CN112561200A - 基于完备集合经验模态分解和改进蚁群优化的长短期记忆网络的风电站出力混合预测技术 - Google Patents
基于完备集合经验模态分解和改进蚁群优化的长短期记忆网络的风电站出力混合预测技术 Download PDFInfo
- Publication number
- CN112561200A CN112561200A CN202011542286.8A CN202011542286A CN112561200A CN 112561200 A CN112561200 A CN 112561200A CN 202011542286 A CN202011542286 A CN 202011542286A CN 112561200 A CN112561200 A CN 112561200A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- ant
- pheromone
- node
- ant colony
- 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.)
- Pending
Links
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 61
- 238000005457 optimization Methods 0.000 title claims abstract description 24
- 230000015654 memory Effects 0.000 title claims abstract description 12
- 238000005516 engineering process Methods 0.000 title claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000002790 cross-validation Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 3
- 230000006641 stabilisation Effects 0.000 claims abstract description 3
- 238000011105 stabilization Methods 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims abstract description 3
- 239000003016 pheromone Substances 0.000 claims description 71
- 238000000034 method Methods 0.000 claims description 47
- 230000008569 process Effects 0.000 claims description 30
- 241000257303 Hymenoptera Species 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 19
- 230000007704 transition Effects 0.000 claims description 19
- 230000002068 genetic effect Effects 0.000 claims description 14
- 210000000349 chromosome Anatomy 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 8
- 230000035772 mutation Effects 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000009395 breeding Methods 0.000 claims description 4
- 230000001488 breeding effect Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000006386 memory function Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 239000005712 elicitor Substances 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06N3/08—Learning methods
- G06N3/086—Learning methods using 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Physiology (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了基于完备集合经验模态分解和改进蚁群优化的长短期记忆网络的风电站出力混合预测技术，包括以下步骤：S1、利用完备集合经验模态分解对风速序列进行平稳化处理；S2、利用相空间重构的算法将数据集分割成训练集、交叉验证集和测试集；S3、利用改进蚁群优化算法优化LSTM模型参数的选择，得到最优模型。针对风速的特性，利用变完备集合经验模态分解将不稳定的风电出力序列分解成多个平稳序列，降低因为非平稳性对预测精度造成的影响；使用遗传‑蚁群优化算法来避免单一优化算法造成的局部最优问题；多种算法结合的组合预测模型对非平稳序列的预测有较好的泛化能力。
Description
技术领域
本发明主要涉及大数据预测的技术领域，具体为基于完备集合经验模态分解和改进蚁群优化的长短期记忆网络的风电站出力混合预测技术。
背景技术
