注意力机制下的EMD-GRU短期电力负荷预测

为进一步提高短期电力负荷预测精度,构建一种基于注意力机制的经验模态分解(EMD)和门控循环单元(GRU)混合模型,对时间序列的短期负荷进行预测.首先,对负荷序列进行EMD,将数据重构成多个分量;再通过GRU提取各分量中时序数据的潜藏特征;经注意力机制突出关键特征后,分别对各分量进行预测;最后,将各分量的预测结果叠加,得到最终预测值.仿真结果表明:相对于BP网络模型、支持向量机(SVR)模型、GRU网络模型和EMD-GRU模型,基于EMD-GRU-Attention的混合预测模型能取得更高的预测精度,有效地提高短期电力负荷预测精度.     

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。     

自编码器与PSOA-CNN结合的短期负荷预测模型

提出了一种自编码器与PSO算法优化卷积神经网络结合的电力系统短期负荷预测模型。首先利用自编码器对相关变量数据进行处理,降低所需数据的噪声变量,提高预测效率;然后利用粒子群算法对卷积神经网络的权值和阈值进行优化,可有效提高预测模型的预测精度和预测速度。通过对实际电网的负荷数据进行仿真,验证了模型具有较高的预测精度。     

机器学习算法在短期电力负荷预测中的应用

为了提高短期电力负荷预测准确性,提出一种蚁群算法(ACO)优化支持向量机(SVM)的短期电力负荷预测模型(ACO-SVM)。首先采用混沌理论对短期电力负荷样本进行重构,然后将SVM参数作为蚂蚁的位置向量,通过蚁群信息交流和相互协作找到SVM最优参数,最后建立短期电力负荷的最优预测模型,并采用实际短期电力负荷数据进行有效性验证。结果表明,ACO-SVM能够准确刻画短期电力负荷变化特性,提高了短期电力负荷的预测准确性。     

基于QPSO-ELM-KF的电力系统短期负荷预测

为保证日常电力系统的正常运行,满足其生产活动安排、电力经济调度以及电网安全分析的要求,必须要进行电力系统短期负荷的预测。为提高预测精度和稳定性,提出了一种基于量子粒子群(QPSO)优化极限学习机(ELM)与卡尔曼滤波(KF)相结合的电力系统短期负荷预测模型。该模型首先通过ELM预测各时间点的电力负荷值,其中,根据QPSO算法本身的特性以及在参数寻优方面的优势,利用其对ELM网络结构中输入层-隐含层的权值和隐含层的阈值进行寻优;然后,利用KF算法将得到的预测值做进一步的更新和优化,从而得到各时刻的最优估计值,最终以实现对短期电力负荷的精准预测。实验表明,使用QPSO-ELM-KF预测模型进行短期电力负荷预测,预测精度有进一步的提高。     

基于恐惧指数的疫情影响下短期电力负荷预测方法

突如其来的新型冠状病毒肺炎（COVID-19）疫情给电力负荷造成了严重的影响,为了有效应对疫情带来的影响,提高疫情影响下的短期负荷预测精度,提出了一种基于恐惧指数（FI）的疫情影响下短期电力负荷预测方法.利用疫情数据构建FI,与时间信息、历史负荷、气象条件一起作为广义回归神经网络（GRNN）模型的输入变量,用果蝇优化算法（FOA）对GRNN平滑因子进行优化,提高预测结果的准确度和稳定性,使用构建的预测模型进行预测.算例结果表明,该方法能有效提高疫情影响下短期负荷预测的精度,为重大灾难影响下的短期负荷预测提供参考与借鉴.      

基于Haar小波与ARIMAX模型进行短期负荷预测

为了提高对非稳态负荷的预测精度,提出了基于Haar小波分析和ARIMAX模型的短期负荷预测方案。首先,通过Haar小波将高频信息序列与低频信息序列分别从电价与负荷序列中分解出来;其次,分别利用电价序列的高、低频序列对负荷序列的高、低频序列进行ARIMAX模型构建和预测;最后,将含有电价信息的高、低频负荷预测值进行Haar小波重构,得到负荷序列的预测值。通过实例验证表明,本文采用ARIMAX模型添加的电价信息,弥补了多次预测产生的误差,对短期负荷的预测精度高于传统时间序列方法。     

基于一种改进的地区性电力系统短期负荷预测方法

电力系统短期负荷预测是电力系统运行管理和实时控制所必须的基本内容,预测结果的准确性对电力系统的安全、优质,经济运行具有重要意义.为提高电力系统短期负荷预测精度,采用三层BP型人工神经网络来建立短期负荷预测模型,将影响负荷的主要因素作为数据样本,进行网络的自我训练和学习,并且在训练和学习的过程中引入误差反方向传播算法(即BP算法)来修正神经网络的连接权重,从而达到对负荷预测模型的改良和完善,进一步贴近实际的负荷变化,其预测的精度也较高.     

