基于EEMD-LSTM模型的集中供热系统热负荷预测方法研究

对热网进行负荷预测是保障供热系统按需供热和精准调控的前提和依据.针对供热系统中由于高延迟、大惯性特点造成的调控不灵和能源浪费问题,构建了基于EEMD-LSMD方法的区域热网负荷预测模型,先通过EEMD(集合经验模态分解)对某热网换热站历史运行数据进行分解,并对分解的分量进行选择和辨别,再结合LSTM(长短期记忆神经网络...     

双模式分解CNN-LSTM集成的短期风速预测模型

为提高短期风速的预测精度,提出一种基于双模式分解、双通道卷积神经网络（CNN）和长短期记忆神经网络（LSTM）的组合预测模型以提高预测精度。首先,对经过PAM方法聚类后的风速时间序列利用奇异谱分解（SSD）和变分模态分解（VMD）2种信号分解方法进行分解,获得2类多尺度分量。不同模式的多尺度分量可降低原始风速的复杂度和非平稳性,实现不同模式模态分量规律的互补;其次,将2种分解方法得到的风速子序列合并为一个矩阵,输入到双通道CNN进行波形特征深度提取;最后,采用LSTM建立历史风速时序的时间依赖关系,在时空相关性分析的基础上得到最终风速预测结果。实验结果表明,基于双模式分解-双通道CNN-LSTM的组合预测模型可有效提高风速短期预测的精度。     

基于PAM-SSD-LSTM的短期风速预测

为提高短期风速预测的准确性,提出一种基于PAM聚类、奇异谱分解（SSD）和LSTM神经网络的组合预测模型来预测短期风速,以解决上述问题。首先,为提高神经网络的学习效率,采用PAM算法对原始风速数据进行相似日聚类;其次,SSD具有抑制模态混叠和虚假分量产生的优点,使用SSD分解风速序列,提取多尺度规律;最后,由于LSTM神经网络捕捉长时间依赖的序列的波动规律的能力较强,使用LSTM神经网络对分解后的风速分量进行预测,将各分量预测值叠加得到最终预测结果。实验结果表明,基于PAM-SSD-LSTM的组合预测模型可有效提高风速短期预测的准确率。     

组合两步分解和ARIMA-LSTM的短期风速预测研究

为提高风速序列预测精度,提出一种基于两步分解的短期风速组合预测模型,首先使用鲁棒经验模态分解（REMD）将风速数据分解为不同频率的子序列,然后将REMD分解得到的高频模态分量使用小波包分解（WPD）进行第二步分解,降低风速序列不稳定性,提高其可预测性。其次对分解得到的高频子序列建立长短期记忆神经网络（LSTM）预测模型,低频子序列建立差分自回归移动平均模型（ARIMA）预测模型。最后叠加子序列预测结果得到风速预测结果。通过两组不同风速数据集的实验对该模型的性能进行科学评估,模型预测结果的平均绝对误差分别为0.3026、0.1255;均方根误差分别为0.498、0.1607。与其他几种对比预测模型相比,验证该模型具有一定的优越性。     

基于IAOA-VMD-LSTM的超短期风电功率预测

为了对风电功率进行精确预测,提出一种基于改进算术优化算法（IAOA）、变分模态分解（VMD）和长短期记忆网络（LSTM）的超短期风电功率预测模型（IAOA-VMD-LSTM）。利用IAOA对VMD的关键分解参数k和α进行优化,得到的各固有模态函数（IMF）具有周期性,能够提升LSTM的预测精度,同时利用IAOA对LSTM网络参数进行优化。通过对风电功率数据进行预测分析,结果表明IAOA-VMD-LSTM预测模型相比于其他模型的预测精度更高。     