风电场功率预测模型可以分为三类：1)物理预测模型；2)统计预测模型；3)组合预测模型。物理预测模型首先利用数值天气预报(NWP)系统得到风电场的风速、风向、气温、气压等天气信息，然后根据风电场的物理和地理信息，在充分考虑风电机组群集聚效应(塔影效应、尾流效应等)的基础上，得到每个风力发电机组轮毂高度处的天气信息(风速、风向、气温、气压等)，再使用单个风机的功率曲线计算计算出风电机组的输出功率；统计预测模型的实质是在输入(历史数据、数值天气预报信息等)和输出(风电场功率)之间建立一种映射模型，然后应用这个模型进行预测。组合预测模型是将两种以上的单一预测进行综合考虑，利用每种单一预测模型的优点来获得全局最优的预测性能；风速具有随机性，导致风电站出力也具有极大的不稳定性，序列的不稳定性增加了预测的难度和复杂度，对预测精度造成影响；传统的单一优化算法容易陷入局部最优，难以得到全局最优解，无法得到全局最优的参数，传统的经验模态分解中存在的模态混叠的缺点，采用传统的经验模态分解会降低预测精度。
本发明开发了一种经过基于完备集合经验模态分解和改进蚁群优化长短期记忆网络(LSTM)的风电站出力超短时组合预测模型，将完备集合经验模态分解分解应用于原始数据的预处理，并应用改进蚁群优化算法对长短期记忆网络预测模型进行了优化，对风电站的出力进行超短时预测，能较好地解决由风速的不稳定性造成风功率不稳定性带来的对预测精度的影响。
发明内容
本发明主要提供了基于完备集合经验模态分解和改进蚁群优化的长短期记忆网络的风电站出力混合预测技术，用以解决上述背景技术中提出的技术问题。
本发明解决上述技术问题采用的技术方案为：
基于完备集合经验模态分解和改进蚁群优化的长短期记忆网络的风电站出力混合预测技术，包括以下步骤：
S1、利用完备集合经验模态分解对风速序列进行平稳化处理，将其分解为N个不同尺度的模态分量，降低风速序列的复杂度，然后对这N个序列分别建立LSTM预测模型，最后叠加求和；
S2、利用相空间重构的算法将数据集分割成训练集、交叉验证集和测试集；
S3、通过在交叉验证集上计算误差的方式，利用改进蚁群优化算法优化LSTM模型参数的选择，得到最优模型，最后在测试集上测试误差。
进一步的，经验模态分解(EMD)算法递归地将一个原始风速时间序列分解成不同的模态，这些模态由未知但独立的频段组成，其过程如下：
(1)设有一个待处理信号x(t),确定该信号的所有极值点；
(2)通过插值的方法，得到信号的上下包络线分别设为φ(t)和ω(t)，基于此可算出上下包络线之间的均值
(3)得到x(t)去掉均值μ(t)之后的信号余量γ(t)，查看此信号余量是否满足IMF的两个条件，若否，则以γ(t)作为待处理信号，重复上述步骤，直到满足IMF条件为止，则此时得到第一个分量σo(t)；
(4)以剩余信号θ(t)＝x(t)-c1(t)为待处理信号，重复上述步骤，可以得到其他分量，直到满足终止条件为止；
(5)通过上面的分解过程，可以得到一个带分解信号x(t)可以表示为：
其中σo(t)为残量。
进一步的，设定符号Ej(·)为经EMD分解产生第j个IMF算子，CEEMDAN算法的模态分解步骤如下所示：
(1)设在原始风速时间序列s(t)中加入辅助的正负成对形式的高斯白噪声，得到对应的含噪声信号sni(t)＝s(t)+αni(t)，i＝1,2,3,…,I，其中ni(t)为辅助噪声，α为参数，对该含噪声信号进行模态分解，即Ej(sni(t))，重复多次过程，直到得到多个个本征模态分
对着多个本征模态分量求均值，最终得到第一阶本征模态分量IMF1，由于添加的是符号相反的高斯白噪声，所以在此求均值的过程中会相互抵消，故而残留的辅助噪声量会很少；
(2)得到第一阶的本征模态分量之后，可以求出剩下的信号余量，记做r1(t),对信号添加正负的经EMD分解后的噪声分量Ej(ni(t)),对添加后的信号进行模态分解，和上面的步骤相同，首先经过多次的模态分解得到多个本征模态分量，再通过求均值，得到第二阶IMF2；
(3)在以后的每个阶段，先计算剩余信号的余量，在此余量信号上添加Ej(ni(t))，并多次模态分解，最终求得第j阶的均值本征模态分量；
(4)重复以上过程，直至余量信号不能够被模态分解为止；
(5)CEEMDAN的分解过程是完备的，能对原始风速时间序列进行精确的重构，并且可以通过前面的辅助噪声系数α来选择合适的噪声大小。
进一步的，蚁群算法的求解描述如下：根据约束条件及状态转移规则来确定蚂蚁的行进路线，蚂蚁每完成一次路线的选择，就调整一次各个节点上的信息素强度，通过一定次数的迭代后，就能产生一条较优路径构成的参数集，其求解步骤如下：
(1)信息素矩阵设计
根据参数节点个数n建立信息素矩阵τ，τ为n×n矩阵。信息素矩阵的第i行第j列元素即节点i至节点j路径上的信息素浓度。参数节点间两两联通，由此可知，信息素矩阵τ是一个对称矩阵。
(2)启发值设计
为了提高路径能见度，并加快算法的收敛速度，引入启发值。令待选节点的启发值为当前节点到待选节点的代价函数的倒数，即预测精度的倒数，如式(1)所示：
启发值具有加速算法收敛的作用，但蚁群算法中信息素起主导作用，因此启发值占比重不宜过大，否则信息素将无法发挥作用。
(3)导引因子设计
仅根据启发值构造状态转换策略，容易盲目选择，只能实现局部搜索，故为了确保到达目标节点，须引入导引因子来解决上述问题。节点i的导引因子λi可表示为：
式(2)中，diB表示节点i到目标点B的代价函数值，即预测精度值。
(4)状态转移策略
蚂蚁向不同节点移动的概率称为状态转移概率。风电预测中蚂蚁的状态转移策略体现在两个参数节点之间的转移概率上，这个概率由信息素的强度以及两个节点之间的代价所决定。设迭代N次时节点i到节点j段航迹上的信息浓度为τij(N)，蚁群个数为m。迭代起初，各路径上信息素浓度没有差别，设τij(0)＝C,其中C为常数。蚂蚁k(k＝1,2,…,m)在搜寻节点过程中，根据各条路径上的信息素浓度按照概率决定转移方向，式(3)表示第N代时，蚂蚁k从节点i转移到节点j的概率