计及误差修正的VMD-LSTM短期负荷预测

精确地短期负荷预测为电力系统经济调度和机组最优负荷分配交易奠定基础。因此,提出了一种将变分模态分解（variational mode decomposition,VMD）和长短期记忆神经网络（long short-term memory,LSTM）结合的短期负荷预测模型,并使用支持向量回归（support vector regression,SVR）构建修正后的误差序列对初始预测序列补偿。首先,运用VMD算法将非平稳的负荷序列分解为多个相对平稳的模态分量;然后,将每个模态分量输入LSTM模型进行预测,并将各分量预测结果合并得到VMD-LSTM的预测结果;最后将残差值输入SVR模型中构造误差序列,来修正后一日的VMD-LSTM预测结果。通过实际案例测试,实验结果对比其他模型结果有更低的预测误差,证明所提方法的有效性。     

基于RBF-ARX模型的短期电力负荷预测

为了提高短期电力负荷预测的精度,提出基于RBF-ARX模型的短期电力负荷循环预测法:将短期电力负荷预测看作非线性时间序列预测问题,并根据历史负荷数据建立电力负荷自回归预测模型(ARX模型),用RBF神经网络逼近ARX模型的参数,并用结构化非线性参数优化法(SNPOM)离线估计模型参数。用该方法对湖南某市电力负荷进行预测,将预测结果与实际负荷值进行比较,结果表明:基于RBF-ARX模型的短期电力负荷循环预测法精度高,可靠性强,具有很好的实用性。     

基于NPP/VIIRS夜间灯光数据的GDP智能预测模型研究

针对现今传统统计方法难以准确及时的揭示经济参量时空信息且估算GDP精度不足的问题,本文利用国家极轨卫星携带的可见光和近红外成像辐射计（NPP/VIIRS）获取的2012-2018年夜间灯光影像为数据源,对数据产生的误差进行处理得到了可以用来定量分析的长时间序列数据;首先采用随机森林算法对数据集进行预测研究,在此基础上提出一种基于袋外数据估计的回归误差,采用改进的网格搜索算法（Grid Search）对随机森林模型进行参数调优。同时也使用贝叶斯优化（Bayesian Optimization）对随机森林(RF)模型进行参数调优。运用嵌套5F-CV,并通过外部5F-CV循环估算模型的泛化能力,内部5F-CV循环用于确定最佳参数找出最优参数模型,建立自动预测系统,根据输入的研究区数据,使算法模型自动进行精准预测。结果表明基于贝叶斯优化改进的随机森林算法在预测GDP时最好,预测精度达到97%,具有较高的准确率和鲁棒性。研究结果展示了机器学习算法和夜间光照指数用于在县级尺度上预测GDP表现出显著的能力。     

基于改进Bi-LSTM和XGBoost的电力负荷组合预测方法

电力负荷预测在平衡能源分配、经济性和电力系统安全可靠运行方面发挥着重要作用,精准的负荷预测可以降低电力运行的成本和风险,提高电网环境效益和经济效益.首先根据加权灰色关联投影算法对数据进行预处理,然后应用注意力(Attention)机制来改进双向长短期记忆(Bi-LSTM)模型,并结合极端梯度提升(XGBoost)模型构...     

基于两级分解和GRU-AT网络的短时交通流预测模型

为提升城市道路短时交通流预测准确性,提出了一种基于小波分解(wavelet decomposition,WD)、变分模态分解(variational mode decomposition,VMD)和融合注意力机制(attention ,AT)的门控循环单元(gated recurrent units,GRU)网络的短时交通流预测模型。首先采用WD算法将原始交通流数据分解重构成低频分量和高频分量;然后将各高频分量累加,利用VMD算法将其分解为多个本征模态函数(intrinsic mode functions,IMF)分量;最后通过建立GRU-AT模型,提高模型对交通流重要特征信息提取的能力,分别预测算法分解后的交通流分量,将各个分量预测的最优结果进行聚合后获得最终的交通流预测结果。以国内外道路交通流数据为基础进行实例验证,结果表明,WD+VMD+GRU-AT模型的均方误差的平方根、平均绝对误差均小于长短时记忆(long short-term memory,LSTM)网络模型、 GRU、WD+GRU、WD+VMD+GRU,提高了短时交通流预测结果的准确度和稳定性。     

