CN110059844B - 基于集合经验模态分解和lstm的储能装置控制方法 - Google Patents
基于集合经验模态分解和lstm的储能装置控制方法 Download PDFInfo
- Publication number
- CN110059844B CN110059844B CN201910103833.3A CN201910103833A CN110059844B CN 110059844 B CN110059844 B CN 110059844B CN 201910103833 A CN201910103833 A CN 201910103833A CN 110059844 B CN110059844 B CN 110059844B
- Authority
- CN
- China
- Prior art keywords
- value
- energy storage
- storage device
- lstm
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 91
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 62
- 238000010606 normalization Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000007599 discharging Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 48
- 230000008569 process Effects 0.000 claims description 34
- 230000002159 abnormal effect Effects 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 230000014509 gene expression Effects 0.000 claims description 19
- 210000002569 neuron Anatomy 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 12
- 230000002068 genetic effect Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 210000004027 cell Anatomy 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000012805 post-processing Methods 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 208000001613 Gambling Diseases 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000001419 dependent effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Physiology (AREA)
- Entrepreneurship & Innovation (AREA)
- Genetics & Genomics (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于集合经验模态分解和LSTM的储能装置控制方法，首先将连续n+2个时间段中前n+1个时间段的历史短期负荷的数据进行归一化处理和集合经验模态分解得到的子序列或残余分量作为输入项，以后1个时间段的历史短期负荷的数据对应的子序列或残余分量作为理论输出项训练LSTM模型，接着将当前时间段以及距离当前时间段最近的n个时间段的历史短期负荷的数据经预处理后输入训练好的LSTM模型，然后利用训练好的LSTM模型输出预测值后，对所有的预测值进行重构和反归一化处理得到预测结果，最后根据预测结果控制储能装置充放电。本发明方法预测精度高，储能装置充放电运行合理。
Description
技术领域
本发明属于电力负荷调度技术领域，涉及一种基于集合经验模态分解和LSTM的储能装置控制方法。
背景技术
作为电力系统经济调度中的一项重要内容，准确地负荷预测能够经济合理的安排电网内部发电机组的启停，保障电网的安稳运行，同时为电网调度计划安排、设备检修和电网改造扩建提供可靠的数据支撑。
近年来，随着用电领域的不断拓宽，用户数量的不断增加，加上新能源在电网中的渗透率越来越高，由于新能源出力具有间歇性和不确定性，使得电网负荷峰谷差逐步增大，供电可靠性降低，因此，在负荷预测的基础上，利用储能装置进行负荷的平移操作，基于目前电力市场分时电价的基础上可以使得峰谷差降低的同时获得经济效益。目前，负荷预测的方法也比较多，常用的有灰色理论法、专家系统法、支持向量机法和时间序列法等。针对负荷预测的不确定性，上述方法往往在预测精度上并不理想，随着神经网络的兴起，其强大的学习能力、自适应能力使得其在模式识别、智能机器人、自动控制等多领域取得了优异的成绩，由于负荷的不确定性，可以采用神经网路进行学习以提高负荷预测的精度。
目前，有人利用小波分析结合神经网络进行时间序列的预测，但是小波分析需要选取合适的母小波以及设置可行的分解层数，针对非线性、非平稳信号的分解的自适应效果差，预测精度仍然有待提高。
因此，研究一种预测精度高的储能装置控制方法具有十分重要的意义。
发明内容
本发明的目的是为了克服上述现有技术中存在的问题，提供一种预测精度高的基于集合经验模态分解和LSTM的储能装置控制方法具有十分重要的意义。
为了达到上述目的，本发明采用的技术方案为：
基于集合经验模态分解和LSTM的储能装置控制方法，先基于集合经验模态分解和LSTM对短期负荷进行预测，然后根据预测结果控制储能装置的充放电；
