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。     

基于最优组合预测模型的电力负荷预测研究

电力负荷预测是电力规划及安全运行的基础,提高预测精度是电力负荷预测研究的重点,由于负荷预测的变化性和不确定性,单一的预测模型很难满足所有的预测情况;组合预测是将各个单项预测所得的结果选取适当的权系数进行加权平均的一种预测方法;采用灰色和时间序列作为单项预测模型,然后进行最优组合建立组合预测模型进行电力系统短期负荷预测;仿真实例表明:最优组合预测模型比单项预测模型具有更高的预测精度,具有一定的优越性。     

基于时间序列编码和相关向量机的负荷短期预测

针对电力负荷短期预测精度不高的问题,提出一种基于时间序列编码和相关向量机的电力负荷短期预测方法.通过收集电力负荷实际数据,研究了日最大负荷数据之间的关系、日最大负荷与节假日的关系以及当日与对应星期数的相关性,并建立了相应的电力负荷短期预测模型.该模型采用相似日选择方法,给工作日和节假日赋予不同的权重,从电力负荷时间序列中筛选出与预测日特征相似的数据,对模型进行训练.与BP神经网络和支持向量机相比,该预测方法有更高的预测精度和更好的泛化能力,而且学习速度更快.     

基于VMD的CNN-BiLSTM-Att的短期负荷预测

为提高短期电力负荷预测精度,提出了基于变分模态分解(VMD:Variational Mode Decomposition)的CNN-BiLSTM-Att(Convolutional Neural Network-Bidirectional Long Short-Term Memory-Attention)的短期负荷预测模型。该模型将历史的负荷数据使用VMD分解成多个子序列负荷并结合天气、日期、工作日类型等因素作为输入特征,得到各个子序列负荷的预测值,然后相加重构组成实际负荷预测曲线。通过与其他模型实验对比,VMD-CNN-BiLSTM-Att模型在测试集上相比于其他模型均有所降低,在连续的周负荷预测中,日负荷预测的平均绝对百分比误差基本维持在1%～2%之间。在复杂负荷变化的非工作日中,平均绝对百分比误差相比CNN-LSTM降低0.13%。证明VMD-CNN-BiLSTM-Att短期负荷预测模型能提高电力负荷预测的精度。     

基于核极限学习机的负荷多粒度预测模型

台区负荷数据不仅作为时序数据呈现自相关性,还易受台区环境因素影响呈现非平稳性,因此预测精度不仅与预测模型结构有关,还与输入数据的时序特征有关。为了提高台区负荷的预测精度,提出一种基于混沌时序分析与核极限学习机的短期负荷多粒度预测模型。针对负荷数据的非平稳特征,通过变分模态分解算法将非平稳的原始信号转换成一系列相对平稳的子信号;针对负荷数据中的自相关特征,通过混沌时序分析方法,求解各个模态输入预测模型时的时间窗大小;构建多粒度核极限学习机预测模型,解决负荷数据中非平稳、自相关性对负荷预测的不利影响,提高模型的预测精度。结果表明,负荷的预测精度受输入数据时间窗大小的影响,不同模态分量的最佳时间窗的大小不同。采用混沌相时序分析的方法评估各个模态分量的最佳时间窗大小,可以有效提升核极限学习机的预测精度。     

融合多元影响因素的配电台区BiLSTM负荷预测方法

配电台区负荷预测是保障电力供需平衡的关键,对电力系统的安全预警、应急维护和经济运行具有重要的指导作用．受多种耦合因素影响,面向台区负荷的中短期常规预测方法存在较大的局限性．为提高台区负荷预测方法的泛化能力,提出一种基于双向长短期记忆网络(bidirectionallongshort-termmemory,BiLSTM),并引入要素主成分分析(principalcomponentanalysis,PCA)和用电行为分析的中短期日负荷预测模型．首先,基于PCA方法提取预选的影响用电负荷外在因素的主成分,实现对包含冗余、缺失和异常信息的输入变量的降维和修正;其次,依据历史负荷数据,利用基于遗传算法(geneticalgorithm,GA)的模糊C均值(fuzzyC-means,FCM)聚类提取台区内不同用户的用电行为特征并依此划分台区内的用户集合,降低用电行为差异对预测结果的影响;然后,搭建每类用户的BiLSTM预测模型,并应用随机权重平均(stochasticweightaveraging,SWA)算法提升预测模型的泛化能力,以年为单位预测日负荷电量;最后,将每类用户的负荷预测数据进行线性...     