自适应加权最小二乘支持向量机的空调负荷预测

为了提高建筑空调负荷的预测精度,在分析空调负荷主要影响因素的基础上提出了一种基于自适应加权最小二乘支持向量机(AWLS-SVM)的建筑空调负荷预测方法。该方法根据预测误差的统计特性,采用基于改进正态分布加权规则,自适应地赋予每个建模样本不同的权值,以克服异常样本点对模型性能的影响。建模过程中采用粒子群优化(PSO)算法对模型参数进行优化,以进一步提高模型预测精度。基于DeST模拟数据将AWLS-SVM方法应用于南方地区某办公建筑的逐时空调负荷预测中,并与径向基神经网络(RBFNN)模型、LS-SVM模型及WLS-SVM模型作比较,其平均预测绝对误差分别降低了51.84%、13.95%和3.24%,并进一步基于实际空调负荷数据将该方法应用于另一办公建筑的逐日空调负荷预测中。预测结果表明:AWLS-SVM预测的累积负荷误差为4.56MW,亦优于其他3类模型,证明了AWLS-SVM具有较高的预测精度和较好的泛化能力,是建筑空调负荷预测的一种有效方法。     

面向功能分区的大型商场建筑冷负荷预测方法

针对大型商场面向建筑整体冷负荷预测不能为商场各区域按需供冷提供合理控制策略的问题,通过研究商场不同区域冷负荷特点,采用灰色关联度分析法筛选影响商场不同区域冷负荷的关键影响因素,针对实际情况中各输入特征对冷负荷影响程度的不稳定性,提出了基于双重注意力机制和LSTM的短期分区冷负荷预测模型。LSTM网络充分考虑空调冷负荷与相关特征变量之间的非线性关系,特征注意力自主分析历史信息和输入变量之间的关系,提取重要特征,时序注意力选取LSTM网络关键时刻的历史信息,提升较长时间段预测效果的稳定性。以西安某大型商场建筑的冷负荷数据集为实验数据,实验结果表明所提模型相比于LSTM模型、CNN-LSTM模型和Attention-LSTM模型,误差指标MAPE和RMSE均有显著降低,R2明显增加且稳定0.99以上,具有较好的泛化能力和较强的稳定性。     

基于XGBoost-神经网络的建筑负荷预测模型构建

针对建筑负荷预测模型特征选择工作量大、泛化能力提升难的问题,提出一种基于XGBoost-神经网络的建筑负荷特征筛选及预测方法,利用XGBoost算法训练滤波处理后的数据,基于平均绝对误差百分比MAPE确定最优特征子集,以改善模型精度和泛化能力;采用贝叶斯正则化算法训练前馈神经网络,以便能够在训练优化过程中降低网络结构复杂性,从而避免网络过拟合,进一步提升其泛化能力。针对某商业建筑的负荷预测实验结果表明,特征筛选后较筛选前模型MSE降低43.29%,有效提高了模型预测精度;分别以贝叶斯正则化和L-M算法对神经网络进行训练,前者5次试验RMSE和MAPE平均值较后者分别降低87.08%、85.33%,预测模型泛化能力得到有效提升。     

短期风力发电负荷预测的新方法

以陆上风力发电负荷数据作为研究对象,将注意力机制引入双向长短期记忆与卷积神经网络（CNN）的混合模型来预测短期电力负荷．结果显示:1）注意力机制通过对不同时步的输入进行加权,能够显著提升双向长短期记忆网络的预测性能;2）双向长短期记忆网络-CNN结构比CNN-双向长短期记忆网络结构更适用于短期负荷预测,前者相较后者能够充分利用时序信息,不会在输入初期就丢失关键信息;3）基于注意力机制的双向长短期记忆网络-CNN混合模型的均方根误差（RMSE）、平均绝对百分比误差（MAPE）分别达到了575.35和7.02%,比次佳模型（基于注意力机制的双向长短期记忆网络-CNN混合模型）分别降低了2.75%和9.65%,其在风电短期负荷预测方面有很好的应用前景．      

车身检测数据的多元贝叶斯建模与质量监控

提出了一种融入动态干预算法的多元经验贝叶斯（MEB）模型,并用于评价车身尺寸的均值、标准差等质量参数.该模型采用较为平稳的历史测量数据和相关性较强的多元测点信息进行误差修正,显著减小了由系统误差而导致的MEB模型的评价误差.构造了一组基于模式识别的动态干预算法、用于自动识别制造过程中的系统误差模式.同时,以某车型车身测量数据处理为例,验证了所提出方法的有效性.