式(3)中Selectedk是满足约束条件的待选点集合。蚂蚁在该范围内逐步搜索下一节点，并最终到达目标点，完成一次参数搜索。式(3)中α、β、γ分别表示信息素、启发因子和导引因子的权重。
(5)轮盘赌法
蚁群算法中为了保证蚂蚁选择路径的随机性，在选择路径时概率大的路径被选择的概率大，但同时概率小的路径也有可能被选中，而不是直接选择概率大的路径，这样就不会出现所有的蚂蚁到某点时都做出同样的选择，导致算法失去随机性。为此，本文使用轮盘赌的方法来进行路径的选择时。将每条路径的概率看作是轮盘的一个扇面，旋转轮盘，指针停在哪一个扇面上就选择对应概率的路径，通过使用一个[0,1]之间的随机数rand来模拟指针停止时指向的扇面。
(6)信息素更新规则
为了避免多次循环搜索后，路径上的信息素残留过高而弱化了启发因子的作业，在蚂蚁进行完一次从起始点到目的点的搜索之后，须对空间中每条路径上的信息素进行更新。更新规则为：迭代次数N每累加一次，所以路径上的信息素就挥发一次，信息素的挥发程度用(1-ρ)来表示。所有蚂蚁完成一次迭代循环后，各路径上信息素浓度根据式(4)作相应的调整。
式(4)中，Δτij(N)best表示第N次迭代中最优参数集，为了避免算法后期陷入“混沌”，仅对蚂蚁经过的最优路径进行信息素的增强。为了避免某些边的信息素无限增长，利用信息素的挥发系数，来达到增长和挥发的平衡。
(7)禁忌表的设置
算法中，蚁群系统具有记忆功能。为了满足蚂蚁必须经过所有不同的参数节点，每只蚂蚁都设计了一个禁忌表。禁忌表记录了在t时刻蚂蚁已经选过的参数类型节点，不允许该蚂蚁在本次循环中再选择这些参数类型。当本次循环结束求出目标函数之后，禁忌表被清空，该蚂蚁又可以自由地进行选择。
(8)适应度值
在此问题中，蚁群的适应度值即上述分析中的代价函数值，也就是风电预测的精度。
根据以上分析，建立流程如下：
1)将m蚂蚁放置在起始节点；
2)蚂蚁按照公式(3)进行下一节点的选择；
3)判断是否达到目标节点，到达则转向步骤4)，否则转向步骤2)；
4)按照公式(2)计算本次循环所得各个参数构成的LSTM得到的预测精度值，选出最优参数集；
5)根据公式(4)进行各个路径上的信息素更新；
6)是否达到最大迭代次数，若已经达到则终止算法，并输出最优参数集，否则转向步骤1)。
进一步的，遗传算法的基本思想是模拟由这些染色体数据串组成的群体的进化过程，在该算法中，每个染色体代表一个参数集，参数集合由层数、神经元个数、dropout层组成，在初始化时，随机地生成n个大小为P的种群，每个种群代表一个最优参数集，算法的具体步骤如下：
(1)随机生成大小为P的种群；
(2)用预测精度评价一个参数集；
(3)如果满足终止条件,转到第10步；否则，进入第4步；
(4)利用选择轮盘从种群中选取S个个体组成繁殖池；
(5)根据预先给定的概率机制选择进化算子作用于被选出的个体；
(6)将新生成的个体加入到种群中；
(7)计算新个体的适应值；
(8)将扩展后的种群中最差的S个个体删除,使其恢复到原来种群的大小；
(9)转到第3步；
(10)从种群中选出最好的个体作为所求参数集，进化过程结束。
进一步的，依据蚁群算法和遗传算法融合的基本思想，设计蚁群-遗传算法的操作过程为：
(1)染色体的选择、编码以及初始种群的生成，采用十进制实数编码；
(2)适应度函数，蚁群的适应度值即上述分析中的预测精度；
(3)选择算子，采用锦标赛选择的算法，随机从种群中挑选种群数量一半的个体，其中具有较好适应度的个体作为父个体；
(4)交叉算子，利用均匀交叉的方法，将每个点作为潜在的交叉点；
(5)变异算子，利用高斯变异的方法；
(6)将进化种群的信息转化为蚂蚁出行的信息素浓度矩阵；
(7)利用蚂蚁算法迭代求出新的可行解；
(8)比较蚂蚁搜寻到的参数集，输出最优解。
与现有技术相比，本发明的有益效果为：
1、针对风速的特性，利用变完备集合经验模态分解将不稳定的风电出力序列分解成多个平稳序列，降低因为非平稳性对预测精度造成的影响；
2、使用遗传-蚁群优化算法来避免单一优化算法造成的局部最优问题；
3、多种算法结合的组合预测模型对非平稳序列的预测有较好的泛化能力。
以下将结合附图与具体的实施例对本发明进行详细的解释说明。
附图说明
图1为本发明的预测整体流程结构示意图；
图2为本发明的EMD算法流程图；
图3为本发明的蚁群算法流程图；
图4为本发明的遗传算法原理示意图。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更加全面的描述，附图中给出了本发明的若干实施例，但是本发明可以通过不同的形式来实现，并不限于文本所描述的实施例，相反的，提供这些实施例是为了使对本发明公开的内容更加透彻全面。
实施例1：
一、数据的预处理—完备集合经验模态分解
经验模态分解(EMD)算法递归地将一个原始风速时间序列分解成不同的模态，这些模态由未知但独立的频段组成。与传统的变换方式相比，经验模态分解(EMD)突破了傅里叶变换的局限性，也不必像使用小波变换时需要预选小波基函数，避免了很多冗杂且不易控制的过程，其具有良好的时频分辨率和自适应性，能够完美的重构原始风速信号。其过程如下：
设有一个待处理信号x(t),确定该信号的所有极值点；
通过插值的方法，得到信号的上下包络线分别设为φ(t)和ω(t)，基于此可算出上下包络线之间的均值
得到x(t)去掉均值μ(t)之后的信号余量γ(t)，查看此信号余量是否满足IMF的两个条件，若否，则以γ(t)作为待处理信号，重复上述步骤，直到满足IMF条件为止。则此时得到第一个分量c1(t)＝γ(t)。
以剩余信号θ(t)＝x(t)-c1(t)为待处理信号，重复上述步骤，可以得到其他分量，直到满足终止条件为止。
通过上面的分解过程，可以得到一个带分解信号x(t)可以表示为：
其中σo(t)为残量。基于上述算法过程，其流程如附图2。
