基于特征分解的短期电负荷组合预测模型研究北大核心

针对现有模型对于电力数据特征挖掘的不够全面,导致预测精度较低等问题,提出基于特征分解的短期电负荷组合预测模型。先深入挖掘电负荷变化的影响因素,运用小波分解(Wavelet Decomposition, WD)将单一信号分解为多频信号使特征多样化,经过相关度分析进行特征筛选,在分解中引入“影响因子”捕捉影响因素变化,引入“残差”降低分解造成的误差;根据筛选后子序列和残差序列特点分别使用带循环滑窗的时间卷积网络(Time Convolution Network, TCN)和长短时记忆网络(Long Short Term Memory, LSTM)模型预测,并对预测结果分权求和,最终得到组合预测结果。实验结果表明,上述模型有效提高了预测精度,降低了误差;在不同数据集下均表现出良好的优越性,证明了模型具有泛化能力。     

基于多尺度时间特征LSTM的短期负荷预测

为了提高样本数据单一情况下的负荷预测精度,提出了基于多尺度时间特征的长短时记忆网络LSTM模型。首先,采用小波分解将历史数据分解为稳定分量、趋势负荷、以及峰-谷周期和持续时间等周期序列,突出不同时间尺度特征;其次,利用LSTM网络实现时间序列特性的进一步提取和数据拟合;最后,模型直接输出多个时刻的预测值。实验表明,相比较于自组织映射、高斯过程回归、标准LSTM模型,所提基于多尺度时间特征的长短时记忆网络模型具有更高的预测精度,同时具有一定的抗噪性能。     

基于EEMD和LSTM的短期风速预测模型研究

由于风具有较强的阵性和局地性,影响因子较多,利用机器学习相关技术进行风速的预测,往往会受这些影响,降低预测的准确率,特别是对于瞬时大风的预测,准确度普遍不高。针对上述问题,提出一种基于集合经验模态分解法(EEMD)和长短期记忆神经网络(LSTM)相结合的短期风速预测模型,该模型采用EEMD将风速序列分解为多个频域相对稳定的子序列,进而改善经验模态分解法(EMD)模态混叠现象,再采用LSTM构建预测模型,实现短期风速预测。该方法与其他预测方法相比,预测的精度更高,误差更小,验证了本文预测方法的可行性和有效性。     

基于IF-EMD-LSTM的数据中心CPU负载预测北大核心

针对数据中心服务器运行过程中CPU负载变化不能被准确预测的问题,分别建立了整合移动平均自回归模型(ARIMA)和长短时记忆人工神经网络(LSTM)的CPU负载预测模型。由于上述模型缺少对原始数据的数据处理和人工智能算法局限性的考虑,故构建了基于孤立森林算法(IF)、经验模态分解(EMD)和LSTM的CPU负载组合预测方法(IEBL)。对所建的三种模型进行参数求解和仿真并与实验结果对比,组合预测模型的平均相对误差降低了8.71%~18.72%。结果表明,组合预测模型预测精度明显高于单一预测模型,在服务器CPU负载预测领域有广泛的应用前景。     

基于改进DNN-LSTM算法的车辆前方行人行为识别方法

为提高行驶车辆前方行人行为识别精度,提出了基于经验模态分解的深度神经网络与长短时记忆网络相结合的行人行为识别方法。该方法在分析骨架节点表征参数的基础上,采用势能、相对位置、加速度、角加速度作为表征参量描述行人行为,利用经验模态分解可以平滑数据的优点,建立深度神经网络与长短时记忆网络融合的识别模型,实现对车辆前方行人行为的准确识别。采用Weizmann数据集和KTH数据集对该方法有效性检验。结果表明,该方法基于两个数据集对车辆前方行人行为识别准确率分别为98.58%和98%,能够为辅助驾驶系统等提供有效的数据支持。     

基于EMD-PSO-Bi LSTM组合模型的短期风电功率预测

风电功率预测对风电并网的稳定运行具有重要意义。为了解决风电功率预测中的精度和模型稳定性问题,引入了EMD-PSO-BiLSTM模型。通过经验模态分解技术将原始风电功率序列分解为一系列固有模态函数,以有效捕捉数据中的多尺度特征,并为每个模态序列建立了各自的预测模型。鉴于双向长短时记忆神经网络良好的泛化能力,建立了基于BiLSTM的各模态预测模型。进一步采用粒子群算法优化了BiLSTM参数,解决了模型非线性、高维、多模态等问题,获得了各模态分量的最优模型,并通过汇总各模态分量的结果得到了风电功率预测值。最后,以湖南省某风电场的实际运行数据为例,验证了EMD-PSO-BiLSTM模型可以有效提高风电功率短期预测精度。     