预测过程为：采集当前时间段以及距离当前时间段最近的n个时间段的历史短期负荷的数据构成一时间序列，对时间序列进行预处理得到多个子序列和残余分量，将各子序列和残余分量分别输入到各自对应的训练好的LSTM模型中，一子序列对应一训练好的LSTM模型，一残余分量对应一训练好的LSTM模型，由训练好的LSTM模型输出预测值后，对所有的预测值进行后处理得到下一时间段的未来短期负荷的数据；
LSTM模型的训练过程即以连续n+2个时间段中前n+1个时间段的历史短期负荷的数据对应的子序列或残余分量为输入，以后1个时间段的历史短期负荷的数据对应的子序列或残余分量为理论输出，不断调整LSTM模型的参数，直到模型损失函数值趋于收敛或达到最大迭代次数为止的过程，其中子序列或残余分量采用与预测过程相同的方法得到；
所述预处理是指先后进行归一化处理和集合经验模态分解，所述后处理是指先后进行重构和反归一化处理；
控制过程为：先读取当前时刻储能装置的荷电状态Soc(t)，再根据下一时间段Δt的预测结果估算Δt内储能装置与外部的交换功率Pex，再根据储能装置运行电压U计算Δt内与外部的交换电流Iex＝Pex/U，当交换电流Iex>0时，控制储能装置放电；反之，控制储能装置充电。
控制储能装置放电的具体过程为：
计算Δt内储能装置最大可放电电流Ioutmax，若Ioutmax≥Iex，标记储能装置能够充电，计算放电后储能装置的荷电状态Soc(t+Δt)作为参考；若Ioutmax＜Iex，提示缺电告警信息，计算Δt内储能装置最大可放电电流Ioutmax采用如下公式：
其中，Soc(t-1)为放电初始时刻储能装置的荷电状态，T为储能装置可持续放电的时间，K和n'为取决于不同储能装置自身放电特性的常数，可以通过实验得到；
计算放电后储能装置的荷电状态采用如下公式：
无法持续供应负荷T＜t；
其中，t为在电流Iout下的实际放电时间，CN为储能装置额定容量，Soc(t)为放电完成后储能装置的荷电状态；
控制储能装置充电的具体过程为：
计算储能装置的可接受电流和储能装置在充电时间t内的充电容量Cin，充电电流Iin＜I0，储能装置以Iin恒电流充电；否则估算储能装置在Δt内的最大临界充电电流Iinmax，并以Iinmax为储能装置充电，同时提示电能过剩，需切除部分电源；
计算储能装置可接受电流采用如下公式：
其中，I0为开始充电时允许的最大初始电流值，η为储能装置的充电接受比，用来表征储能装置的充电接受特性；
计算储能装置在充电时间t内的充电容量Cin的公式如下：
Cin＝Iint Iin＜I0，T≥t；
其中，
I0＝ηCR，
CR＝(1-Soc(t-1))CN，Soc(t-1)为充电前储能装置的荷电状态，CN为储能的额定容量；
最大临界充电电流Iinmax的计算方法为：令放电仿真过程中的临界时刻T＝Δt，即
从而计算得到
取该式中Iinmax为正者即为控制下储能装置充电电流，需要切除部分电流功率为(Iex-Iinmax)U。
本发明的基于集合经验模态分解和LSTM的储能装置控制方法，集合经验模态分解是一种基于经验模态分解且针对非线性、非平稳信号能自适应分解信号的算法，不需要提前设定母小波，可根据数据自行确定分解层数，且克服了经验模态分解的模态混叠现象；考虑负荷数据在时间上具有相关性，因此可以采用适合于处理和预测时间序列中间间隔和延迟较长的重要事件的LSTM模型进行负荷预测，单一利用LSTM模型进行负荷预测没有考虑负荷数据的不平稳性，预测精度不够理想，因此可以结合集合经验模态分解和LSTM进行负荷序列的预测。如将集合经验模态分解与SVR(支持向量机)或深度置信网络等非记忆神经网络结合进行预测，其一般处理的是影响因素与预测结果之间的映射关系，在处理时序问题上时没有考虑历史数据之间的关系，而负荷相对具有时间上的联系，相对于集合经验模态分解结合记忆网络(即LSTM模型)，其在时序预测上的准确率较低。将经验模态分解与神经网络结合进行预测，有时候会考虑将分解后的各子序列进行相关系数比较，选取有用的IMF分量进行重构来得到一个与原始数据近似的新数据输入到单一网络模型进行训练预测，此方法虽然对预测的总体变化趋势不会产生太大影响，但是没有完全利用分解后的子序列，被抛弃的IMF分量往往体现出随机性因素导致的数据波动，对于负荷预测，这种波动具有很好的参考价值，而且这种重构后的数据不一定具有平稳性，本发明通过对分解后的各子序列分别采用神经网络进行预测，再对各子序列预测结果进行重构可以提高预测的精度。
作为优选的技术方案：
如上所述的基于集合经验模态分解和LSTM的储能装置控制方法，n＝2。
如上所述的基于集合经验模态分解和LSTM的储能装置控制方法，所述归一化处理的公式如下：
式中，Xmax为归一化处理数据的最大值，Xmin为归一化处理数据的最小值，X为归一化前的值，X′是归一化后的值。
如上所述的基于集合经验模态分解和LSTM的储能装置控制方法，所述预处理还包括在归一化处理之前的异常值检测及修正处理；
异常值检测的过程为：将所有数据按大小顺序排列，记上四分位值为Q1，即所有数据中只有1/4的数据大于Q1，下四分位值为Q2，即所有数据中只有1/4的数据小于Q2，上界为(Q1+1.5(Q1-Q2))，下界为(Q2-1.5(Q1-Q2))，介于上下界之间的都是正常观测值，否则为异常值；
异常值修正的方法为：去除异常值后，将当天已有的负荷数据进行三次样条插值，三次样条插值(简称Spline插值)是通过一系列形值点的一条光滑曲线，数学上通过求解三弯矩方程组得出曲线函数组的过程，用与异常值同时间段的三次样条插值上的负荷数据替代异常值。
三次样条插值建模：
设f(x)是区间[a,b]上的一个连续可微函数，在区间[a,b]上给定一组基点，由于负荷数据的因变量是日期，故可以用其在一天中的第几个时间段代替，当天去除异常点后的负荷数据个数为(n+1)：
a＝x0＜x1＜x2＜···＜xn＝b；
设函数S(x)满足条件：
(1)S(x)在每个子区间[xi-1,xi]上有表达式：Si(x)＝aix3+bix2+cix+di；
(2)S(x)在区间[a,b]上有2阶连续导数；
根据以下已知条件取求解每个子区间的Si(x)：