针对经验模态分解中存在的模态混叠的缺点，EEMD是利用白噪声功率谱密度均匀分布的特征，使信号中数次添加相等幅度的高斯白噪声，让原信号在不同的尺度上具有一定的连续性，最后把添加噪声分解后的各个本征模态分量进行整体平均运算即可得到信号分解的结果。这样造成分解得到的本征模态分量会被添加的噪声污染，增加了计算量，而且其不具有完备性。为解决EEMD存在的问题，完备集合经验模态分解(Complete EnsembleEmpirical Mode Decomposition,CEEMD)，是在添加辅助高斯白噪声时，添加的噪声是正负成对的，这样在最后的集合平均运算时正负白噪声会相互抵消，这样减轻了辅助高斯白噪声对分解的本征模态分量的污染问题，并且该算法重构的误差较小，计算效率较高。
然而CEEMD方法分解效果依赖于每次添加的噪声，参数设置不当容易在信号中产生错误成分。自适应完备总体经验模态分解则CEEMDAN在分解的每个阶段添加特定的噪声，并通过计算唯一残差来获得每个分量。
设定符号Ej(·)为经EMD分解产生第j个IMF算子，CEEMDAN算法的模态分解步骤如下所示：
设在原始风速时间序列s(t)中加入辅助的正负成对形式的高斯白噪声，得到对应的含噪声信号sni(t)＝s(t)+αni(t)，i＝1,2,3,…,I，其中ni(t)为辅助噪声，α为参数，对该含噪声信号进行模态分解，即Ej(sni(t))，重复多次过程，直到得到多个个本征模态分
对着多个本征模态分量求均值，最终得到第一阶本征模态分量IMF1，由于添加的是符号相反的高斯白噪声，所以在此求均值的过程中会相互抵消，故而残留的辅助噪声量会很少。
得到第一阶的本征模态分量之后，可以求出剩下的信号余量，记做r1(t),对信号添加正负的经EMD分解后的噪声分量Ej(ni(t)),对添加后的信号进行模态分解，和上面的步骤相同，首先经过多次的模态分解得到多个本征模态分量，再通过求均值，得到第二阶IMF2。
在以后的每个阶段，先计算剩余信号的余量，在此余量信号上添加Ej(ni(t))，并多次模态分解，最终求得第j阶的均值本征模态分量。
重复以上过程，直至余量信号不能够被模态分解为止。
CEEMDAN的分解过程是完备的，能对原始风速时间序列进行精确的重构，并且可以通过前面的辅助噪声系数α来选择合适的噪声大小。
二、ACO-GA优化算法
蚁群算法是由蚁群中大量蚂蚁的集体觅食行为表现出了一种信息正反馈现象：在蚁穴和食物之间，蚂蚁最终会找到一条较短路线。在此之前，此路径上走过的蚂蚁越来越多，留下的信息素浓度也越来越大，而后来的蚂蚁选择该路径的概率也越来越大，蚂蚁个体之间通过一种信息进行交流，并最终都沿着这条最短路径行进。这里采用LSTM的层数、神经元个数、dropout层数等参数值作为节点的值。
蚁群算法的求解描述如下：根据约束条件及状态转移规则来确定蚂蚁的行进路线，蚂蚁每完成一次路线的选择，就调整一次各个节点上的信息素强度，通过一定次数的迭代后，就能产生一条较优路径构成的参数集。如附图3，设置人工蚂蚁个数为m个，并置于起始点A等待出发，将状态转移规则作为新节点选择的概率，每个蚂蚁根据不同的概率从一个节点选择到下一个节点，最终到达目标点B，即形成一个参数的可行解。
(1)信息素矩阵设计
根据参数节点个数n建立信息素矩阵τ，τ为n×n矩阵。信息素矩阵的第i行第j列元素即节点i至节点j路径上的信息素浓度。参数节点间两两联通，由此可知，信息素矩阵τ是一个对称矩阵。
(2)启发值设计
为了提高路径能见度，并加快算法的收敛速度，引入启发值。令待选节点的启发值为当前节点到待选节点的代价函数的倒数，即预测精度的倒数，如式(1)所示：
启发值具有加速算法收敛的作用，但蚁群算法中信息素起主导作用，因此启发值占比重不宜过大，否则信息素将无法发挥作用。
(3)导引因子设计
仅根据启发值构造状态转换策略，容易盲目选择，只能实现局部搜索。故为了确保到达目标节点，须引入导引因子来解决上述问题。节点i的导引因子λi可表示为：
式(2)中，diB表示节点i到目标点B的代价函数值，即预测精度值。
(4)状态转移策略
蚂蚁向不同节点移动的概率称为状态转移概率。风电预测中蚂蚁的状态转移策略体现在两个参数节点之间的转移概率上，这个概率由信息素的强度以及两个节点之间的代价所决定。设迭代N次时节点i到节点j段航迹上的信息浓度为τij(N)，蚁群个数为m。迭代起初，各路径上信息素浓度没有差别，设τij(0)＝C,其中C为常数。蚂蚁k(k＝1,2,…,m)在搜寻节点过程中，根据各条路径上的信息素浓度按照概率决定转移方向，式(3)表示第N代时，蚂蚁k从节点i转移到节点j的概率
式(3)中Selectedk是满足约束条件的待选点集合。蚂蚁在该范围内逐步搜索下一节点，并最终到达目标点，完成一次参数搜索。式(3)中α、β、γ分别表示信息素、启发因子和导引因子的权重。
(5)轮盘赌法
蚁群算法中为了保证蚂蚁选择路径的随机性，在选择路径时概率大的路径被选择的概率大，但同时概率小的路径也有可能被选中，而不是直接选择概率大的路径，这样就不会出现所有的蚂蚁到某点时都做出同样的选择，导致算法失去随机性。为此，本文使用轮盘赌的方法来进行路径的选择时。将每条路径的概率看作是轮盘的一个扇面，旋转轮盘，指针停在哪一个扇面上就选择对应概率的路径，通过使用一个[0,1]之间的随机数rand来模拟指针停止时指向的扇面。
(6)信息素更新规则
为了避免多次循环搜索后，路径上的信息素残留过高而弱化了启发因子的作业，在蚂蚁进行完一次从起始点到目的点的搜索之后，须对空间中每条路径上的信息素进行更新。更新规则为：迭代次数N每累加一次，所以路径上的信息素就挥发一次，信息素的挥发程度用(1-ρ)来表示。所有蚂蚁完成一次迭代循环后，各路径上信息素浓度根据式(4)作相应的调整。
式(4)中，Δτij(N)best表示第N次迭代中最优参数集，为了避免算法后期陷入“混沌”，仅对蚂蚁经过的最优路径进行信息素的增强。为了避免某些边的信息素无限增长，利用信息素的挥发系数，来达到增长和挥发的平衡。
(7)禁忌表的设置
