用于短期风功率预测的历史数据深度迁移模型

随着全球化石燃料短缺日益严重,可再生能源的开发与利用愈发得到重视。风能是被广泛使用的清洁能源之一,在生产工作中,风力发电作为风能的主要利用形式,需要对其功率进行预测。依托风场日常记录的历史数据,传统学习模型可对风功率进行短期预测,但往往仅使用自己域内的历史数据作为分析对象,该类算法导致结果片面,局限性大,不能有效使用类数据中的隐含联系,抑制原始数据缺失或异常值引起的模型性能下降问题。笔者设计一种基于历史数据深度迁移的短期风功率预测模型。首先,使用带降噪处理的自动编码机构建深度神经网络模型。其次,应用深度迁移方法共享隐藏层,挖掘特征之间的隐含联系。最后,从具有相似特征和地理位置的风场数据中迁移重要知识,提高模型准确率和可靠性。实验结果表明,研究方法较之未使用迁移的方法更充分利用现有数据,预测准确率显著提高。     

基于灰狼优化SVR的风电场功率超短期预测

提高风电场功率超短期预测的稳定度、精度和速度,是风电并网的关键技术之一.分析了风电场气压、温度、湿度等气象因素和风速对风机输出功率的影响,用风电场的气象数据和风速构建风电场物理模型,提出了一种用灰狼算法优化SVR参数C、g的风电场功率超短期预测模型,通过与GA-SVR、PSO-SVR预测模型比较,结果表明,该预测模型稳...     

基于Stacking融合的工程造价预测组合模型

为了快速准确地进行工程造价预测，本文收集高层住宅工程造价历史数据，利用相关性系数法对定量指标进行约简，运用Python构建了以随机森林、XGBoost和岭回归作为初级学习器，岭回归作为元学习器的Stacking集成学习的融合模型。结果表明：基于Stacking融合模型预测精度较高，结果稳定，平均绝对误差在5%以内，有助于项目建设前期的造价预测。     

基于特征工程的集成学习短期光伏功率预测

短期光伏功率预测对于电网稳定运行具有重要意义。为了解决单一模型预测精度不佳的情况,提出了一种在Stacking集成学习框架下融合Bagging和Boosting算法的短期光伏功率预测模型。首先,引入Copula函数的相关性分析和轻量级梯度提升机的特征贡献度计算来进行特征筛选;然后,选取泛化性能较优的模型作为基学习器,并采用贝叶斯优化算法来对基学习器模型参数进行优化,最后,定义一个超级学习器,采用5折交叉验证,将基学习器与元学习器封装到超级学习器中训练。算例结果表明,在不同季节和不同天气条件下,Stacking模型相较于单一模型有着更高的预测精度。     

基于时序长记忆模型的风电场短期功率预测

随着风电的飞速发展,风电场接入电网的规模日益扩大,随之而来的是对风电功率预测准确性要求的提高,准确的风电功率预测可以更好地利用风能资源,减小风电并网对电网的不利影响。为了提高风电预测的精度,采用最大期望算法(expectation maximization algorithm,EM算法)对风电场功率历史数据进行处理,填补缺失值,替换错误数据,然后采用修正重标极差分析法即修正R/S分析方法分析数据的长记忆性,采用时间序列ARFIMA模型,然后根据预测时刻之前的功率数据,通过贝叶斯统计推断对模型参数进行估计,生成预测模型方程,进而对风电场输出功率进行预测。     

基于Stacking集成学习的网络安全态势预测方法

针对现有的网络安全态势预测模型预测精确度低且泛化能力差等问题,提出一种基于Stacking模型融合的态势预测方法。该方法中,借助Stacking算法将TCN网络、WaveNet、GRU、LSTM进行集成挖掘态势数据之间的相关性;之后利用逻辑回归进行预测得到最终态势值;利用粒子群优化算法进行参数寻优,提升模型性能。基于2个数据集进行验证,实验表明,所提预测方法具有较小的均方误差和平均绝对误差,收敛速度较快,拟合度均可达0.999,可以很好解决预测精确度低的问题,提升了模型的泛化能力。     