Si(x)求出之后，可将异常值对应的时间段的
带入对应的Si(x)，
获取异常值的代替点。
如上所述的基于集合经验模态分解和LSTM的储能装置控制方法，所述集合经验模态分解的步骤如下：
(1)将正态分布白噪声序列n(t)加到时间序列x(t)中；
x'(t)＝x(t)+n(t)；
(2)将添加正态分布白噪声序列后的时间序列x'(t)作为一个整体，然后进行经验模态分解，得到各IMF分量；
(3)重复步骤(1)和(2)100次，每次加入新的正态分布白噪声序列；
(4)将每次得到的IMF分量做集成平均处理。
本发明的集合经验模态分解法是在经验模态分解(EMD)的基础上发展而来的，主要是将时间序列数据加上白噪声序列后整体进行经验模态分解处理，克服了后者在分解过程中出现混叠的现象，并且降低了后续过程中重构信号的偏差，前者能对信号降噪的同时更准确地复原信号的有用信息。
本发明的集合经验模态分解法将非平稳的负荷数据分解成频率不同的子序列以及残余分量，而且这些序列具有平稳性，平稳性意味着时序数据的均值、方差、协方差是与时间无关的常数，符合统计中的一致性，以便于更好的预测。
如上所述的基于集合经验模态分解和LSTM的储能装置控制方法，本发明的LSTM模型是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相较长的重要事件，其工作核心是通过遗忘门、输入门和输出门三个门来控制历史信息和当前信息的记忆和遗忘程度，LSTM模型的遗忘门模型函数的表达式如下：
ft＝σ(Wf[ht-1,xt]+bf)；
输入门模型函数的表达式如下：
it＝σ(Wi·[ht-1,xt]+bi)；
输出门模型函数的表达式如下：
ot＝σ(WO·[ht-1,xt]+bo)；
最终的时间序列上的输出量的表达式如下：
ht＝ot*tanh(Ct)；
上述各表达式中，Wf和bf分别为遗忘门的权重系数矩阵和偏置项；Wi和bi分别为输入门的权重系数矩阵和偏置项；Wc和bc分别为细胞状态更新时的权重系数矩阵和偏置项；Wo和bo分别为输出门的权重系数矩阵和偏置项；σ和tanh分别为sigmoid和双曲正切激活函数，ht-1表示的是上一个细胞的输出，xt表示当前细胞的输入，ft、it、Ct、ot及ht分别为遗忘门的结果、输入门的结果、更新状态后的结果、输出门的结果和时间序列上的输出结果。
如上所述的基于集合经验模态分解和LSTM的储能装置控制方法，LSTM模型的训练步骤如下：
(1)确定LSTM模型的结构(即模型的LSTM层数及每层的神经元个数)、激活函数和损失函数，并初始化模型参数，令迭代次数s＝1，其中损失函数MAE的表达式如下：
式中，Yi为子序列或残余分量对应的预测值的期望值，
为子序列或残余分量对应的预测值，N为参与LSTM模型训练的训练样本个数；
Sigmoid激活函数表达式如下：
双曲正切激活函数表达式如下：
(2)前向计算每个神经元的输出值，即计算ft,it,ct,ot,ht五个向量的值；
(3)反向计算每个神经元的误差项值，LSTM误差项的反向传播包括两个方向：一个是沿时间的反向传播，即从当前时间段t开始，计算每个时间段的误差项；另一个是将误差项向上一层传播；
(4)判断损失函数值是否收敛，同时判断是否达到最大迭代次数，如果有一个是，则停止更新；反之，则令迭代次数s＝s+1后，返回步骤(2)。
如上所述的基于集合经验模态分解和LSTM的储能装置控制方法，重构采用基于遗传算法的BP算法，重构可以采用BP网络进行非线性拟合处理，但传统BP网络学习速度慢，容易陷入局部极小值，因此本发明采用遗传算法求解BP网络模型参数去改善BP网络模型收敛速度慢及容易陷入局部最优的缺点，步骤如下：
(1)BP网络建模，采用只含一层隐含层的BP网络，设置输入层神经元的个数为k，隐含层神经元的个数为m，输出层神经元的个数为1；
(2)利用遗传算法优化BP网络的权值和阈值，具体为：
(2.1)编码，对BP网络的权值和阈值进行二进制编码，BP网络中输入层有k个输入节点，隐含层有m个节点，输出层有1个输出节点，共有k*m+m*1个权值，m+1个阈值，所以编码长度l＝k*m+m+m+1，设置最大进化代数为R，以一组权值和阈值作为一个个体，随机生成M个个体作为初始群体P(0)，迭代次数λ＝0；
(2.2)计算适应度函数值，适应度函数的表达式如下：
式中，y′j为子序列或残余分量对应的预测值输入至BP网络后BP网络的输出值，yj为负荷数据归一化后的实际值，q为参与模型训练数据的个数；
(2.3)选择，根据个体的适应度函数值所量度的优劣程度决定它在下一代淘汰还是被遗传，用赌轮选择机制，令∑fj表示群体的适应度值之总和，fj表示群体中第j个个体的适应度值，它产生后代的能力刚好为其适应度值所占份额fj/∑fj；
(2.4)交叉，将交叉算子作用于群体；
(2.5)变异，将变异算子作用于群体，对群体中个体串的某些基因座上的基因值做变动；
(2.6)判断，若迭代次数λ＝R，则将进化过程中所得到的具有最大适应度值的个体进行解码得到BP网络的最优权值和阈值，并输出，终止计算；反之，则λ＝λ+1，返回步骤(2.2)；
(3)BP网络对LSTM模型的所有预测值进行非线性重构。
传统的重构方法是将各预测结果简单相加，不能保证预测误差整体偏小，因此本发明采用了基于遗传算法的BP算法对各个预测结果进行重构，使得模型更加准确。此方法能够满足家庭负荷预测精度的需求，且实现方便。
如上所述的基于集合经验模态分解和LSTM的储能装置控制方法，其特征在于，所述反归一化处理的公式如下：
Z＝Z'(Xmax-Xmin)+Xmin；
式中，Z′为反归一化处理前的值即重构后的数据值，Z为反归一化处理后的值即为最终的负荷预测值。
有益效果：
(1)本发明的基于集合经验模态分解和LSTM的储能装置控制方法，对于波动性、随机性以及不确定性较强的用电负荷有着较好的预测精度，能够更加合理地控制储能装置充放电；
(2)本发明的基于集合经验模态分解和LSTM的储能装置控制方法，采用集合经验模态分解法将非平稳的负荷数据分解成频率不同的子序列以及残余分量，子序列以及残余分量的平稳性好，便于更好的预测；