算法中，蚁群系统具有记忆功能。为了满足蚂蚁必须经过所有不同的参数节点，每只蚂蚁都设计了一个禁忌表。禁忌表记录了在t时刻蚂蚁已经选过的参数类型节点，不允许该蚂蚁在本次循环中再选择这些参数类型。当本次循环结束求出目标函数之后，禁忌表被清空，该蚂蚁又可以自由地进行选择。
(8)适应度值
在此问题中，蚁群的适应度值即上述分析中的代价函数值，也就是风电预测的精度。
根据以上分析，建立流程如下：
1)将m蚂蚁放置在起始节点；
2)蚂蚁按照公式(3)进行下一节点的选择；
3)判断是否达到目标节点，到达则转向步骤4)，否则转向步骤2)；
4)按照公式(2)计算本次循环所得各个参数构成的LSTM得到的预测精度值，选出最优参数集；
5)根据公式(4)进行各个路径上的信息素更新；
6)是否达到最大迭代次数，若已经达到则终止算法，并输出最优参数集，否则转向步骤1)。
遗传算法的基本思想是模拟由这些染色体数据串组成的群体的进化过程。它的每一个个体代表给定搜索空间的一个点。首先，群体被随机初始化,然后通过选择、交叉和变异使算子向好的区域进化，适应度好的个体有较高的繁殖机会。遗传算法可有效利用己有信息来搜索能改善质量的基因串，它可以对求解的问题本身一无所知，只需要对算法产生的染色体进行评价,并通过适应度值来选择染色体，使适应性好的染色体得到更多的繁殖机会。其原理图如附图4。
在该算法中，每个染色体代表一个参数集，参数集合由层数、神经元个数、dropout层组成。在初始化时，随机地生成n个大小为P的种群，每个种群代表一个最优参数集。算法的具体步骤如下：
(1)随机生成大小为P的种群；
(2)用预测精度评价一个参数集；
(3)如果满足终止条件,转到第10步；否则，进入第4步；
(4)利用选择轮盘从种群中选取S个个体组成繁殖池；
(5)根据预先给定的概率机制选择进化算子作用于被选出的个体；
(6)将新生成的个体加入到种群中；
(7)计算新个体的适应值；
(8)将扩展后的种群中最差的S个个体删除,使其恢复到原来种群的大小；
(9)转到第3步；
(10)从种群中选出最好的个体作为所求参数集，进化过程结束。
蚁群-遗传算法(ACO-GA算法)
为解决单一蚁群或遗传算法容易陷入局部最优的问题，结合蚁群算法和遗传算法各自的优点，先将它们融合：在前阶段利用遗传算法群体性全局搜索能力，快速形成初始解，在满足终止遗传算法的条件后，将遗传算法调度的较优解转化为蚁群算法所需要的初期信息素，然后利用蚁群算法所具有的正反馈、高效等特点快速形成最优解。
依据蚁群算法和遗传算法融合的基本思想，设计蚁群-遗传算法的操作过程为：
(1)染色体的选择、编码以及初始种群的生成，采用十进制实数编码；
(2)适应度函数，蚁群的适应度值即上述分析中的预测精度；
(3)选择算子，采用锦标赛选择的算法，随机从种群中挑选种群数量一半的个体，其中具有较好适应度的个体作为父个体；
(4)交叉算子，利用均匀交叉的方法，将每个点作为潜在的交叉点；
(5)变异算子，利用高斯变异的方法；
(6)将进化种群的信息转化为蚂蚁出行的信息素浓度矩阵；
(7)利用蚂蚁算法迭代求出新的可行解；
(8)比较蚂蚁搜寻到的参数集，输出最优解。
上述结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的这种非实质改进，或未经改进将本发明的构思和技术方案直接应用于其他场合的，均在本发明的保护范围之内。
Claims (6)
1.基于完备集合经验模态分解和改进蚁群优化的长短期记忆网络的风电站出力混合预测技术，其特征在于，包括以下步骤：
S1、利用完备集合经验模态分解对风速序列进行平稳化处理，将其分解为N个不同尺度的模态分量，降低风速序列的复杂度，然后对这N个序列分别建立LSTM预测模型，最后叠加求和；
S2、利用相空间重构的算法将数据集分割成训练集、交叉验证集和测试集；
S3、通过在交叉验证集上计算误差的方式，利用改进蚁群优化算法优化LSTM模型参数的选择，得到最优模型，最后在测试集上测试误差。
2.根据权利要求1所述的基于完备集合经验模态分解和改进蚁群优化的长短期记忆网络的风电站出力混合预测技术，其特征在于，经验模态分解(EMD)算法递归地将一个原始风速时间序列分解成不同的模态，这些模态由未知但独立的频段组成，其过程如下：
(1)设有一个待处理信号x(t),确定该信号的所有极值点；
(2)通过插值的方法，得到信号的上下包络线分别设为φ(t)和ω(t)，基于此可算出上下包络线之间的均值
(3)得到x(t)去掉均值μ(t)之后的信号余量γ(t)，查看此信号余量是否满足IMF的两个条件，若否，则以γ(t)作为待处理信号，重复上述步骤，直到满足IMF条件为止，则此时得到第一个分量σo(t)；
(4)以剩余信号θ(t)＝x(t)-c1(t)为待处理信号，重复上述步骤，可以得到其他分量，直到满足终止条件为止；
(5)通过上面的分解过程，可以得到一个带分解信号x(t)可以表示为：
其中σo(t)为残量。
3.根据权利要求1所述的基于完备集合经验模态分解和改进蚁群优化的长短期记忆网络的风电站出力混合预测技术，其特征在于，设定符号Ej(·)为经EMD分解产生第j个IMF算子，CEEMDAN算法的模态分解步骤如下所示：
(1)设在原始风速时间序列s(t)中加入辅助的正负成对形式的高斯白噪声，得到对应的含噪声信号sni(t)＝s(t)+αni(t)，i＝1,2,3,…,I，其中ni(t)为辅助噪声，α为参数，对该含噪声信号进行模态分解，即Ej(sni(t))，重复多次过程，直到得到多个个本征模态分
对着多个本征模态分量求均值，最终得到第一阶本征模态分量IMF1，由于添加的是符号相反的高斯白噪声，所以在此求均值的过程中会相互抵消，故而残留的辅助噪声量会很少；
(2)得到第一阶的本征模态分量之后，可以求出剩下的信号余量，记做r1(t),对信号添加正负的经EMD分解后的噪声分量Ej(ni(t)),对添加后的信号进行模态分解，和上面的步骤相同，首先经过多次的模态分解得到多个本征模态分量，再通过求均值，得到第二阶IMF2；
(3)在以后的每个阶段，先计算剩余信号的余量，在此余量信号上添加Ej(ni(t))，并多次模态分解，最终求得第j阶的均值本征模态分量；
