神经网络模型在用电负荷预测中的应用

在电力系统规划中 ,居民用电负荷的预测是一项重要的基础性工作。但影响居民用电负荷的因素很多 ,并且难以用一个线性表达式来表示。神经网络模型在处理非线性大系统的复杂问题中具有很大的优势 ,文中引入三层反向传播的神经网络模型 (BP网络模型 )对居民用电负荷情况进行了分析 ,并采用变化学习速率的方法对网络进行训练。     

自下而上的群体居民日负荷预测

为了提高居民日负荷预测精度,基于自下而上的建模思想,提出一种模块化的群体居民用户日负荷预测方法.考虑外界因素和用户自身用电行为对负荷的影响,构建相似日提取模块、聚类分析模块和用户用电行为分析模块以实现单户家庭负荷预测.在此基础上,利用蒙特卡洛抽样方法对家用电器组合、家用电器功率和用户用电时间点这3个随机变量进行抽样模拟,构建用户负荷预测模块,实现群体居民日负荷预测.算例仿真结果表明:采用所提方法的居民日负荷预测平均误差为1.3%,最大误差为5.6%.相较于基于灰色模型预测的平均误差2.7%、最大误差7.5%,和基于神经网络模型预测的平均误差2.3%、最大误差6.9%,所提方法显著提高了群体居民日负荷预测的精度.     

基于HOG和SVM的非侵入式负荷识别

智能电网时代,准确高效的居民用电负荷评估对改善和调节电力网络的传输结构至关重要.对用户用电的电流、有功功率和谐波电流等数据进行数据预处理,基于对偶树复小波变换对数据降噪,建立基于HOG和SVM分类识别模型提取数据特征,并进行负荷识别.非侵入式负荷识别极大地降低数据收集和分析成本,对居民使用电器类型和数量的实时监测,为准确估算居民用电载荷提供可靠依据.     

基于神经网络模型的船舶电网短期电力负荷预测

恶劣海况时电力推进船舶的电网负荷波动较大,发电机组会频繁投入或退出电网,准确的电力负荷预测将有助于优化能量管理策略,保障电力系统的安全性,并提升用电效率。人工神经网络拥有很强的学习能力和泛化能力,能够有效的进行短期电力负荷预测。通过对反向传播(BP)、径向基神经网络(RBF)、Elman共3种不同的网络模型进行原理阐述、数据处理、模型建立及参数调整后,再对其在短期电力负荷预测的表现进行比较,RBF神经网络的预测效果及各项评价指标最优,且其模型建立最简便,因此相较于另外两种网络更适合进行短期电力负荷预测。     

融合聚类-卷积-门循环的居民用电短期负荷预测方法

对居民用电进行准确的短期负荷预测是电力部门合理制定每日调度计划的重要依据。提出了一种基于BIRCH(balanced iterative reducing and clustering using hierarchies)聚类算法-卷积神经网络(convolutional neural network, CNN)-门控循环单元(gated recurrent unit, GRU)的短期电力负荷预测方法。根据智能电表采集的历史负荷数据，该方法首先采用BIRCH聚类算法分析不同用户的用电习惯，将用户聚类为多个用户群；然后构建由负荷数据和时间以及气候信息组成的多特征时间序列数据集，并采用训练集进行CNN-GRU预测模型构建。训练集首先输入到基于一维卷积层设计的CNN网络，以提取不同特征变量之间的非线性关系；之后将数据输入GRU网络，以提取数据在时间维度上的时序特性，最后由全连接层输出短期负荷预测结果。以爱尔兰能源管理委员会提供的公开数据集作为实际算例，以ANN网络、CNN网络及CNN-GRU网络为对比模型，实验结果表明，所提出方法的平均绝对百分比误差达到了2.932 1%,有较高的预测精度和...     

福州市居民用电情况及其与气温关系分析

分析了福州市居民用电情况和负荷曲线的特点,对最高负荷与各气象因素进行相关分析,着重分析了居民日负荷与气温的关系并计算了单位温升效应.分析表明,居民负荷的晚高峰对全网负荷晚高峰有较大的影响;气温对居民负荷的影响较直接和明显,夏季居民最大负荷与气温之间呈三次关系模型;单位温升效应约为3%-4%.     