(3)本发明的基于集合经验模态分解和LSTM的储能装置控制方法，集合经验模态分解法是将时间序列数据加上白噪声序列后整体进行经验模态分解处理，克服了后者在分解过程中出现混叠的现象，并且降低了后续过程中重构信号的偏差，前者能对信号降噪的同时更准确地复原信号的有用信息；
(4)本发明的基于集合经验模态分解和LSTM的储能装置控制方法，基于遗传算法的BP算法对各个预测结果进行重构而非传统重构方法中的将各预测结果简单相加，使得模型重构后的预测结果更加准确。
附图说明
图1为本发明的基于集合经验模态分解和LSTM的储能装置控制方法的流程图；
图2为本发明对时间序列进行异常值检测的检测示意图；
图3为本发明对时间序列进行集合经验模态分解的流程图；
图4为本发明LSTM模型的拓扑结构图；
图5为本发明优化BP网络得到基于遗传算法的BP网络的流程图。
具体实施方式
下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
基于集合经验模态分解和LSTM的储能装置控制方法，如图1所示，步骤如下：
(1)训练LSTM模型；
(1.1)采集连续n+2个时间段中前n+1个时间段的历史短期负荷的数据构成一时间序列，对时间序列进行预处理得到多个子序列和残余分量，n＝2，具体为：
(1.1.1)对时间序列进行异常值检测及修正处理，如图2所示；
异常值检测的过程为：将所有数据按大小顺序排列，记上四分位值为Q1，即所有数据中只有1/4的数据大于Q1，下四分位值为Q2，即所有数据中只有1/4的数据小于Q2，上界为(Q1+1.5(Q1-Q2))，下界为(Q2-1.5(Q1-Q2))，介于上下界之间的都是正常观测值，否则为异常值；
异常值修正的方法为：去除异常值后，将当天已有的负荷数据进行三次样条插值，三次样条插值(简称Spline插值)是通过一系列形值点的一条光滑曲线，数学上通过求解三弯矩方程组得出曲线函数组的过程，用与异常值同时间段的三次样条插值上的负荷数据替代异常值；
三次样条插值建模：
设f(x)是区间[a,b]上的一个连续可微函数，在区间[a,b]上给定一组基点，由于负荷数据的因变量是日期，固可以用其在一天中的第几个时间段代替，当天去除异常点后的负荷数据个数为(n+1)：
a＝x0＜x1＜x2＜···＜xn＝b；
设函数S(x)满足条件：
a.S(x)在每个子区间[xi-1,xi]上有表达式：Si(x)＝aix3+bix2+cix+di；
b.S(x)在区间[a,b]上有2阶连续导数；
根据以下已知条件取求解每个子区间的Si(x)：
Si(x)求出之后，可将异常值对应的时间段
带入对应的Si(x)，
获取异常值的代替点；
(1.1.2)对修正后的时间序列进行归一化处理，归一化处理的公式如下：
式中，Xmax为归一化处理数据的最大值，Xmin为归一化处理数据的最小值，X为归一化前的值，X′是归一化后的值；
(1.1.3)对归一化处理处理后的数据进行集合经验模态分解(即EEMD分解)，如图3所示，集合经验模态分解的步骤如下：
(1.1.3.1)将正态分布白噪声序列n(t)加到时间序列x(t)中，正态分布白噪声序列的标准差设置一般为0.01～0.4；
x'(t)＝x(t)+n(t)；
(1.1.3.2)将添加正态分布白噪声序列后的时间序列x'(t)作为一个整体，然后进行经验模态分解，得到各IMF分量(IMFs)；
(1.1.3.3)重复步骤(1.1.3.1)和(1.1.3.2)100次，每次加入新的正态分布白噪声序列；
(1.1.3.4)将每次得到的IMF分量做集成平均处理；
(1.2)以连续n+2个时间段中前n+1个时间段的历史短期负荷的数据对应的子序列或残余分量为输入，以后1个时间段的历史短期负荷的数据对应的子序列或残余分量为理论输出，不断调整LSTM模型的参数，直到模型损失函数值趋于收敛或达到最大迭代次数为止的过程，具体为：
(1.2.1)确定LSTM模型的结构(即模型的LSTM层数及每层的神经元个数)、激活函数和损失函数，并初始化模型参数，LSTM模型的拓扑结构图如图4所示，LSTM遗忘门模型函数的表达式如下：
ft＝σ(Wf·[ht-1,xt]+bf)；
输入门模型函数的表达式如下：
it＝σ(Wi·[ht-1,xt]+bi)；
输出门模型函数的表达式如下：
ot＝σ(WO·[ht-1,xt]+bo)；
令迭代次数s＝1，其中LSTM模型的损失函数MAE的表达式如下：
式中，Yi为子序列或残余分量对应的预测值的期望值，
为子序列或残余分量对应的预测值，N为参与LSTM模型训练的训练样本个数；
Sigmoid激活函数表达式如下：
双曲正切激活函数表达式如下：
(1.2.2)前向计算每个神经元的输出值，即计算ft,it,ct,ot,ht五个向量的值；
(1.2.3)反向计算每个神经元的误差项值，LSTM误差项的反向传播包括两个方向：一个是沿时间的反向传播，即从当前时间段t开始，计算每个时间段的误差项；另一个是将误差项向上一层传播；
(1.2.4)判断损失函数值是否收敛，同时判断是否达到最大迭代次数，如果有一个是，则停止更新；反之，则令迭代次数s＝s+1后，返回步骤(1.2.2)；
最终的时间序列上的输出量的表达式如下：
ht＝ot*tanh(Ct)；
上述各表达式中，Wf和bf分别为遗忘门的权重系数矩阵和偏置项；Wi和bi分别为输入门的权重系数矩阵和偏置项；Wc和bc分别为细胞状态更新时的权重系数矩阵和偏置项；Wo和bo分别为输出门的权重系数矩阵和偏置项；σ和tanh分别为sigmoid和双曲正切激活函数，ht-1表示的是上一个细胞的输出，xt表示当前细胞的输入，ft、it、Ct、ot及ht分别为遗忘门的结果、输入门的结果、更新状态后的结果、输出门的结果和时间序列上的输出结果；
(2)采集当前时间段以及距离当前时间段最近的n个时间段的历史短期负荷的数据构成一时间序列，对时间序列进行预处理得到多个子序列和残余分量，预处理步骤与步骤(1.1)相同；
(3)将预处理得到的各子序列和残余分量分别输入到各自对应的训练好的LSTM模型中，一子序列对应一训练好的LSTM模型，一残余分量对应一训练好的LSTM模型，由训练好的LSTM模型输出预测值；