(4)重复以上过程，直至余量信号不能够被模态分解为止；
(5)CEEMDAN的分解过程是完备的，能对原始风速时间序列进行精确的重构，并且可以通过前面的辅助噪声系数α来选择合适的噪声大小。
4.根据权利要求1所述的基于完备集合经验模态分解和改进蚁群优化的长短期记忆网络的风电站出力混合预测技术，其特征在于，蚁群算法的求解描述如下：根据约束条件及状态转移规则来确定蚂蚁的行进路线，蚂蚁每完成一次路线的选择，就调整一次各个节点上的信息素强度，通过一定次数的迭代后，就能产生一条较优路径构成的参数集，其求解步骤如下：
(1)信息素矩阵设计
根据参数节点个数n建立信息素矩阵τ，τ为n×n矩阵，信息素矩阵的第i行第j列元素即节点i至节点j路径上的信息素浓度，参数节点间两两联通，由此可知，信息素矩阵τ是一个对称矩阵；
(2)启发值设计
为了提高路径能见度，并加快算法的收敛速度，引入启发值，令待选节点的启发值为当前节点到待选节点的代价函数的倒数，即预测精度的倒数，如式(1)所示：
启发值具有加速算法收敛的作用，但蚁群算法中信息素起主导作用，因此启发值占比重不宜过大，否则信息素将无法发挥作用。
(3)导引因子设计
仅根据启发值构造状态转换策略，容易盲目选择，只能实现局部搜索，故为了确保到达目标节点，须引入导引因子来解决上述问题，节点i的导引因子λi可表示为：
式(2)中，diB表示节点i到目标点B的代价函数值，即预测精度值；
(4)状态转移策略
蚂蚁向不同节点移动的概率称为状态转移概率，风电预测中蚂蚁的状态转移策略体现在两个参数节点之间的转移概率上，这个概率由信息素的强度以及两个节点之间的代价所决定，设迭代N次时节点i到节点j段航迹上的信息浓度为τij(N)，蚁群个数为m，迭代起初，各路径上信息素浓度没有差别，设τij(0)＝C,其中C为常数，蚂蚁k(k＝1,2,…,m)在搜寻节点过程中，根据各条路径上的信息素浓度按照概率决定转移方向，式(3)表示第N代时，蚂蚁k从节点i转移
到节点j的概率
式(3)中Selectedk是满足约束条件的待选点集合，蚂蚁在该范围内逐步搜索下一节点，并最终到达目标点，完成一次参数搜索，式(3)中α、β、γ分别表示信息素、启发因子和导引因子的权重；
(5)轮盘赌法
蚁群算法中为了保证蚂蚁选择路径的随机性，在选择路径时概率大的路径被选择的概率大，但同时概率小的路径也有可能被选中，而不是直接选择概率大的路径，这样就不会出现所有的蚂蚁到某点时都做出同样的选择，导致算法失去随机性，为此，本文使用轮盘赌的方法来进行路径的选择时，将每条路径的概率看作是轮盘的一个扇面，旋转轮盘，指针停在哪一个扇面上就选择对应概率的路径，通过使用一个[0,1]之间的随机数rand来模拟指针停止时指向的扇面；
(6)信息素更新规则
为了避免多次循环搜索后，路径上的信息素残留过高而弱化了启发因子的作业，在蚂蚁进行完一次从起始点到目的点的搜索之后，须对空间中每条路径上的信息素进行更新，更新规则为：迭代次数N每累加一次，所以路径上的信息素就挥发一次，信息素的挥发程度用(1-ρ)来表示，所有蚂蚁完成一次迭代循环后，各路径上信息素浓度根据式(4)作相应的调整；
式(4)中，Δτij(N)best表示第N次迭代中最优参数集，为了避免算法后期陷入“混沌”，仅对蚂蚁经过的最优路径进行信息素的增强，为了避免某些边的信息素无限增长，利用信息素的挥发系数，来达到增长和挥发的平衡；
(7)禁忌表的设置
算法中，蚁群系统具有记忆功能，为了满足蚂蚁必须经过所有不同的参数节点，每只蚂蚁都设计了一个禁忌表，禁忌表记录了在t时刻蚂蚁已经选过的参数类型节点，不允许该蚂蚁在本次循环中再选择这些参数类型，当本次循环结束求出目标函数之后，禁忌表被清空，该蚂蚁又可以自由地进行选择；
(8)适应度值
在此问题中，蚁群的适应度值即上述分析中的代价函数值，也就是风电预测的精度；
根据以上分析，建立流程如下：
1)将m蚂蚁放置在起始节点；
2)蚂蚁按照公式(3)进行下一节点的选择；
3)判断是否达到目标节点，到达则转向步骤4)，否则转向步骤2)；
4)按照公式(2)计算本次循环所得各个参数构成的LSTM得到的预测精度值，选出最优参数集；
5)根据公式(4)进行各个路径上的信息素更新；
6)是否达到最大迭代次数，若已经达到则终止算法，并输出最优参数集，否则转向步骤1)。
5.根据权利要求1所述的基于完备集合经验模态分解和改进蚁群优化的长短期记忆网络的风电站出力混合预测技术，其特征在于，遗传算法的基本思想是模拟由这些染色体数据串组成的群体的进化过程，在该算法中，每个染色体代表一个参数集，参数集合由层数、神经元个数、dropout层组成，在初始化时，随机地生成n个大小为P的种群，每个种群代表一个最优参数集，算法的具体步骤如下：
(1)随机生成大小为P的种群；
(2)用预测精度评价一个参数集；
(3)如果满足终止条件,转到第10步；否则，进入第4步；
(4)利用选择轮盘从种群中选取S个个体组成繁殖池；
(5)根据预先给定的概率机制选择进化算子作用于被选出的个体；
(6)将新生成的个体加入到种群中；
(7)计算新个体的适应值；
(8)将扩展后的种群中最差的S个个体删除,使其恢复到原来种群的大小；
(9)转到第3步；
(10)从种群中选出最好的个体作为所求参数集，进化过程结束。
6.根据权利要求1所述的基于完备集合经验模态分解和改进蚁群优化的长短期记忆网络的风电站出力混合预测技术，其特征在于，依据蚁群算法和遗传算法融合的基本思想，设计蚁群-遗传算法的操作过程为：
(1)染色体的选择、编码以及初始种群的生成，采用十进制实数编码；
(2)适应度函数，蚁群的适应度值即上述分析中的预测精度；
(3)选择算子，采用锦标赛选择的算法，随机从种群中挑选种群数量一半的个体，其中具有较好适应度的个体作为父个体；
(4)交叉算子，利用均匀交叉的方法，将每个点作为潜在的交叉点；
(5)变异算子，利用高斯变异的方法；
(6)将进化种群的信息转化为蚂蚁出行的信息素浓度矩阵；
(7)利用蚂蚁算法迭代求出新的可行解；