基于近邻成分分析的短期风电功率集成预测

针对短期风电功率预测关键气象因素影响程度的差异和单一模型预测精度不足的问题,提出一种基于近邻成分分析(neighborhood components analysis, NCA)特征加权和Stacking集成预测的短期风电功率预测模型。考虑气象特征对风电功率影响程度不同,利用NCA对气象特征进行加权,将加权特征作为模型输入,强化关键特征的影响程度;在此基础上,构建多个基预测器预测风电功率,并利用结合器将预测结果融合,建立Stacking集成预测模型。算例分析表明,以加权特征作为输入的Stacking集成预测模型具有更高的短期风电功率预测精度。     

电力系统短期负荷预测的多神经网络Boosting集成模型

提出了一种改进的多神经网络集成自适应Boosting回归算法.算法中采用相对误差模型代替绝对误差模型,可以更接近于回归预测问题的要求,并在Boosting迭代过程中,在对训练集采样得到新的训练子集的同时,也对校验集采样得到新的校验子集,保证了两者的一致性.进而采用美国加州电力市场的实际数据,建立了由多个神经网络集成的电力系统短期负荷预测模型.预测结果表明,与传统的单网络预测模型相比,Boosting集成预测模型能显著提高模型输出的稳定性,增强网络结构及模型选择的可靠性,获得更高的预测精度.     

卡尔曼滤波修正的风电场短期功率预测模型

针对数值天气预报模型输出的气象参数存在系统误差而导致风电场功率预测精度受到制约的问题,提出了一种基于卡尔曼滤波修正的风电场短期功率预测模型.使用卡尔曼滤波算法对数值天气预报输出的风速数据进行动态修正,并结合其他气象数据形成新的用于风电功率预测的修正气象数据集合;根据原始气象数据和修正气象数据这2个训练集分别建立了风电场功率输出的原始神经网络、修正神经网络的预测模型.经同一时间区间内的实测数据与模型分析数据的对比分析表明:通过卡尔曼滤波修正的风速数据能够很好地跟踪实际风速数据的变化趋势,平均误差与绝对平均误差比较小;所提模型能够显著降低预测结果的均方根误差,使其从未修正前的17.73%降低至11.32%,证明预测精度得到了明显提高.     

基于Stacking集成模型的网络流量预测研究

针对网络流量预测准确率不够高的问题,结合当下流行的集成学习(Ensemble Learning),提出一种Stacking集成多种模型的网络流量预测方法;将天气因素量化后作为输入,使用7个机器学习模型分别对网络流量进行预测,然后根据对不同模型预测结果的Pearson相关系数的分析,选取相关性较弱的5个模型作为Stack...     

计及机理机制的Stacking集成光伏发电预测

准确地光伏预测对电力调度、容量分析和机组组合至关重要。现有的数据驱动预测算法在计算速度和预测精度上有一定的提升,但未能考虑光伏发电的内在机理,存在泛化的风险。针对上述问题,提出了一种基于Stacking框架的机理模型和数据驱动结合的预测模型。其中,光伏发电机理模型将嵌入Stacking框架一层预测结构,构成基于长短期记忆神经网络(long short-term memory, LSTM)、极度梯度提升树(extreme gradient boosting, XGBoost)和机理模型的并行预测学习器。机理模型将光伏发电限制在一个合理的范围内,作为数据驱动模型的预测约束。所提出的模型能够从机理模型中提取有用的固有信息,并利用数据分析的能力提取历史数据中的非线性关系。基于安徽省某地区实际数据分析,所提模型相比传统数据驱动方法具有更高的精度。     

考虑平滑效应的风电场功率模型

提出一个同时考虑风场运动延迟平滑效应和尾流效应的风功率预测模型.模型中通过模拟尾流效应对风速的影响,并计及风速传输的延迟性,获得处于不同空间位置风机的风速,通过功率的叠加,形成风电场功率输出曲线来表征功率输出的平滑效应.模拟及案例分析结果表明,所提出的模型有效性强、精度高,适合用来评估风电场注入功率对系统的冲击影响,更符合风电场的实际情况,有助于对电力系统机组的备用容量、爬坡率进行修正,并有利于合理评估风电场对电网运行安全的影响.     

