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。

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。