基于R-OSELM的海洋环境数据在线预测

为及时辨识海洋环境的变化趋势和降低长期累积的海洋环境数据对预测模型的影响,提出一种基于循环在线顺序极限学习机(Recurrent Online Sequential Extreme Learning Machine R-OSELM)的海洋环境数据在线预测模型.采用完全在线的方法初始化海洋环境数据训练集,通过在线顺序极限学习机算法对已有的海洋环境数据进行逐块输入,利用极限学习机的自动编码技术与一种归一化方法对输入权重循环处理,实现预测模型的在线更新,最后完成对海洋环境数据的在线预测.使用该模型对溶解氧、叶绿素a、浊度、蓝绿藻进行预测,结果表明R-OSELM模型的预测精度高于对比模型,确定其具备海洋环境数据在线预测能力,可为海洋水域水体富营养化与海洋环境污染预警提供参考.     

基于相似日和交叉熵理论的光伏发电功率组合预测

为进一步提高光伏发电功率预测精度,提出一种基于相似日和交叉熵理论的光伏发电短期功率组合预测方法.首先采用模糊C均值聚类方法对历史样本数据分类,并提出一种基于隶属度的指标来选取相似日.然后采用最小二乘支持向量机、时间序列法和BP神经网络法分别预测光伏发电功率,通过交叉熵算法动态设置各预测时刻下单一方法的权重值,建立光伏发电功率的组合预测模型.算例结果表明,所提方法能够动态识别单一预测方法包含的信息量,能确定更加合理的权重值,从而提高光伏发电功率的预测精度.     

在线时间序列预测方法及其应用

为解决非线性复杂时间序列在线预测问题,提出了一种基于过程神经网络模型的在线预测方法.首先,在历史数据的基础上建立双并联离散过程神经网络模型;然后,根据在线更新的数据样本,采用递推极限学习算法对过程神经网络隐层到输出层的权值进行相应的更新;最后,应用权值更新后的过程神经网络模型对时间序列进行预测.文中给出了具体的过程神经网络学习算法与权值更新机制,并以混沌时间序列与液体火箭发动机的状态预测为例对方法进行了验证.研究结果表明:该方法在预测精度和适应能力上较单一的离线模型有显著提高,可以为非线性复杂时间序列在线预测问题提供一种有效的解决方法.     

基于支持向量机的光伏发电功率预测

分析了光伏系统的发电特性以及影响光伏发电的因素,建立了基于支持向量机的光伏系统发电功率预测模型.该模型以结构风险最小化原则取代了传统机器学习方法中的经验风险最小化原则,在小样本的机器学习中有着优异的性能.用某一天的数据作为训练样本集,首先对数据进行去噪和归一化,然后用支持向量机方法对样本集进行训练和发电功率预测.仿真结果表明,基于支持向量机的预测模型具有较高的精度,可用于光伏发电系统的预测.     

几种热力站二次供水温度预测模型的比较分析

供热系统通常通过调节热力站二次供水温度来满足热用户的需求。为了准确的获得二次供水温度的预测值，通过相关性分析和偏自相关分析确定预测模型的特征集；采用在线序列极限学习机（OSELM）、多元线性回归（MLR）、BP神经网络（BP）、支持向量回归（SVR）和极限学习机（ELM）模型进行短期二次供水温度的预测。对天津市某热力站的应用结果表明：预测特征集为室外温度和前28 h的历史二次供水温度数据；在训练样本容量较少和跨供暖季应用两种情况下，OS-ELM预测精度均最高，MAPE值分别为1.55%和0.47%。     

基于GAELM神经网络的日前电价预测

针对日前电价预测问题,利用极限学习机建立预测模型.鉴于极限学习机在训练前随机产生输入权重和隐藏节点偏置,可能导致预测结果不稳定以及预测精度太低的问题,提出了一种基于遗传算法(GA)和极限学习机(ELM)的预测方法.首先利用遗传算法对极限学习机随机生成的参数进行寻优,然后根据优化后的参数建立基于GA-ELM的电价预测模型.最后以此模型对PJM电力市场的日前电价进行预测.结果表明,相比ELM和BP神经网络,GA-ELM具有更高的预测精度.     