(8)比较蚂蚁搜寻到的参数集，输出最优解。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011542286.8A CN112561200A (zh) | 2020-12-22 | 2020-12-22 | 基于完备集合经验模态分解和改进蚁群优化的长短期记忆网络的风电站出力混合预测技术 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011542286.8A CN112561200A (zh) | 2020-12-22 | 2020-12-22 | 基于完备集合经验模态分解和改进蚁群优化的长短期记忆网络的风电站出力混合预测技术 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112561200A true CN112561200A (zh) | 2021-03-26 |
Family
ID=75031840
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011542286.8A Pending CN112561200A (zh) | 2020-12-22 | 2020-12-22 | 基于完备集合经验模态分解和改进蚁群优化的长短期记忆网络的风电站出力混合预测技术 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112561200A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117277314A (zh) * | 2023-11-21 | 2023-12-22 | 深圳航天科创泛在电气有限公司 | 风电功率预测方法、装置、电子设备及可读存储介质 |
| CN117852422A (zh) * | 2024-03-08 | 2024-04-09 | 宏华海洋油气装备（江苏）有限公司 | 一种基于组合优化的海上风电浮式基础主尺度优化方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104484548A (zh) * | 2014-11-05 | 2015-04-01 | 中国人民解放军第二炮兵工程大学 | 一种改进的序贯故障诊断策略优化方法 |
| CN105509749A (zh) * | 2016-01-04 | 2016-04-20 | 江苏理工学院 | 基于遗传蚁群算法的移动机器人路径规划方法及系统 |
| CN109118000A (zh) * | 2018-08-07 | 2019-01-01 | 广东工业大学 | 一种基于ceemd-vmd-ga-orelm模型的短期风速预测方法 |
| CN110263915A (zh) * | 2019-05-31 | 2019-09-20 | 广东工业大学 | 一种基于深度信念网络的风电功率预测方法 |
| CN110298589A (zh) * | 2019-07-01 | 2019-10-01 | 河海大学常州校区 | 基于遗传-蚁群融合算法的动态服务资源调度方法 |
| CN110705742A (zh) * | 2019-08-21 | 2020-01-17 | 浙江工业大学 | 一种基于改进蚁群算法的物流配送方法 |
| CN110991721A (zh) * | 2019-11-26 | 2020-04-10 | 国网山东省电力公司电力科学研究院 | 基于改进经验模态分解和支持向量机的短期风速预测方法 |
| CN111079983A (zh) * | 2019-11-26 | 2020-04-28 | 深圳大学 | 一种装配式施工现场车辆路径规划的优化方法 |
| CN111625994A (zh) * | 2020-05-25 | 2020-09-04 | 齐鲁工业大学 | 一种基于动态集成神经网络的多源信息融合火灾预测方法 |
| CN111695724A (zh) * | 2020-06-01 | 2020-09-22 | 浙江大学 | 一种基于混合神经网络模型的风速预测方法 |
| CN111860989A (zh) * | 2020-07-08 | 2020-10-30 | 南通大学 | 一种基于蚁群算法优化的lstm神经网络短时交通流量预测方法 |
| CN112085143A (zh) * | 2020-07-31 | 2020-12-15 | 南京邮电大学 | 基于同化机制的混沌蚁群算法及Web服务组合优化方法 |
-
2020
- 2020-12-22 CN CN202011542286.8A patent/CN112561200A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104484548A (zh) * | 2014-11-05 | 2015-04-01 | 中国人民解放军第二炮兵工程大学 | 一种改进的序贯故障诊断策略优化方法 |
| CN105509749A (zh) * | 2016-01-04 | 2016-04-20 | 江苏理工学院 | 基于遗传蚁群算法的移动机器人路径规划方法及系统 |
| CN109118000A (zh) * | 2018-08-07 | 2019-01-01 | 广东工业大学 | 一种基于ceemd-vmd-ga-orelm模型的短期风速预测方法 |
| CN110263915A (zh) * | 2019-05-31 | 2019-09-20 | 广东工业大学 | 一种基于深度信念网络的风电功率预测方法 |
| CN110298589A (zh) * | 2019-07-01 | 2019-10-01 | 河海大学常州校区 | 基于遗传-蚁群融合算法的动态服务资源调度方法 |