基于LSTM网络的光伏发电功率短期预测方法的研究

提高光伏发电功率预测结果的精度对电网规划和调度具有重要意义。基于前向神经网络或回归分析法的传统预测模型因缺乏历史记忆能力而导致自身鲁棒性较差、适应能力较弱。为了解决上述问题,文章提出了一种基于LSTM网络的光伏发电功率短期预测方法。在预处理过程中,文章先将天气类型依据日照晴朗指数量化为具体数值;然后,利用主成分分析法将与光伏发电功率相关性较高的多元数据序列进行降维,得到主成分数据序列;最后,建立基于LSTM网络的光伏发电功率短期预测模型,并将该模型的预测结果与BP网络预测模型和RNN网络预测模型的预测结果进行对比。模拟结果表明,基于LSTM网络的光伏发电功率短期预测模型能较好地反映时序数据的动态特性,预测精度较高,预测结果能够为电力调度部门提供可靠的数据支持。     

基于SVM-STL-LSTM的区域短期电力负荷预测研究

针对区域电力负荷的时间序列数据随机性强、预测精度低及单一模型的数据特征提取能力差等问题,提出了一种支持向量机(SVM)、STL时序分解法、长短期记忆神经网络(LSTM)组合的电力负荷预测模型。该模型利用SVM对时间序列的电力负荷数据进行初始预测,并通过STL时序分解法对残差序列进行时序分解,从而提高残差序列的稳定性,减小其随机性,最后用LSTM对SVM的预测误差进行修正。试验结果证明,该方法利用误差修正可有效处理随机性强的数据,有利于预测结果的稳定性,提高预测精度。     

融合残差与VMD-ELM-LSTM的短期风速预测

准确可靠的风速预测有利于维护电力系统的安全运行。为提高预测精度,本文提出一种融合残差与变分模态分解（VMD）、极限学习机（ELM）、长短时记忆（LSTM）的短期风速预测模型。首先,VMD算法将风速序列分解为若干个子序列以降低原始数据复杂度。接着将ELM作为初始预测引擎,用来提取各风速子序列特征。然后,对所有预测子序列进行重构,得到初步预测结果。为进一步挖掘原始风速序列中的不平稳特征,采用LSTM对初步预测结果的残差进行建模。最后,集成预测的残差与初步结果,得到最终的预测值。在真实风电场数据上开展实验,并将预测结果与其他模型对比。实验结果表明,所提模型能显著提升风速序列的预测性能。     

基于CEEMDAN二次分解和LSTM的风速多步预测研究

为了提高风速预测的准确性,提出一种基于自适应噪声完备经验模态分解（CEEMDAN）二次分解和长短时记忆（LSTM）网络的风速多步预测方法。该方法首先应用变分模态分解（VMD）将原始风速序列进行一次分解,充分利用其分解后的残余分量并采用CEEMDAN方法进行二次分解;然后将分解后的所有子序列分别输入到LSTM模型中进行风速多步预测;最后将各模型输出结果进行叠加获得预测风速。以内蒙古某风电场实测数据为例进行建模和预测分析,结果表明所提出的风速多步预测模型具有较高的预测精度,具备实际应用的可行性。     

基于CEEMDAN+RF+AdaBoost的短期负荷预测

高精度的短期负荷预测不仅是电力系统运行稳定的关键,也是构建智能电网的必要保证。为提高电力系统短期负荷预测精度,提出了一种基于完整集成经验模态分解(CEEMDAN)、随机森林(RF)和AdaBoost的预测方法。针对传统分解方法不能完整分解原始负荷序列的问题,利用CEEMDAN分解方法为各个阶段的IMF分解信号添加特定的白噪声,通过计算余量信号来获得各个模态分量,然后针对前9个模态分量构建RF预测模型,针对残余量构建AdaBoost预测模型,并对结果进行重构预测,得出未来24h的负荷预测数据。最后将CEEMDAN+RF+AdaBoost方法应用于华中地区的短期负荷预测,在同等条件下,与预测模型CEEMDAN+RF、EEMD+RF+AdaBoost、EMD+RF+AdaBoost、RF及AdaBoost进行试验对比,结果表明所构建预测模型的精度优于其他对比模型,具有很好的理论指导意义和实际应用前景。     