基于极限学习机的光伏逆变器软故障辨识方法

针对光伏逆变器软故障的诊断问题,提出了一种基于极限学习机的逆变器电容退化程度诊断方法。提取逆变器电容信号的统计特征参数作为故障特征,利用极限学习机实现电容参数的辨识,确定逆变器的电容软故障。实验结果表明,基于故障信号的统计特征,运用极限学习机实现特征参数辨识的方法,具有抗干扰性强、诊断速度快、诊断精度高等优势,而且检测信号易获取,诊断成本低,适合用于在线诊断。     

基于FA-PCA-LSTM的光伏发电短期功率预测

准确的短期光伏功率预测是调度部门合理制定发电计划、保证电力系统安全性和经济性的关键性技术.针对光伏出力可预测性低的问题,提出了一种结合因子分析(factor analysis,FA)、主成分分析(principal component analysis,PCA)和长短期记忆网络(long short-term memory,LSTM)的光伏发电短期功率预测方法.首先采用因子分析对多元数据序列信息进行分析,提取相关性较高的公共因子并优化样本.然后通过主成分分析对优化后的多元数据序列进行筛选,在充分利用序列信息的基础上降低数据规模和复杂程度.最后,利用LSTM网络对多元数据序列与光伏功率序列之间的非线性关系进行动态时间建模并预测.采用中国新疆某光伏电站的实测数据进行验证,算例分析结果表明所提预测方法的有效性.     

多变量时间序列CAR模型在短期光伏发电量预测中的应用

提出一种采用多变量自回归时间序列CAR(Controlled Auto-regressive)模型作为预测光伏电站发电量的方法。该方法利用灰色关联度分析影响光伏发电量的关键气象环境因子,结合光伏电站历史数据,基于CAR模型建立了短期光伏发电量预测模型。以华中科技大学电力电子研究中心18kWp并网光伏电站资料进行预测试验,并通过调整模型参数获得了适合的模型,结果验证了该方法的有效性。应用结果表明,天气良好时,预测精度较高,对光伏电站发电管理具有一定的参考价值。     

融合ELM和相关滤波的鲁棒性目标跟踪算法

为解决目前主流相关滤波跟踪方法中跟踪结果容易陷入局部最优值以及因引入深度学习带来的特征提取过程过慢的问题,提出一种融合极限学习机和相关滤波器的鲁棒性目标跟踪算法。该算法在C-COT算法的基础上对其特征提取方式和置信图的寻优方法进行改善。首先,利用多层稀疏自编码极限学习机技术,设计新的特征提取模型,以代替原来的卷积神经网络,可快速且高效地提取图像特征;其次,在特征提取模型之后,添加在线序列极限学习机,构建目标粗糙位置估计模型,采用多峰检测方法初步求得目标的预测位置;第三,根据初步的目标预测位置确定置信图的搜索区域,避免跟踪结果陷入局部最优值;最后,在3个目标跟踪标准数据集上验证新算法的有效性。实验结果表明,新算法的跟踪速度是C-COT算法的12.9倍,且对遮挡、运动模糊以及相似目标等有较强的鲁棒性,可有效地提高跟踪精度和速度。     

基于主成分分析和LightGBM的风电场发电功率超短期预测

风力发电场发电功率的超短期预测越精确,越有利于电力系统的稳定运行和优化调度。为提高风电场发电功率超短期预测的准确率,提出了一种基于主成分分析(PCA)和轻量梯度提升树(LightGBM)的风电场发电功率超短期预测方法。该方法首先进行主成分分析,将与风电功率相关程度低的维度剔除,降低数据的冗余性。然后利用LightGBM建模,实现风电场发电功率的超短期预测。实验结果表明,基于LightGBM的风电场发电功率超短期预测效果良好,优于传统机器学习方法在风电场超短期功率预测上的精度。     