| CN110705742A (zh) * | 2019-08-21 | 2020-01-17 | 浙江工业大学 | 一种基于改进蚁群算法的物流配送方法 |
| CN110991721A (zh) * | 2019-11-26 | 2020-04-10 | 国网山东省电力公司电力科学研究院 | 基于改进经验模态分解和支持向量机的短期风速预测方法 |
| CN111079983A (zh) * | 2019-11-26 | 2020-04-28 | 深圳大学 | 一种装配式施工现场车辆路径规划的优化方法 |
| CN111625994A (zh) * | 2020-05-25 | 2020-09-04 | 齐鲁工业大学 | 一种基于动态集成神经网络的多源信息融合火灾预测方法 |
| CN111695724A (zh) * | 2020-06-01 | 2020-09-22 | 浙江大学 | 一种基于混合神经网络模型的风速预测方法 |
| CN111860989A (zh) * | 2020-07-08 | 2020-10-30 | 南通大学 | 一种基于蚁群算法优化的lstm神经网络短时交通流量预测方法 |
| CN112085143A (zh) * | 2020-07-31 | 2020-12-15 | 南京邮电大学 | 基于同化机制的混沌蚁群算法及Web服务组合优化方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117277314A (zh) * | 2023-11-21 | 2023-12-22 | 深圳航天科创泛在电气有限公司 | 风电功率预测方法、装置、电子设备及可读存储介质 |
| CN117277314B (zh) * | 2023-11-21 | 2024-03-08 | 深圳航天科创泛在电气有限公司 | 风电功率预测方法、装置、电子设备及可读存储介质 |
| CN117852422A (zh) * | 2024-03-08 | 2024-04-09 | 宏华海洋油气装备（江苏）有限公司 | 一种基于组合优化的海上风电浮式基础主尺度优化方法 |
| CN117852422B (zh) * | 2024-03-08 | 2024-05-10 | 宏华海洋油气装备（江苏）有限公司 | 一种基于组合优化的海上风电浮式基础主尺度优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110175386B (zh) | 变电站电气设备温度预测方法 | |
| Zhan et al. | A fast kriging-assisted evolutionary algorithm based on incremental learning | |
| CN107346459B (zh) | 一种基于遗传算法改进的多模式污染物集成预报方法 | |
| CN106650920A (zh) | 一种基于优化极限学习机的预测模型 | |
| CN111523728B (zh) | 一种四阶段混合短时风向预测方法 | |
| CN108665070A (zh) | 基于极限学习机的极限ts模糊推理方法及系统 | |
| CN111488946A (zh) | 基于信息融合的雷达伺服系统故障诊断方法 | |
| CN112561200A (zh) | 基于完备集合经验模态分解和改进蚁群优化的长短期记忆网络的风电站出力混合预测技术 | |
| CN106529818A (zh) | 基于模糊小波神经网络的水质评价预测方法 | |
| CN115511177A (zh) | 基于ingo-swgmn混合模型的超短期风速预测方法 | |
| CN116680540A (zh) | 一种基于深度学习的风电功率预测方法 | |
| CN114282646B (zh) | 基于两阶段特征提取和改进BiLSTM的光功率预测方法及系统 | |
| CN115689070B (zh) | 基于帝王蝶算法优化bp神经网络模型的能源预测方法 | |
| JP2023519770A (ja) | マルチタスク向けの予めトレーニング言語モデルの自動圧縮方法及びプラットフォーム | |
| CN112149883A (zh) | 基于fwa-bp神经网络的光伏功率预测方法 | |
| CN116415177A (zh) | 一种基于极限学习机的分类器参数辨识方法 | |
| CN114912357A (zh) | 基于用户模型学习的多任务强化学习用户运营方法及系统 | |
| CN113435595A (zh) | 基于自然进化策略的极限学习机网络参数两阶段优化方法 | |
| CN113095477A (zh) | 基于de-bp神经网络的风电功率预测方法 | |
| CN111832817A (zh) | 基于mcp罚函数的小世界回声状态网络时间序列预测方法 | |
| CN110222816B (zh) | 深度学习模型的建立方法、图像处理方法及装置 | |
| CN115713144A (zh) | 基于组合cgru模型的短期风速多步预测方法 | |
| CN111159489A (zh) | 一种搜索方法 | |
| CN114444755A (zh) | 一种风电短期功率预测方法、装置及可读存储介质 | |
| Smith et al. | Multi-objective evolutionary recurrent neural network ensemble for prediction of computational fluid dynamic simulations |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210326 |
|
| WD01 | Invention patent application deemed withdrawn after publication |