基于注意力机制和生成对抗网络的飞行器短期航迹预测模型

针对单一长短时记忆（LSTM）网络在航迹预测上无法有效提取关键信息以及难以精准拟合数据分布等问题,提出基于注意力机制和生成对抗网络（GAN）的飞行器短期轨迹预测模型。首先,引入注意力机制对航迹赋予不同的权重,以提升航迹中重要特征的影响力;其次,基于LSTM提取航迹序列特征,并经汇聚层汇集时间步长内所有的飞行器特征;最后,利用GAN在对抗博弈下不断优化的特性来优化模型,从而提高模型的准确性。相较于社会生成对抗网络（SGAN）,所提模型在处于爬升阶段的数据集上的平均位移误差（ADE）、最终位移误差（FDE）及最大位移误差（MDE）分别降低了20.0%、20.4%和18.3%。实验结果表明,所提模型能更精确地预测未来航迹。     

结合注意力机制与LSTM的短期风电功率预测模型

风力发电预测在电力系统的运行中发挥着重要作用。现有风电功率的短期预测模型因风速的复杂性和随机性,难以确定风速与风电功率的非线性映射关系,导致预测精度降低。提出一种结合变分模态分解、双阶段注意力机制、误差修正模块与深度学习算法的短期风电功率预测模型。通过对原始数据进行互信息特征选择,获得与风电功率相关性较强的特征,并对其进行信号预处理,利用变分模态分解对多维特征序列进行分解,得到具有一定中心频率的模态分量,以降低各个特征序列的复杂性和非平稳性。采用基于双阶段注意力机制与编解码架构的长短时记忆（LSTM）神经网络对模态分量进行训练与预测,得到初始预测误差。在此基础上,利用误差修正模块对初始预测误差进行变分模态分解和修正,从而提高模型的预测精度。实验结果表明,与自回归移动平均模型、标准编解码结构的LSTM模型相比,该预测模型的平均绝对误差最高可降低约87%,具有较优的预测性能。     

基于EMD-SE-LSTM模型的火电机组振动预测

在电厂中,汽轮机发生故障时通常会出现轴承振动异常的情况。为了在故障发生之前采取预防措施,准确预测汽轮机轴承振动成为预防故障的基础。然而,振动数据的强烈波动性导致了难以进行准确的预测。为解决这一问题,首先利用经验模态分解(EMD)将振动信号分解成多个分量,然后利用样本熵(SE)对这些分量进行分析,并将所得到的分量重构为趋势信号和波动信号。接着,利用具有注意力机制的长短时记忆网络(LSTM-Attention),将轴承振动相关的测点数据作为辅助变量输入,分别对趋势信号和波动信号进行预测。最后,将所得到的趋势信号和波动信号结果相叠加,得出预测的振动数据。为验证该模型的可行性和准确性,我们以西北某电厂的真实运行数据为例进行了实验。实验结果显示,所提出的模型相较于传统模型具有更小的误差。     

基于VMD与MOGOA-LSTM的短期负荷预测模型

为了提高短期负荷预测的准确度,降低非平稳信号对模型预测造成的影响,提出一种集数据挖掘和多目标优化网络于一体的短期负荷预测模型。该方法将电力负荷数据通过变分模态分解技术分解成若干个不同频率的模态分量,采用相间重构方法动态确定人工神经网络的训练测试比和神经元设置,采用长短期记忆神经网络对各分量进行模型搭建,并在长短期记忆神经网络的基础上加入多目标蝗虫智能优化算法来优化网络内部参数,累加所有分量模型预测的值,实现短期负荷预测。仿真结果表明,与统计学方和混合模型相比,本文提出的模型在短期预测方面的预测精度较高、泛化能力更强。     

基于EMD-TCN-ELM的短期电力负荷预测

为降低负荷序列的复杂性,利用EMD分解方法得到不同的分量.为降低训练时间和减小分量逐个预测所带来的累计误差,利用分量过零率大小将分量重构为高频分量和低频分量,利用TCN模型预测负荷的高频分量,利用极限学习机ELM预测负荷低频分量.通过实验将所提模型EMD-TCN-ELM分别与3个单模型TCN、ELM、LSTM和3个混合模型EMD-TCN、EMD-ELM、EMD-LSTM比较,其MAPE分别降低0.538%, 1.866%, 1.191%,0.026%, 1.559%, 0.323%,所提模型的预测精度最高.且所提模型在预测精度前3的模型中训练时间最短,验证了所提模型在负荷预测精度和训练时间方面的优越性.     

基于变分模态分解和深度置信网络的短期负荷预测

短期负荷预测作为电力调度中的关键一环,对电网未来的发展具有深远的意义.提出一种基于变分模态分解(VMD)和深度置信网络(DBN)的短期负荷预测模型.首先,采用VMD算法将负荷数据分解成不同的本征模态函数(IMF);然后结合DBN网络对每个IMF进行预测;最后,叠加每个部分的预测结果,得到VMD-DBN模型的预测结果.实...     