基于主成分分析和LightGBM算法的风电场发电功率超短期预测

风力发电场发电功率的超短期预测越精确,越有利于电力系统的稳定运行和优化调度。为提高风电场发电功率超短期预测的准确率,提出了一种基于主成分分析和GBM算法的风电场发电功率超短期预测方法。该方法首先进行PCA主成分分析将与风电功率相关程度低的维度剔除,降低数据的冗余性,然后利用GBM算法建模实现风电场发电功率的超短期预测。实验结果表明基于GBM算法的风电场发电功率超短期预测效果良好,优于传统机器学习方法在风电场超短期的功率预测上的精度。     

基于深度学习的新能源爬坡事件预测方法

随着新能源渗透率的逐渐增大,有功功率不平衡的爬坡事件时有发生,甚至造成较大负荷损失。因风电和光伏预测的精度不够,需要考虑的运行场景较多,时域仿真不能满足在线评估要求。提出一种基于深度学习的方法,综合考虑机组和联络线的调节能力,利用堆叠降噪自动编码器提取各层特征训练支持向量机。将风电、光伏和负荷预测数据及上一时刻联络线功率等相关量作为输入,是否发生爬坡事件为输出,通过支持向量机快速预测是否发生爬坡事件。实际电网的仿真结果表明,本研究方法快速准确,能够对爬坡事件进行有效辨识。     

基于深度学习的新能源爬坡事件预测方法

随着新能源渗透率的逐渐增大,有功功率不平衡的爬坡事件时有发生,甚至造成较大负荷损失。因风电和光伏预测的精度不够,需要考虑的运行场景较多,时域仿真不能满足在线评估要求。提出一种基于深度学习的方法,综合考虑机组和联络线的调节能力,利用堆叠降噪自动编码器提取各层特征训练支持向量机。将风电、光伏和负荷预测数据及上一时刻联络线功率等相关量作为输入,是否发生爬坡事件为输出,通过支持向量机快速预测是否发生爬坡事件。实际电网的仿真结果表明,本研究方法快速准确,能够对爬坡事件进行有效辨识。     

基于注意力机制的数控机床热误差深度学习预测方法

为提高热误差预测精度和鲁棒性,提出一种基于注意力机制和深度学习网络的数控机床热误差预测模型。采用数据转化策略,将数控机床原始温度数据转化为温度图像,直接作为深度学习网络的输入;提出一种基于注意力机制的温度敏感点识别网络,根据温度测点与热误差关联程度,赋予各温度测点不同的权值,避免了温度测点的人为选取弊端;建立12层深度CNN学习预测网络,利用其强大的图像特征学习能力,挖掘温度图像与热误差的非线性映射关系,无需对温度关键点进行预选择,保留了更多的热误差与机床温度特征关系,显著提高了模型预测精度。为了提高热误差模型的精度与泛化能力,引入Dropout正则化方法和Adam优化算法,对深度卷积神经网络的结构与参数进行了优化。该方法在针对G460L型数控车床的热误差验证中表现出较高的预测精度。通过与BP神经网络和多元回归等传统热误差模型进行对比,深度卷积神经网络框架下的热误差模型在泛化性指标上表现更优。     

基于ANFIS的超短期风电出力预测模型及仿真

针对短期风电出力预测精度不足的问题,在分析目前各基本预测方法的基础上,提出一种基于自适应神经模糊推理系统的短期风电出力组合优化方法.结合模糊C均值算法来调整系统前进参数和结论参数,提高系统参数寻优的效率.结果表明,该方法能够很好地处理非线性组合规划问题,从而有利于风电消纳.所提方法能够很好地克服单一方法在风电出力预测精度上的不足,更好地满足风电实际运行环境下的精度要求.     

基于原子稀疏分解和支持向量机的风电功率实时预测研究

准确的超短期风电功率实时预测是实现风能大规模调度的有效手段.针对风电场风电功率实时预测精度低的问题,文中提出了一种基于原子稀疏分解(ASD)理论和支持向量机的预测方法.该方法利用原子稀疏分解算法对风电功率时间序列进行分解,然后对得到的原子分量和残差分量分别进行自预测和支持向量机预测,最后将预测值组合叠加,从而得到最终的预测值.以某风电场的实测风电功率数据为例,进行不同时段的实时预测.结果表明,该方法可以显著提高风电功率的预测精度.