基于Hadoop分布式计算的混合神经网络负荷分类模型

为了对电力物联网背景下的海量负荷数据进行精细化分析,从中提取用电模式,提出一种基于Hadoop分布式并行计算的混合神经网络分类模型。首先,基于时间维度的一维卷积神经网络(1DCNN)搭建“负荷特征提取器”;其次,使用长短期记忆网络(LSTM)搭建“序列分类器”;最后,将该“混合神经网络分类方法”在Hadoop平台上搭建,实现算法的并行化运行,以适用于海量负荷曲线的高效辨识。使用标准时序数据与真实负荷数据测试该方法的分类性能,算例结果表明所提分类方法具有较高的分类精度,经并行化处理后有效提高了负荷数据的处理效率。     

淮南市城网居民分时电价实施效果的定量分析

分时电价是有效调节居民用电方式,降低城网峰谷负荷差的重要手段,但是其实施效果一直难以量化。本文从淮南市供电公司用电营销数据库提取城网居民三年的分时电量相关数据,按照年用电总量将用户分为三类,分别建立居民用电模型,尝试对淮南市居民分时电价政策的实施效果进行量化分析。该模型包括月谷电系数,月谷电量增长,月平电量增长,月负荷峰谷差和月电费支出等指标。结果表明,淮南市分时电价政策大大促进了居民用电量的增长,使用分时电价的居民用电量的增长率均大于当年用电量的自然增长率;大部分居民倾向于谷时段用电,填谷效果明显,但是由于峰谷电价差小,各类用户平时段转移电量积极性不高,所以消峰作用基本没有。     

随机配置网络在短时电力负荷曲线预测中的应用

传统梯度类神经网络负荷预测模型在面对高维度、大规模负荷数据集时，存在模型构建复杂、训练时间长等问题.为提高负荷曲线预测模型训练的时效性和预测准确性，提出了一种基于随机配置网络的短时电力负荷曲线预测方法.首先针对弱局部负荷波动对预测模型的影响，利用Savitzky-Golay滤波器对负荷时序平滑进行处理，将时序滤波处理后的负荷序列、节假日、气象等数据作为预测模型的输入组成部分.在此基础上，发挥随机配置网络模型的随机增量学习优势，完成负荷曲线预测模型的训练.利用某电厂采集的短时负荷数据及其影响因素数据对模型的预测效果进行验证，仿真结果表明，随机配置网络预测模型相较于深度神经网络模型在模型训练的时间效率方面更具优势，预测的效果基本与深度神经网络模型接近.     

基于Attention机制和ResNet的CNN-BiLSTM短期电力负荷预测模型研究

短期电力负荷预测有利于电力系统的高效运行,对电力市场实现有效调度有重要意义。短期电力负荷受多种因素影响,波动性大、随机性强,使得其预测准确率低。双向长短期记忆网络和卷积神经网络难以在短期负荷序列中提取足够多的信息,本文提出了一种结合注意力机制和残差网络的卷积神经网络-双向长短期记忆网络短期负荷预测方法。首先利用基准模型卷积神经网络-双向长短期记忆网络对输入特征进行信息提取,然后利用注意力机制突出提取到的关键信息,最后通过残差网络创建残差层以充分学习时序特征。通过某公开数据集进行实验,结果表明该方法的平均绝对百分比误差达到2.80%,均方根误差达到2.15,并与常用的五种模型预测结果对比,验证了所提模型的准确性及有效性。     

10kV配网架空线路维护和检修的分析

在配电网络中,10kV配电网络是城镇和乡村居民以及小型工厂用电的供电网络,其适用范围最为广泛,线路最为复杂,负荷相当大。尤其是10kV配网架空线路地形比较复杂,经常是架设在山区和丘陵地区,这为检修和维护工作带了很多困难。为了使广大的电能用户能够有更好的用电感受,接下来笔者就针对10kV配网架空线路维护和检修进行详细的分析。     

基于神经网络的短期电力负荷预测

采用神经网络方案来进行短期电力负荷预测，探讨了负荷模型分类模，对应用于实际的神经网络算法进行了具体处理，如数据的归一化问题，网络权值与阈值的初始值选定，训练样本的选择策略等。     

基于ART-CC的电力负荷数据预处理

电力负荷观测值由于受到各种因素的影响,正常的负荷数据中夹杂着许多脏数据,严重影响负荷预测的精度.对此提出了由自适应共振网络(ART网络)和超圆神经元网络(CC网络)组合而成的神经网络模型,并应用该模型清洗陕西省某地区的负荷数据,结果表明该模型能较好的完成脏数据的辨识任务,对负荷数据修正后能明显提高负荷预测精度.     