基于混合深度学习的风电功率预测及一次调频应用

为了解决高比例不确定性风电接入电力系统带来强烈调频需求的问题,提出了基于混合深度学习模型的风电功率预测及其一次调频应用方法。首先,采用孤立森林(Isolated Forest, IF)对历史数据进行异常值处理,提高数据质量,其次,构建卷积神经网络(Convolutional Neural Network, CNN)、双向长短期记忆(Bidirectional Long Short Term Memory, BiLSTM)和注意力机制(Attention Mechanism, AM)的混合深度学习模型对风电功率进行预测。最后,依据功率预测精度配置超级电容器储能,设计储能调频控制原则,弥补风电机组自身预测误差,并协同风电机组参与电力系统一次调频。基于预测结果为4台风电发电机组2个负荷区域仿真系统配置超级电容器储能系统,利用digsilent平台进行了风预测误差和负荷波动下的一次调频仿真。结果表明：所提IF-CNN-BiLSTM-AM模型比BP和LSTM基准模型预测误差(MSE)降低了81.53%和51.44%,具有最优的预测性能;设计的风储一次调频模型与原则可有效应对风电预测误差和负荷波动...     

基于随机失活LSTM网络的避雷器阻性电流预测方法

金属氧化物避雷器(MOA)老化后,会丧失对过电压的抑制力,从而使电气设备暴露在过电压的危险下,因此及时了解MOA老化情况,对于电力系统设备的安全、可靠运行十分重要。在此背景下,提出了引入随机失活技术的长短期记忆网络(LSTM)避雷器阻性电流预测方法,来判断MOA的老化趋势,该方法能有效避免深度学习的过拟合问题并改善网络性能。采用某变电站避雷器数据对所提方法进行训练,结果表明所提出的深度LSTM算法与BP神经网络、循环神经网络相比精度显著提升,预测结果的均方误差在4.3%左右。     

基于LSTM神经网络与贝叶斯优化的电站风机故障预警

风机持续健康稳定运行是电站机组安全性与经济性的重要保障,故障预警技术对于提高风机运行可靠性和降低维护成本尤为重要。为此,本文提出一种基于长短期记忆(Long short-term memory,LSTM)神经网络与贝叶斯优化算法的早期故障预警方法,充分挖掘电站风机正常运行数据,采用LSTM网络挖掘多种参数的关联特性及历史数据的时序特性,建立风机运行状态预测模型。为了提高预测模型的精确度,利用贝叶斯优化算法优化并设定LSTM网络的最佳超参数组合。考虑模型预测偏离度的非平稳性和多极值特点,引入广义极值理论从正常运行工况中确定报警阈值,以实现设备的早期故障预警。最后,将所提出的算法应用于某燃煤电站引风机故障预警中。结果表明：贝叶斯优化算法优化后的LSTM神经网络不仅可以精确表征风机在正常状态下运行行为,同时能够准确地获取风机的故障信息,从而能够在故障发生前4 h发现异常,实现故障预警。     

基于改进支持向量机的多能源电力系统中储能容量规划及运行模型

研究多能源电力系统中储能装置的定容及运行,有利于减小功率波动,降低对电网的冲击,提高电能质量。以青海省海西千万瓦级可再生能源基地为例,首先根据光伏电站和风电场的历史数据分析了两种新能源发电系统的出力特性,在此基础上建立了支持向量机模型,对新能源电站的输出功率进行了短期预测。根据光伏电站和风电场的出力预测误差,建立了ARMA误差预测模型,进一步修正了光伏电站和风电场的预测曲线,最后根据出力预测曲线的功率谱确定了储能系统的容量及出力曲线。研究成果可为新能源并网提供技术支持。     

计及超短期预测误差的风储系统跟踪计划出力控制策略

在计划跟踪模式下,为最大化风储系统出力的经济效益,提出风储系统的协调控制方法。首先,基于超短期功率预测,以风电场总收益最大为目标,建立风储系统跟踪计划出力的控制模型;然后,利用超短期功率预测数据和历史实际功率数据,建立基于小波变换和序列到序列（sequence to sequence,seq2seq）的超短期预测功率修正模型,对超短期功率预测数据进行误差修正;最后,将基于超短期功率预测的计划跟踪模型与超短期预测误差修正模型结合,提出一种计及超短期预测误差的风储系统跟踪计划出力的控制策略。仿真结果表明：所提策略能显著提高风电计划跟踪精度和风储系统运行经济性、促进风电的消纳。     