(4)对预测值进行重构，重构采用基于遗传算法的BP算法，步骤如下：
S1：首先优化BP网络得到基于遗传算法的BP算法，具体流程如图5所示，
(4.1)BP网络建模，采用只含一层隐含层的BP网络，设置输入层神经元的个数为k，隐含层神经元的个数为m，输出层神经元的个数为1；
(4.2)利用遗传算法优化BP网络的权值和阈值，具体为：
(4.2.1)编码，对BP网络的权值和阈值进行二进制编码，BP网络中输入层有k个输入节点，隐含层有m个节点，输出层有1个输出节点，共有k*m+m*1个权值，m+1个阈值，所以编码长度l＝k*m+m+m+1，设置最大进化代数为R，随机生成M个个体作为初始群体P(0)，迭代次数λ＝0；
(4.2.2)计算适应度函数值，适应度函数的表达式如下：
式中，y′j为子序列或残余分量对应的预测值输入至BP网络后BP网络的输出值，yj为负荷数据归一化后的实际值，q为参与模型训练数据的个数；
(4.2.3)选择，根据个体的适应度函数值所量度的优劣程度决定它在下一代淘汰还是被遗传，用赌轮选择机制，令∑fj表示群体的适应度值之总和，fj表示群体中第j个个体的适应度值，它产生后代的能力刚好为其适应度值所占份额fj/∑fj；
(4.2.4)交叉，将交叉算子作用于群体；
(4.2.5)变异，将变异算子作用于群体，对群体中个体串的某些基因座上的基因值做变动；
(4.2.6)判断，若迭代次数λ＝R，则将进化过程中所得到的具有最大适应度值的个体进行解码得到BP网络的最优权值和阈值，并输出，终止计算；反之，则λ＝λ+1，返回步骤(4.2.2)；
S2：优化后的BP网络对LSTM模型的所有预测值进行非线性重构；
(5)对重构后的数据进行反归一化处理，反归一化处理的公式如下：
Z＝Z'(Xmax-Xmin)+Xmin；
式中，Z′为反归一化处理前的值即重构后的数据值，Z为反归一化处理后的值即为最终的负荷预测值；
(6)根据预测结果调整储能装置(如蓄电池)的运行状态，具体为：
先读取当前时刻储能装置的荷电状态Soc(t)，再根据下一时间段Δt的预测结果估算Δt内储能装置与外部的交换功率Pex，再根据储能装置运行电压U计算Δt内与外部的交换电流Iex＝Pex/U，当交换电流Iex>0时，控制储能装置放电；反之，控制储能装置充电，控制储能装置放电的具体过程为：
计算Δt内储能装置最大可放电电流Ioutmax，若Ioutmax≥Iex，标记储能装置能够充电，计算放电后储能装置的荷电状态Soc(t+Δt)作为参考；若Ioutmax＜Iex，提示缺电告警信息，计算Δt内储能装置最大可放电电流Ioutmax采用如下公式：
其中，Soc(t-1)为放电初始时刻储能装置的荷电状态，T为储能装置可持续放电的时间，K和n'为取决于不同储能装置自身放电特性的常数，可以通过实验得到；
计算放电后储能装置的荷电状态采用如下公式：
无法持续供应负荷T＜t；
其中，t为在电流Iout下的实际放电时间，CN为储能装置额定容量，Soc(t)为放电完成后储能装置的荷电状态；
控制储能装置充电的具体过程为：
计算储能装置的可接受电流和储能装置在充电时间t内的充电容量Cin，充电电流Iin＜I0，储能装置以Iin恒电流充电；否则估算储能装置在Δt内的最大临界充电电流Iinmax，并以Iinmax为储能装置充电，同时提示电能过剩，需切除部分电源；
计算储能装置可接受电流采用如下公式：
其中，I0为开始充电时允许的最大初始电流值，η为储能装置的充电接受比，用来表征储能装置的充电接受特性；
计算储能装置在充电时间t内的充电容量Cin的公式如下：
Cin＝Iint Iin＜I0，T≥t；
其中，
I0＝ηCR，
CR＝(1-Soc(t-1))CN，Soc(t-1)为充电前储能装置的荷电状态，CN为储能的额定容量；
最大临界充电电流Iinmax的计算方法为：令放电仿真过程中的临界时刻T＝Δt，即
从而计算得到
取该式中Iinmax为正者即为控制下储能装置充电电流，需要切除部分电流功率为(Iex-Iinmax)U。
经验证，本发明通过对不平稳的负荷数据进行集合经验模态分解处理转化为平稳性序列后进行长短期记忆网路(即LSTM模型)训练预测并结合改进的BP神经网路(基于遗传算法的BP算法)进行重构，可以提高电力负荷预测的精度，而且泛化能力较强，且实现过程相对简单，具有很好的实用价值。
Claims (7)
1.基于集合经验模态分解和LSTM的储能装置控制方法，其特征是：先基于集合经验模态分解和LSTM对短期负荷进行预测，再根据预测结果控制储能装置充放电；
预测过程为：采集当前时间段以及距离当前时间段最近的n个时间段的历史短期负荷的数据构成一时间序列，对时间序列进行预处理得到多个子序列和残余分量，将各子序列和残余分量分别输入到各自对应的训练好的LSTM模型中，由训练好的LSTM模型输出预测值后，对所有的预测值进行后处理得到下一时间段的未来短期负荷的数据；
LSTM模型的训练过程即以连续n+2个时间段中前n+1个时间段的历史短期负荷的数据对应的子序列或残余分量为输入，以后1个时间段的历史短期负荷的数据对应的子序列或残余分量为理论输出，不断调整LSTM模型的参数，直到模型损失函数值趋于收敛或达到最大迭代次数为止的过程，其中子序列或残余分量采用与预测过程相同的方法得到；
所述预处理是指先后进行异常值检测及修正处理、归一化处理和集合经验模态分解，所述后处理是指先后进行重构和反归一化处理；
异常值检测的过程为：将所有数据按大小顺序排列，记上四分位值为Q1，即所有数据中只有1/4的数据大于Q1，下四分位值为Q2，即所有数据中只有1/4的数据小于Q2，上界为(Q1+1.5(Q1-Q2))，下界为(Q2-1.5(Q1-Q2))，介于上下界之间的都是正常观测值，否则为异常值；
异常值修正的方法为：去除异常值后，将当天已有的负荷数据进行三次样条插值，用与异常值同时间段的三次样条插值上的负荷数据替代异常值；
重构采用基于遗传算法的BP算法，步骤如下：
(1)BP网络建模，采用只含一层隐含层的BP网络，设置输入层神经元的个数为k，隐含层神经元的个数为m，输出层神经元的个数为1；
