应用潜力。
