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CNN-BiLSTM-Attention的超短期电力负荷预测

在长短期记忆神经网络(LSTM)的基础上,运用双向的长短期记忆神经网络(BiLSTM),结合卷积神经网络(CNN)提出了一个预测模型,对超短期电力负荷预测.运用合肥市2019年全年数据对该模型进行训练及预测,结果显示,CNN-BiLSTM预测精度高于CNN-LSTM预测模型,为进一步提升预测精确度,在BiLSTM神经网络后面连接了一个Attention在输出,发现其预测精度进一步提升了.     

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。     

基于注意力机制优化长短期记忆网络的短期电力负荷预测

在电力系统的经济调度中,如何合理利用电力负荷的过去和现在来推测其未来价值,具有非常长远的社会经济价值.短期电力负荷数据具有明显的时间特征,传统的深度模型越来越多地应用于该领域.然而,深度模型可能存在梯度爆炸或梯度消失,为此,提出了一种注意力机制优化长短期记忆网络的短期负荷预测模型.该模型将长短期记忆网络单元中的激活函数改进为加权激活函数组,并加入注意力机制以提高预测精度.     

基于长短期记忆神经网络的短期电力负荷预测

为提高电力负荷预测的精度,提出一种基于长短期记忆神经网络的短期负荷预测模型.首先,选取28个影响电力负荷变化的因素作为预测输入候选特征,同时对部分定性表述的影响因素进行量化表征,对电力负荷特点及其影响因素分析.其次,借助皮尔逊相关系数分析选取了23个相关性较强的主要影响因素,进一步采用皮尔逊相关系数法分析影响因素对负荷...     

基于1DCNN-LSTM和迁移学习的短期电力负荷预测

针对在短期电力负荷预测中,当某区域电力负荷数据较少时,负荷预测精度较差的问题,提出一种基于1DCNN-LSTM(1D Convolutional Neural-Long Short-Term Memory Networks)和参数迁移的短期负荷预测方法,并采用1DCNN-LSTM结合迁移学习针对性提高预测精度。使用美国某地区的实际负荷数据进行仿真分析,实验结果表明,该方法能有效提升区域电力负荷数据缺失时负荷预测的精度。     

基于注意力机制与神经网络的热电联产锅炉负荷预测

热电联产机组的锅炉负荷准确预测对电厂生产管理及调度有直接作用.基于注意力机制和深度卷积-长短期记忆网络原理,提出一种新的热电联产长期负荷预测模型,该模型以锅炉出口蒸汽流量(负荷)历史数据和多维负荷影响因素为输入,对负荷进行长期预测.利用Pearson相关系数判定对原始数据进行筛选;将处理后的数据经卷积层进行特征提取和进一步降维,通过长短期记忆层进行拟合,并采取注意力机制对权值进行优化,实现对负荷的精准预测.以浙江桐乡电厂实测数据为例进行验证,结果表明所提方法的平均绝对百分比误差小于1%,能够实现锅炉负荷的精准预测,智能算法在热电联产领域的应用具有一定的借鉴意义.     

基于数据增强技术与CNN-BiLSTM-Attention的油田注水流量预测及效果

准确识别地层注水情况是油田开发的重要前提,对制定合理的注水发展规划也具有重要的指导意义。为准确预测注水,提出一种结合卷积神经网络、双向长短期记忆网络与注意力机制的油田注水流量预测方法,该方法首先将卷积神经网络(convolutional neural network,CNN)和双向长短期记忆网络(bidirection long short-term memory,BiLSTM)进行联合,用于捕获注水流量的复杂非线性时空关系,然后采用注意力机制来关注输入的重要特征。并针对油田历史数据匮乏问题,提出使用数据增强技术来增加一维时间序列的数据量。采用国内某油田注水井真实历史注水数据进行实验,研究结果表明,本研究中提出的CNN-BiLSTM-Attention预测模型的平均绝对误差(Mmean absolute error,MAE)、均方根误差(root mean square errorRoot Mean Square Error, RMSE)、平均绝对百分比误差(mean absolute percentage errorMean Absolute Percentage Error,MAPE)和决定系数(Ccoefficient of Ddetermination,R2)MAE、RMSE、MAPE 和R2 分别为0.027、0.043、9.936和0.968,通过多种模型对比,表明该方法具有较高的预测精度,可以更准确地预测注水流量。此外,研究还证实,采用数据增强技术可以有效提高模型的预测精度。研究成果可为油田精细化注水提供调整方案与高质量数据,从而为油田智能化开发提供理论依据。     