(2)利用遗传算法优化BP网络的权值和阈值，具体为：
(2.1)编码，对BP网络的权值和阈值进行二进制编码，设置最大进化代数为R，以一组权值和阈值作为一个个体，随机生成M个个体作为初始群体P(0)，迭代次数λ＝0；
(2.2)计算适应度函数值，适应度函数的表达式如下：
式中，y′j为子序列或残余分量对应的预测值输入至BP网络后BP网络的输出值，yj为负荷数据归一化后的实际值，q为参与模型训练数据的个数；
(2.3)选择，根据个体的适应度函数值所量度的优劣程度决定它在下一代淘汰还是被遗传，用赌轮选择机制，令∑fj表示群体的适应度值之总和，fj表示群体中第j个个体的适应度值，它产生后代的能力刚好为其适应度值所占份额fj/∑fj；
(2.4)交叉，将交叉算子作用于群体；
(2.5)变异，将变异算子作用于群体，对群体中个体串的某些基因座上的基因值做变动；
(2.6)判断，若迭代次数λ＝R，则将进化过程中所得到的具有最大适应度值的个体进行解码得到BP网络的最优权值和阈值，并输出，终止计算；反之，则λ＝λ+1，返回步骤(2.2)；
(3)BP网络对LSTM模型的所有预测值进行非线性重构；
控制过程为：先读取当前时刻储能装置的荷电状态Soc(t)，再根据下一时间段Δt的预测结果估算Δt内储能装置与外部的交换功率Pex，再根据储能装置运行电压U计算Δt内与外部的交换电流Iex＝Pex/U，当交换电流Iex>0时，控制储能装置放电；反之，控制储能装置充电。
2.根据权利要求1所述的基于集合经验模态分解和LSTM的储能装置控制方法，其特征在于，n＝2。
3.根据权利要求1所述的基于集合经验模态分解和LSTM的储能装置控制方法，其特征在于，所述归一化处理的公式如下：
式中，Xmax为归一化处理数据的最大值，Xmin为归一化处理数据的最小值，X为归一化前的值，X′是归一化后的值。
4.根据权利要求1所述的基于集合经验模态分解和LSTM的储能装置控制方法，其特征在于，所述集合经验模态分解的步骤如下：
(1)将正态分布白噪声序列n(t)加到时间序列x(t)中；
x'(t)＝x(t)+n(t)；
(2)将添加正态分布白噪声序列后的时间序列x'(t)作为一个整体，然后进行经验模态分解，得到各IMF分量；
(3)重复步骤(1)和(2)100次，每次加入新的正态分布白噪声序列；
(4)将每次得到的IMF分量做集成平均处理。
5.根据权利要求1所述的基于集合经验模态分解和LSTM的储能装置控制方法，其特征在于，LSTM模型的遗忘门模型函数的表达式如下：
ft＝σ(Wf·[ht-1,xt]+bf)；
输入门模型函数的表达式如下：
it＝σ(Wi·[ht-1,xt]+bi)；
输出门模型函数的表达式如下：
ot＝σ(WO·[ht-1,xt]+bo)；
最终的时间序列上的输出量的表达式如下：
ht＝ot*tanh(Ct)；
上述各表达式中，Wf和bf分别为遗忘门的权重系数矩阵和偏置项；Wi和bi分别为输入门的权重系数矩阵和偏置项；Wc和bc分别为细胞状态更新时的权重系数矩阵和偏置项；Wo和bo分别为输出门的权重系数矩阵和偏置项；σ和tanh分别为sigmoid和双曲正切激活函数，ht-1表示的是上一个细胞的输出，xt表示当前细胞的输入，ft、it、Ct、ot及ht分别为遗忘门的结果、输入门的结果、更新状态后的结果、输出门的结果和时间序列上的输出结果。
6.根据权利要求5所述的基于集合经验模态分解和LSTM的储能装置控制方法，其特征在于，LSTM模型的训练步骤如下：
(1)确定LSTM模型的结构、激活函数和损失函数，并初始化模型参数，令迭代次数s＝1，其中损失函数MAE的表达式如下：
式中，Yi为子序列或残余分量对应的预测值的期望值，
为子序列或残余分量对应的预测值，N为参与LSTM模型训练的训练样本个数；
Sigmoid激活函数表达式如下：
双曲正切激活函数表达式如下：
(2)前向计算每个神经元的输出值，即计算ft,it,ct,ot,ht五个向量的值；
(3)反向计算每个神经元的误差项值，LSTM误差项的反向传播包括两个方向：一个是沿时间的反向传播，即从当前时间段t开始，计算每个时间段的误差项；另一个是将误差项向上一层传播；
(4)判断损失函数值是否收敛，同时判断是否达到最大迭代次数，如果有一个是，则停止更新；反之，则令迭代次数s＝s+1后，返回步骤(2)。
7.根据权利要求1所述的基于集合经验模态分解和LSTM的储能装置控制方法，其特征在于，所述反归一化处理的公式如下：
Z＝Z'(Xmax-Xmin)+Xmin；
式中，Z′为反归一化处理前的值，Z为反归一化处理后的值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910103833.3A CN110059844B (zh) | 2019-02-01 | 2019-02-01 | 基于集合经验模态分解和lstm的储能装置控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910103833.3A CN110059844B (zh) | 2019-02-01 | 2019-02-01 | 基于集合经验模态分解和lstm的储能装置控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110059844A CN110059844A (zh) | 2019-07-26 |
| CN110059844B true CN110059844B (zh) | 2021-10-08 |
Family
ID=67316445
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910103833.3A Active CN110059844B (zh) | 2019-02-01 | 2019-02-01 | 基于集合经验模态分解和lstm的储能装置控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110059844B (zh) |