基于PSO优化Bi-LSTM的交通流量预测

针对城市交通流量强随机性的问题,为克服非线性和时变特点的影响,提出了基于粒子群（PSO）优化双向长短时记忆网络（Bi-LSTM）的交通流量预测模型,达到城市交通流量高精度预测效果。首先,建立基于Bi-LSTM的交通流量短期预测模型;其次,采用粒子群PSO算法对Bi-LSTM模型的超参数进行寻优,提升预测模型的泛化性。通过对比实验分析,验证了该交通流量预测模型具有更优的性能。     

基于特征降维和组合模型的短期电力负荷预测

准确的负荷预测是电力系统安全稳定运行的重要保障,为了进一步提高电力负荷的短期预测精度,依托信号处理和深度学习技术,针对电力负荷数据的特征降维方法以及组合模型的构建进行深入研究.首先利用随机森林的平均不纯度减少法(MDI)实现多维负荷数据的特征降维,实验结果证明上述方法能有效筛选出影响负荷的主要因素,提高模型学习效率.在...     

基于LSTM混合模型的比特币价格预测

聚焦于具有极度非线性、非平稳性等特征的比特币价格预测问题,在长短时记忆网络(Long Short-Term Memory,LSTM)基础上构建了4个混合预测模型,利用小波变换(Wavelet Transform,WT)以及自适应噪声的完备经验模态分解(Com-plete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)对序列进行分解与重构,并引入了样本熵(Sample Entropy,SE)进行重构优化,使用LSTM对重构以后的子序列分别进行预测,最后将其叠加得到最终的预测结果.在预测结果的评判上,使用均方根误、平均绝对百分误以及希尔不等系数来进行拟合评价,并将结果与单一LSTM模型进行比较.研究发现混合模型的预测准确性均优于单一模型,且样本熵的引入可有效降低预测误差.     

基于集成深度学习算法的燃气负荷预测方法

燃气负荷预测受到社会经济、天气因素、日期类型等多种复杂因素的影响,而多因素的共同作用则必然会导致燃气负荷序列变化趋势具有很大的随机性以及一定程度上的复杂性.为了有效提高燃气负荷预测的精度,本文提出了一种新型的集成深度算法来对燃气负荷进行多步预测.首先通过EEMD算法将非平稳非线性的负荷序列分解为若干个稳态且线性的本征模式分量及剩余项,有效的避免了传统EMD带来的模态混叠问题,然后将负荷数据的影响因素输入到AutoEncoder中进行特征提取并做非线性降维处理,再将EEMD分解得到的每个子序列分别与AutoEncoder提取到的特征序列组成不同的训练矩阵,最后针对不同的子序列对应的训练矩阵建立相应的LSTM预测模型,重构分量预测值得到最终预测结果.为了验证所提出算法的有效性和预测性能,使用上海燃气数据来进行上述模型的仿真实验,结果证明相较对比方法,预测精度有了明显的提高.     

基于EEMD-CatBoost的短期电力负荷预测

准确的负荷预测在电力调度、系统可靠性和规划中起着关键作用。针对各种不确定因素造成了电力需求的波动,本文提出了一种基于EEMD-CatBoost的短期负荷预测方法。模型利用集合经验模态分解（EEMD）对非平稳原始序列进行处理,将原始电力负荷数据分解为有限个固有模态函数（Intrinsic Mode Functions,IMF）和一个残差分量,以降低负荷序列的复杂度,再将分解后的各分量分别输入到CatBoost中预测,然后将每个分量的预测值重组,得到最终的负荷预测结果。以某地的实际数据为例,综合比较了该方法与现有电力负荷短期预测技术的性能。与现有基准相比,所提出的方法得到了相当精确的结果。     

基于高斯变异粒子群优化的短期负荷预测

针对现有短时预测方法精度不高及电网负荷数据不确定性变化的问题,提出一种基于高斯变异粒子群优化(GPSO)的长短时记忆神经网络(LSTM)负荷预测模型,实现对短时负荷数据的高精度预测。方案首先对负荷序列数据进行预处理,提升数据之间的相关性。进一步引入非线性惯性权重加速粒子收敛速度,同时结合自适应高斯变异操作减小粒子陷入局部最优的风险,从而提升了PSO算法的寻优能力。实验结果证明,改进的粒子群优化算法能够提升LSTM模型的预测性能,验证了提出方法的有效性。与已有的预测模型相比,GPSO-LSTM模型有着更优的预测能力。     

基于EMD-RVM模型的短期负荷预测方法

负荷可能受到各种外部影响因子的影响,因而准确的负荷预测是一个具有挑战的问题。针对这个问题,提出基于经验模态分解(EMD)和相关向量机(RVM)的短期负荷预测方法。通过EMD对负荷序列进行分解,通过RVM预测每一个本征模函数分量,通过信号重构得到最终的负荷预测值。应用浙江省某地区的负荷数据和气象数据进行仿真,并与WD-RVM模型、RVM模型和CNN-GRU模型的预测结果进行比较,验证了所提出的方法具有相对较高的预测精度。