基于Stacking集成学习的福建省火电行业碳足迹情景预测

火电行业是中国碳排放的最主要来源之一，其碳足迹研究对中国实现2030年碳达峰目标至关重要。为此，提出一种基于Stacking集成学习的福建省火电行业碳足迹情景预测方法。首先，基于扩展Kaya恒等式识别火电行业碳排放的主要影响因素；然后，以决定系数(coefficient of detemination, R2)和平均绝对百分比误差(mean absolute percentage error, MAPE)作为评价指标优选模型的初级学习器与元学习器，构建融合不同学习器优势的Stacking集成学习碳足迹预测模型。最后，设置了基准发展、产业优化、技术突破、低碳发展四种碳达峰行动情景，以福建省为例对其2021~2035年火电行业的碳达峰进行计算。结果表明，所提方法能够准确预测火电行业的碳足迹，预测系数R2高于0.97、误差MAPE低于0.01。在此基础上，计算了不同碳达峰行动情景的火电行业碳排放峰值，得出在低碳发展情景下该省可在2027年实现碳达峰战略目标。相关研究为中国火电行业碳达峰预测提供理论依据与借鉴价值。     

基于EEMD-GA-BP模型的风电功率短期预测研究

随着我国风电产业迅速发展,风电并网规模不断扩大,准确预测风电场输出功率是降低风电波动对电网影响、提高电能质量、保证电网稳定运行的有效途径.本文采用箱型分析及热卡填充的方法对数据集中的异常数据进行清洗与重构.采用遗传算法与EEMD分解算法相结合的方式改进BP算法,并且根据不同时间尺度预测结果对比,相对于传统预测模型而言,...     

基于改进Stacking策略的钓鱼网站检测研究

针对目前大多数钓鱼网站检测技术准确率低、计算资源消耗大和检测不及时等问题,本文提出一种基于改进Stacking策略的钓鱼网站检测方法。该方法将多个分类表现优异的基学习器通过Stacking策略集成为一个高性能模型,并且把该Stacking算法第一级的输入特征与预测结果同时作为第二级的输入特征,充分发挥各模型精度高、速度快等优势,从而进一步提高模型性能。实验结果表明,与传统的机器学习钓鱼网站检测技术相比,在10万级数据集上,此集成学习算法在多个指标上都表现出更好的性能,精确率达到了97.82%,F₁值达到97.54%,可以有效地检测钓鱼网站。     

短期风功率自适应加权组合预测

首先分别建立了持续法、灰色、支持向量机风功率预测模型,然后利用各个模型的预测误差建立自适应加权的组合预测模型;仿真结果表明:组合预测模型能够充分发挥各个模型的优势,有效提高预测精度。     

双机制Stacking集成模型在短时交通流量预测中的应用

交通流量预测对于智能交通管理决策具有重要意义,为克服传统单一模型预测精度低、稳定性不足,同时为解决Stacking集成模型对基学习器输出信息利用率不高的问题,提出了一种双机制Stacking集成模型.双机制包括内机制和外机制,内机制通过在元学习器中引入注意力机制来调整网络中的特征信息,外机制通过在基学习器中融入动态权重系数来调整基学习器的输出信息.通过内外结合的双机制实现对基学习器输出信息动态变动规律的挖掘和提取并增强对基学习器输出信息的利用率,从而提升模型的预测精度和稳定性.选取I5NB高速公路上的76898条数据为实证研究对象,进行了基于随机森林、GBDT(gradient boosting decision tree)和Xgboost(extreme gradient boosting)单一模型、传统Stacking集成模型及双机制Stacking集成模型的预测对比分析.实证结果证明双机制Stacking集成模型预测精度最高,验证了该模型在短时交通流量预测中的有效性.     

短期光伏发电系统功率预测

针对光伏功率预测没有充分利用历史数据的问题，提出一种改进随机森林算法与长短期记忆神经网络相结合的预测方法（IRF-LSTM）。利用粒子群算法优化随机森林算法中的参数，并对原始气象数据进行特征选择。将特征选择后的结果作为输入，对预测模型输出的结果进行反归一化处理得到预测的功率序列。选用某光伏电站的实测数据对该算法模型进行预测，结果表明：该方法能充分利用预测时刻之前的气象时间序列，有效提高光伏功率预测精度，与RF-LSTM方法、单一LSTM方法相比具有更高的准确性，预测误差更小。