Families Citing this family (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110555515A (zh) * | 2019-08-22 | 2019-12-10 | 南京信大气象科学技术研究院有限公司 | 一种基于eemd和lstm的短期风速预测方法 |
| CN110659442B (zh) * | 2019-09-23 | 2023-09-08 | 珠海格力电器股份有限公司 | 系统及其数据短期预测方法和装置、存储介质 |
| CN110909931A (zh) * | 2019-11-20 | 2020-03-24 | 成都理工大学 | 基于模态分解重构及深度lstm-rnn模型的测井曲线预测方法 |
| CN111178588B (zh) * | 2019-12-06 | 2022-11-25 | 天津大学 | 一种改进的gbdt算法预测电力系统负荷方法 |
| CN111191841B (zh) * | 2019-12-30 | 2020-08-25 | 润联软件系统(深圳)有限公司 | 一种电力负荷预测方法、装置、计算机设备及存储介质 |
| CN111241755A (zh) * | 2020-02-24 | 2020-06-05 | 国网(苏州)城市能源研究院有限责任公司 | 电力负荷预测方法 |
| CN111342471B (zh) * | 2020-03-02 | 2023-12-29 | 华北电力大学 | 一种基于机器学习的家庭产消者功率优化管理方法 |
| CN111476402A (zh) * | 2020-03-16 | 2020-07-31 | 云南电网有限责任公司 | 耦合气象信息与emd技术的风电发电能力预测方法 |
| CN111476441A (zh) * | 2020-05-29 | 2020-07-31 | 南方电网科学研究院有限责任公司 | 一种电动汽车充电设备负荷预测方法及相关装置 |
| CN112039051A (zh) * | 2020-06-30 | 2020-12-04 | 长沙理工大学 | 一种含双馈风力发电机接入变电站母线负荷的实时建模方法 |
| CN111985707A (zh) * | 2020-08-17 | 2020-11-24 | 云南电力技术有限责任公司 | 一种绝缘油中气体浓度的预测方法及装置 |
| CN111932024B (zh) * | 2020-08-21 | 2022-09-20 | 华润数字科技有限公司 | 一种能源负荷预测方法、装置、计算机设备及存储介质 |
| CN112329990A (zh) * | 2020-10-20 | 2021-02-05 | 昆明理工大学 | 一种基于lstm-bp神经网络的用户用电负荷预测方法 |
| CN112398142B (zh) * | 2020-10-26 | 2022-05-13 | 广西大学 | 一种基于经验模态分解的电网频率智能控制方法 |
| CN112418496B (zh) * | 2020-11-10 | 2022-04-22 | 国网四川省电力公司经济技术研究院 | 一种基于深度学习的配电台区储能配置方法 |
| CN112488397B (zh) * | 2020-12-01 | 2022-09-27 | 合肥工业大学 | 基于模态分解和迁移学习的极端场景下负荷预测方法 |
| CN112910288B (zh) * | 2020-12-08 | 2022-08-09 | 上海交通大学 | 一种基于逆变器散热器温度预测的过温预警方法 |
| CN112561186A (zh) * | 2020-12-22 | 2021-03-26 | 上海电机学院 | 一种短期电力负荷的预测方法 |
| CN112883649B (zh) * | 2021-02-26 | 2023-08-11 | 华润数字科技有限公司 | 一种电力负荷预测方法、系统、计算机设备及存储介质 |
| CN113093020B (zh) * | 2021-04-02 | 2022-07-12 | 中国矿业大学 | 基于lstm神经网络预测锂离子电池剩余使用寿命方法 |
| CN113887814A (zh) * | 2021-10-18 | 2022-01-04 | 广东电网有限责任公司 | 一种趋势与波动分治的家庭负荷短期预测方法 |
| CN114880384B (zh) * | 2022-07-11 | 2022-09-23 | 杭州宇谷科技有限公司 | 一种无监督二轮电动车充电时序异常检测方法及系统 |
| CN115221472B (zh) * | 2022-07-21 | 2024-01-30 | 国网江苏省电力有限公司电力科学研究院 | 一种用户电压限值的自适应设置方法、装置、存储器及计算设备 |
| CN115860277B (zh) * | 2023-02-27 | 2023-05-09 | 西安骏硕通信技术有限公司 | 一种数据中心能耗预测方法及系统 |
| CN116470618B (zh) * | 2023-04-17 | 2024-01-26 | 深圳市威能讯电子有限公司 | 一种移动式户外储能充放电控制方法 |
| CN116300770B (zh) * | 2023-05-18 | 2023-08-15 | 台昌树脂(佛山)有限公司 | 丙烯酸树脂生产控制系统的异常报警分析方法及系统 |
| CN116579663B (zh) * | 2023-07-05 | 2023-10-20 | 江苏慧远智能科技有限公司 | 一种粉罐车卸料过程中异常预警方法 |
| CN116681185B (zh) * | 2023-07-28 | 2024-01-09 | 北京智芯微电子科技有限公司 | 负荷预测方法、装置和芯片设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108256697A (zh) * | 2018-03-26 | 2018-07-06 | 电子科技大学 | 一种用于电力系统短期负荷的预测方法 |
