长短期记忆神经网络

分布式光伏聚合发电的超短期预测是支撑其功率快速调节的前提保障,由于规模化接入的分布式光伏容量小、分布广,其发电时序特性差异性大、非平稳性强,导致其超短期预测精度难以保证。为此,文章提出基于多源数据融合的分布式光伏聚合超短期预测方法。该方法基于变分模态分解法,充分挖掘分布式光伏聚合发电非平稳性特性,并采用核主成分分析法对引发光伏发电非平稳性的影响因素即温度、湿度、光照、云量等多源数据进行量化解析,同时结合改进的长短期记忆神经网络,创建了多源数据融合方法,实现了分布式光伏聚合发电超短期预测。仿真结果表明,该方法有效提升了模型的预测精度。与传统方法相比,提出的预测方法对随机性波动严重的光伏超短期预测具有显著优势。

锂离子电池剩余使用寿命(remaining useful life, RUL)是使用者十分关心的问题，其涉及电池的更换时间和安全。针对锂离子电池的电容量非线性变化趋势，提出了一种基于自适应噪声完全集合经验模态分解与双向长短期记忆网络-Transformer的锂离子电池剩余使用寿命预测方法。首先，利用自适应噪声完全集合经验模态分解方法对锂离子电池电容量数据进行分解。其次，使用串联的双向长短期记忆神经网络和Transformer网络对分解后得到的残差序列和本征模态分量序列进行建模预测。最后，将预测的若干本征模态分量序列和残差序列进行求和，并对求和之后的最终预测数据与原始数据进行RUL预测。采用NASA公开的电池数据集对所提方法进行验证，结果表明，所提方法的平均绝对误差、均方根误差、平均绝对百分比误差和绝对误差控制分别控制在0.0173、0.0231、1.2084%和3个循环周期以内，能够有效地提高锂离子电池RUL的预测精度。

为提高电力负荷的预测精度，提出一种基于VMD-SE的电力负荷分量的多特征短期预测方法。首先采用变分模态分解（VMD）将原始负荷分解为一系列模态分量与残差，VMD的分解层数由样本熵值（sample entropy，SE）确定；然后对比原始负荷与模态分量的SE值，重构为平稳分量和波动分量，来降低运算规模；同时利用皮尔逊相关系数来筛选特征变量，删除特征冗余，建立灰狼算法优化后的支持向量回归模型（GWO-SVR）和长短期记忆神经网络（LSTM）分别对平稳分量和波动分量预测；最后以某地区2018—2020年用电负荷为例进行实验。实验证明：此模型精准度高达94.7%，平均绝对百分误差降低到2.98%，具有更好的精准性和适用性。

提出一种基于时空关联特征与贝叶斯-长短期记忆神经网络（bayesian long short-term memory，B-LSTM）模型的分布式光伏功率区间预测方法。以长短期记忆神经网络（long short-term memory，LSTM）为基础构建近似贝叶斯神经网络，建立考虑时空关联特征的B-LSTM模型，利用其强大的记忆能力和特征提取不同特征尺度的模态分量，并进行分布式光伏功率区间预测。以某地区实际分布式光伏数据集进行算例分析，验证了所提方法的优越性。

准确预测锂离子电池剩余使用寿命(remaining useful life, RUL)对降低电池使用风险和维护设备稳定性方面具有重要意义。为了提高锂离子电池RUL预测的稳定性和结果的准确性，提出一种基于混合改进麻雀搜索算法(improved sparrow search algorithm, ISSA)与长短期记忆(long short-term memory, LSTM)神经网络的锂电池RUL预测模型。首先，用均值化方法对原始数据中的异常值进行处理。然后，结合Tent混沌映射、自适应权重以及反向学习策略和柯西变异扰动策略优化麻雀搜索算法，再利用改进麻雀搜索算法对LSTM模型的参数进行优化。最后，采用改进的混合ISSA-LSTM模型并完成RUL预测。采用NASA公开数据集对本模型进行验证。结果表明，该模型的平均绝对误差、均方根误差和平均相对百分比误差控制在0.016 47、0.022 84和1.2048%以内，能够有效地提高锂离子电池RUL的预测精度。

提出了一种将K-means聚类分析与长短期记忆神经网络算法结合，通过工业同源组信息进行迁移学习优化的计算方法。该方法实现了对长时间连续参与需求响应的工业用户基线负荷的精准计算，提高了工业用户需求响应效果评价的准确性。通过城市级虚拟电厂平台采集的参与需求响应实践的工业用户电力负荷数据，验证了该方法的有效性。