基于工艺的自适应数据质量多模型择优预测

针对钢铁企业实际生产过程中,采用单一预测模型进行预测难以把握大规模启停设备用电规律,预测精度较低等问题,根据生产-检修阶段的实际工艺情况,将生产,检修问题采用随机近似贪婪搜索RAGS对复杂特征进行特征选择,建立了一个自适应数据质量的多模型择优预测框架进行建模;将其应用于宝钢电网。仿真结果表明,提出多模型择优预测框架可以准确预测钢铁企业电力日负荷,为实现电力系统能源调度提供决策依据。     

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。     

天气数据模糊化处理对神经网络短期负荷预测模型的影响研究

介绍了一种简洁实用的基于模糊集的神经网络电力系统短期负荷预报方法,计及了天气和日期特征量．应用模糊集理论将天气和日期特征量模糊化后作为BP神经网络的一部分输入进行训练,同时考虑实际历史负荷数据构造了短期负荷预测模型,预测未来24h负荷．通过典型算例与普通BP方法预测结果相比,表明该方法是有效的并具有较高的预测精度．     

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。     

基于CEEMDAN-CNN-GRU组合模型的短期负荷预测方法

负荷数据的高度随机性和不确定性,导致短期负荷预测的精度很难提升.为了提高短期负荷预测的准确度,提出了一种基于完全自适应噪声集合经验模态分解(CEEMDAN)与卷积神经网络(CNN)和门控循环单元(GRU)组合模型的短期负荷预测方法.首先,利用CEEMDAN模型将复杂的原始负荷序列分解为几个相对简单的子序列;其次,利用卷...     

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.      

基于改进深度森林的短期电力负荷预测模型

深度学习模型通过学习数据的深层特征能够有效提高电力负荷预测的准确率,但同时也带来了超参数较多、模型可解释性差等问题。针对这些问题,文中将深度森林模型引入短期电力负荷预测领域。在多粒度级联森林模型的基础上改进了多粒度窗口扫描方法,调整窗口大小与滑动步长,使模型能够在不同时间尺度下提取电力负荷数据的周期性特征。此外,改进深度森林输出层的计算方法,将输出结果由离散的类向量改进为连续的预测值,进而提高模型的精确度。最后在中国东北电网的实测数据中验证了文中所提出方法的可行性与有效性。从实验结果可知,改进深度森林算法在较高预测精度的情况下能取得更高的准确率,并且相较于深度神经网络具有更快的学习速度。     

基于二次模态分解的LSTM短期电力负荷预测

为进一步提高短期电力负荷的预测精度,需要更深层次发掘负荷数据中隐藏的非线性关系。提出一种基于信号分解技术的二次模态分解的长短期记忆神经网络(long short-term memory network, LSTM)用于电力负荷的短期预测。所提算法先对原始负荷序列进行自适应噪声的完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN),再将CEEMDAN分解后分量中的强非平稳分量进行变分模态分解(variational mode decomposition, VMD),同时用中心频率法对VMD分解个数进行优化,然后将两次分解后得到的负荷子序列送入LSTM中进行预测,并将所得分量预测结果进行叠加。结果表明,本文所提方法对短期电力负荷预测结果精度和模型性能都有较大提升。     

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VMD-EWT-IASSP-EBILSTM的短期电力负荷预测

电力系统在国家工业基础设施中起着举足轻重的作用，维持系统负荷高精度预测是保障电力系统高效供应的关键。针对负荷数据的非平稳性、随机性与非线性，负荷预测误差较大的问题，结合变分模态分解(Variational Mode Decomposition, VMD)、经验小波变换(Empirical Wavelet Transform, EWT)、改进的空洞卷积金字塔模块(Improved Atros Spatial Pyramid Pooling, IASSP)、集成双向长短时记忆模块(Ensemble BiLSTM，EBiLSTM)，提出了一种短期电力负荷预测模型。为解决负荷数据的非平稳性引起的模型预测波动问题，通过变分模态分解方法与经验小波变换的结合分解为若干子序列，显著降低了原始负荷序列的复杂性；为提高模型预测精度，将分解的负荷子序列利用过零率指标划分高低频序列，在低频序列中构建一种时序依赖捕获模块EBiLSTM提取长期负荷特征，高频序列中构建特征提取模块IASSP提取局部负荷特征，最后累加各子序列的预测结果，实现电力系统负荷的短期预测。选取行业通用客观评价指标：平均绝对误差、均方根误差，在宁夏某地电站的实测数据上对比前沿算法进行仿真实验验证。结果表明，该算法MAE误差降低了37%~75%左右，具有较高的准确性与可靠性。     

基于加权余弦相似度与极限学习机的电力负荷短期预测

为提高电力系统管理的效率,提出一种基于加权余弦相似度与极限学习机(extreme tearning machine, ELM)的电力负荷短期预测设计。通过熵权法对电力负荷相关物理信息进行权重分配,获得的权重赋予到余弦相似度中,利用加权余弦相似度对历史日与待测日的电负荷数据进行相似度选取,筛选数据作为极限学习机的输入,提高极限学习机回归模型的精度,最终获取电力负荷预测。实验分析与反向传播BP(back propagation)神经网络、支持向量机(spupport vector machine, SVM)预测算法对比,该方法能有效提高预测模型的精度,同时简化计算量。