| CN109146183A (zh) * | 2018-08-24 | 2019-01-04 | 广东工业大学 | 基于信号分解和智能优化算法的短期冲击负荷预测模型建立方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
-
2019
- 2019-02-01 CN CN201910103833.3A patent/CN110059844B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108256697A (zh) * | 2018-03-26 | 2018-07-06 | 电子科技大学 | 一种用于电力系统短期负荷的预测方法 |
| CN109146183A (zh) * | 2018-08-24 | 2019-01-04 | 广东工业大学 | 基于信号分解和智能优化算法的短期冲击负荷预测模型建立方法 |
Non-Patent Citations (3)
| Title |
|---|
| A Novel Hybrid Data-Driven Model for Daily Land Surface Temperature Forecasting Using Long Short-Term Memory Neural Network Based on Ensemble Empirical Mode Decomposition;Xike Zhang 等;《International Journal of Environmental Research and Public Health》;20180521;全文 * |
| Direct Multistep Wind Speed Forecasting Using LSTM Neural Network Combing EEMD and Fuzzy Entropy;Qiong Qin 等;《applied science》;20190101;全文 * |
| 基于BPNN-EMD-LSTM组合模型的城市短期燃气负荷预测;陈川 等;《安全与环境工程》;20160131;第26卷(第1期);第149-154页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110059844A (zh) | 2019-07-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110059844B (zh) | 基于集合经验模态分解和lstm的储能装置控制方法 | |
| CN110414045B (zh) | 基于vmd-gru的短期风速预测方法 | |
| CN110705743B (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
| CN108256697A (zh) | 一种用于电力系统短期负荷的预测方法 | |
| CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
| CN111736084B (zh) | 基于改进lstm神经网络的阀控铅酸蓄电池健康状态预测方法 | |
| CN111027775A (zh) | 基于长短期记忆网络的梯级水电站发电量预测方法 | |
| CN112434848B (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
| CN111861013A (zh) | 一种电力负荷预测方法及装置 | |
| CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 | |
| CN116362398A (zh) | 基于模态分解和重构及lstm-mlr混合模型的电力负荷预测方法 | |
| CN112834927A (zh) | 锂电池剩余寿命预测方法、系统、设备及介质 | |
| CN116562908A (zh) | 一种基于双层vmd分解和ssa-lstm的电价预测方法 | |
| CN117239722A (zh) | 一种考虑多元负荷影响的系统风荷短期预测方法 | |
| CN116187190A (zh) | 基于Informer-SCINet的电负荷预测方法 | |
| CN116960978A (zh) | 基于风速-功率组合分解重构的海上风电功率预测方法 | |
| CN108537581B (zh) | 基于gmdh选择性组合的能源消费量时间序列预测方法及装置 | |
| CN115860277B (zh) | 一种数据中心能耗预测方法及系统 | |
| CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
| CN116780506A (zh) | 一种家庭微电网能量管理方法、装置、设备及存储介质 | |
| CN112132328A (zh) | 一种光伏输出功率超短期局域情绪重构神经网络预测方法 | |
| CN111177881A (zh) | 含光热-光伏发电电力系统随机生产模拟方法 | |
| CN111476402A (zh) | 耦合气象信息与emd技术的风电发电能力预测方法 | |
| Xu et al. | Short-term electricity consumption forecasting method for residential users based on cluster classification and backpropagation neural network | |
| CN115759343A (zh) | 一种基于e-lstm的用户电量预测方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |