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
电动汽车电驱动系统高频加速噪声严重影响整车声品质。为此,通过电驱动系统振动噪声试验,采集多工况加速噪声信号,并进行主、客观评价。结合相关性分析以心理声学参数为输入,通过改进的灰狼算法(improved gray wolf optimizer,IGWO)优...电动汽车电驱动系统高频加速噪声严重影响整车声品质。为此,通过电驱动系统振动噪声试验,采集多工况加速噪声信号,并进行主、客观评价。结合相关性分析以心理声学参数为输入,通过改进的灰狼算法(improved gray wolf optimizer,IGWO)优化支持向量回归(support vector regression,SVR),建立IGWO-SVR模型用于电驱动系统声品质预测。引入互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)与信号的均方根值(root mean square,RMS),提取电驱动系统加速噪声的CEEMD-RMS特征,并建立以CEEMD-RMS为输入的IGWO-SVR声品质预测模型。检验结果表明:以CEEMD-RMS特征为输入的声品质预测模型,预测效果较以心理声学参数为输入的IGWO-SVR模型更优,测试集平均相对误差由8.88%减小为4.18%。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。