基于Bagging神经网络集成的风功率预测

鉴于准确预测风功率对风电并网系统安全、稳定运行具有重要意义,提出了基于Bagging神经网络集成的风功率预测模型。先利用拉伊达(3σ)准则对数据进行预处理得到有效的风机数据,结合灰色关联度和Relief算法对数据进行特征提取;其次在Bagging集成学习中使用Bootstrap抽样,随机产生K个训练集并用自组织RBF神经网络(ErrCor-RBF)分别对风功率进行预测;最后叠加K个预测结果取均值得到最终预测结果。仿真结果表明,Bagging神经网络集成的风功率预测模型性能更好、预测精度较高。     

Dynamical measurement system for wind turbine fatigue load

A measurement system specially used in wind turbine fatigue load assessment is developed based on Labview platform and Control Area Network (CAN). By applying CAN bus communication technology, the system can perform data automatic acquisition, data stable transmission and data real-time monitoring. By adopting the technology of virtual instrument modular design, the system is designed to analyze the wind turbine mechanical load levels against wind and power, equivalent loads and lifetime fatigue loads, etc. Considering the effects of small load strengthening, low amplitude load damaging and multilevel load interaction, a novel fatigue lifetime prediction model is proposed to obtain more accurate and reliable prediction of blade fatigue life. With the developed measurement system, the in-field load measurements are performed and the results showed the system has satisfactory accuracy and good adaption, convenient operation, high integration, low cost and great practicality to load measurement of large wind turbine. And based on the proposed model the fatigue life of WT blade can be estimated more trustworthily and reliably.     

Optimal dispatching method for integrated energy system based on robust economic model predictive control considering source–load power interval prediction

Effective source–load prediction and reasonable dispatching are crucial to realize the economic and reliable operations of integrated energy systems (IESs). They can overcome the challenges introduced by the uncertainties of new energies and various types of loads in the IES. Accordingly, a robust optimal dispatching method for the IES based on a robust economic model predictive control (REMPC) strategy considering source–load power interval prediction is proposed. First, an operation model of the IES is established, and an interval prediction model based on the bidirectional long short-term memory network optimized by beetle antenna search and bootstrap is formulated and applied to predict the photovoltaic power and the cooling, heating, and electrical loads. Then, an optimal dispatching scheme based on REMPC is devised for the IES. The source–load interval prediction results are used to improve the robustness of the REPMC and reduce the influence of source–load uncertainties on dispatching. An actual IES case is selected to conduct simulations; the results show that compared with other prediction techniques, the proposed method has higher prediction interval coverage probability and prediction interval normalized averaged width. Moreover, the operational cost of the IES is decreased by the REMPC strategy. With the devised dispatching scheme, the ability of the IES to handle the dispatching risk caused by prediction errors is enhanced. Improved dispatching robustness and operational economy are also achieved.     

A novel long short-term memory networks-based data-driven prognostic strategy for proton exchange membrane fuel cells

Proton exchange membrane fuel cell (PEMFC) long-term prognostic facilitates reducing the time/cost of the durability tests and is a critical starting point for control/maintenance suggestions. Long short-term memory (LSTM) recurrent neural networks have excellent time series processing capabilities and are proved to be useful for the short-term prognostic of PEMFC. However, LSTM prognostic models usually suffer from accumulated errors and model recognition uncertainties, which make it difficult to break the historical degradation data limitations, resulting in unsatisfactory long-term prediction performance. To tackle the problem, this paper proposes a novel model named navigation sequence driven LSTM (NSD-LSTM) for long-term prognostic. In the strategy, a navigation sequence is firstly generated by using an autoregressive integrated moving average model with exogenous variables. The sequence is then fed iteratively into LSTM in the implementation stage to achieve long-term perdition. The proposed strategy is evaluated using the aging experimental data of two types of PEMFC under different operating conditions. The long-term prognostic performance of the proposed model and other two state-of-the-art prognostic models, namely, nonlinear autoregressive exogenous and echo state network, are evaluated through comparison experiments. The simulation and experimental results show that the proposed prognostic strategy has better long-term degradation trend prediction consistency and remaining useful life estimation robustness.