基于小波分解-卷积神经网络和支持向量回归的短期负荷预测

为了提高短期负荷预测精度,考虑到除历史负荷数据之外的其他因素对短期负荷预测的重要影响,提出了一种基于离散小波分解(wavelet decomposition, WD)、卷积神经网络(convolutional neural network, CNN)和支持向量回归(support vector regression, SVR)的负荷预测模型。首先,该方法通过小波分解算法对历史负荷数据进行分析与重构,得到长度相同的历史负荷数据,降低了原始序列中非平稳性对预测精度的影响;其次,对天气因素、日期类型进行特征构造,得到特征数据;最后,将处理后的负荷数据输入卷积神经网络支持向量回归机模型,将天气特征数据输入反向传播(back propagation, BP)神经网络支持向量回归模型,通过两个模型结果的叠加得到最终的预测值。实验结果表明,模型的预测精度和效率优于传统的CNN网络、SVR网络以及输入不进行划分的CNN-SVR模型,验证了其可行性。     

基于动态神经网络NARX模型的电力负荷预测

为了更好地发挥电力系统分时电价的作用,引导消费者的用电习惯,智能管理系统需要对电力负荷进行准确地预测。由于电力负荷具有高度非线性、时变性、不确定性,该文采用动态神经网络NARX对其进行预测,为了提高了预测精度,并用遗传算法对网络的初始权值和阈值进行优化。仿真结果表明,通过遗传算法优化后,可以有效地提高对短期下电力负荷的预测精度。     

关于居民用电负荷管理的研究

随着人民生活水平的提高和家用电器的不断增加，居民用电负荷总量也不断增加。所占地区用电负荷的比重也有增加之势，大量的居民生活用电有时会造成冬季、夏季用电高峰时段的负荷紧张。采用经济和技术手段做好居民用电负荷的管理，同时加大推广家用节能产品的力度，逐步扩大居民分布式光伏发电范围，让每一个家庭充分利用太阳能，从而实现电能的节约、高效和有序使用。     

基于MIV和GA优化Elman神经网络的春节负荷预测

春节作为中国的传统节日,群众集中返乡造成部分配变台区发生重过载现象,严重影响供电可靠性。精准的负荷预测可以帮助公司高效地开展春节保供电工作,确保节日期间居民用电平稳有序。文章对青岛市某一配变春节期间负荷特性进行分析,通过应用平均影响值进行输入变量的筛选,运用遗传算法对Elman神经网络初始阈值和权重进行优化,结合配变的额定参数,预测春节期间是否重载或过载。算理分析表明,该方法预测精度高,在工程应用中具备可行性。     

基于神经网络的短期电力负荷预测

采用神经网络方案来进行短期电力负荷预测，探讨了负荷模型分类模式，对应用于实际的神经网络算法进行了具体处理，如数据的归一化问题，网络权值与阈值的初始值选定，训练样本的选择策略等。同时，以三种短期负荷预测为例，进行了大量的仿真研究，结果表明神经网络用于电力负荷预测不但可满足短期负荷预测的技术要求，而且精度比常规方法高，且算法快速简单。     

基于动态聚类与偏最小二乘回归分析的居民用电负荷预测

先用动态聚类法对福州市居民历史用电负荷进行聚类分析以获得一个样本空间,在此基础上采用偏最小二乘回归方法进行建模和短期负荷预测分析.     

基于趋势组合的知期电力负荷预测模型

在运用神经网络进行短期电力负荷预测中，天气是影响负荷的重要因素。为了更好地捕捉天气对负荷的影响，文中提出了一种基于神经网络的趋势组合短期负荷预测思想和模型，将短期负荷与天气变量的内在关系分解为3个不同的趋势分量，即周趋势分量、日趋势分量和小时趋势分量，每一个趋势分量分别用一个神经网络模型捕获，趋势分量的预测结果再用一个神经网络模型进行组合，从而得到最终的预测值，分别用改进的和传统的模型预测一周的小时负荷，结果表明，这种神经网络模型能取得更好的预测精度。