基于Bi-LSTM网络的广珠城际短期客流预测方法

为提高城际铁路车站短时客流量预测的准确性,本文设计了一种基于双向长短期记忆网络(Bi-LSTM)的预测模型.首先分析了广珠城际铁路车站日客流量的时间分布规律,发现各车站日客流量存在着相似的分布特征,但工作日、周末和节假日客流量呈现出较大差异.以广州南站、珠海站以及小榄站3个车站的进站客流为例,选择时间窗步长为2和4分别...     

融合注意力机制的煤层气产量动态预测

为了提升煤层气产量的预测精度,提出融合注意力(Attention)机制并结合卷积神经网络（convolutional neural networks,CNN）和长短期记忆神经网络（long short term memory,LSTM)的煤层气产量动态预测模型。利用随机森林变量筛选方法,确定井底流压、动液面高度、套压、冲次为排采过程中影响煤层气产量的主控因素;利用CNN信息提取优势,提取煤层气排采数据的特征向量,并将特征向量作为LSTM网络的输入;再将LSTM隐含层融合注意力机制提取重要信息权重,有效解决信息长期依赖性和信息丢失。实验结果表明：融合注意力机制的CNN-LSTM煤层气产量动态预测模型各方面均表现较优。具体表现为：1. 模型预测性能较好,利用不同模型对比预测,改进后的煤层气产量预测模型精度最高,比标准的LSTM预测精度提升了3%~4%;2. 泛化性能较优,预测同一区块不同生产天数的6口煤层气井产量时,预测60天日产气量的平均相对误差均小于5%,预测200天日产气量的平均相对误差均小于8%。     

幂函数荷载作用下图乘法的一种新方法

给出了幂函数荷载作用下求解结构位移的图乘法的一种新方法.首先介绍了结构在复杂荷载作用下的弯矩图的叠加原理,然后研究了幂函数分布荷载作用下的弯矩图的面积及形心位置.求出弯矩图的面积及形心位置后根据叠加原理可以由此求解结构在幂函数荷载作用下的位移.该方法可以避免采用结构力学传统方法对非标准抛物线图形求解时常见错误,是对结构...     

An optimized short-term wind power interval prediction method considering NWP accuracy

In recent years, the accuracy of the wind power prediction has been urgently studied and improved to satisfy the requirements of power system operation. In this paper, the relevance vector machine(RVM)-based models are established to predict the wind power and its interval for a given confidence level. An NWP improvement module is presented considering the characteristic of NWP error. Moreover, two parameter optimization algorithms are applied to further improve the prediction model and to compare each performance. To take three wind farms in China as examples, the performance of two RVM-based models optimized, respectively, by genetic algorithm(GA)and particle swarm optimization(PSO) are compared with predictions based on a genetic algorithm–artificial neural network(GA–ANN) and support vector machine. Results show that the proposed models have better prediction accuracy with GA–RVM model and more efficient calculation with PSO–RVM.     

电力系统短期负荷预测软件包的设计与实现

文章介绍了电力系统短期负荷预测软件包的实现。该软件包不仅包含了常规的实用预测方法 ,还通过引入模拟退火、模糊理论与遗传算法对神经网络进行了改进 ,效果较好 ,达到实用化水平。文中对各种预测方法和数据预处理技术进行了说明 ,并介绍了软件包的总体设计方案和功能。最后 ,结合实际系统预测结果对各种预测方法进行了分析比较     

一种预测判断蛋白质与DNA相互作用位点的新方法

蛋白质-DNA相互作用位点在各类生理生化反应中扮演重要角色.本论文旨在构建一种可以准确预测“相互作用位点”的方法：PdDNA，其内容主要包括支持向量机和序列匹配器.支持向量机通过提取相互作用位点中心残基的特征进行训练并分类，序列匹配器则通过蛋白质特征矩阵（PSSM）对氨基酸序列进行相关性评估，对二者结果进行归一化整合，得到最终的预测结果.利用公开数据集PDNA_62，我们的PdDNA预测准确率为86.87%.为进一步验证PdDNA可靠性，我们还自建了PDNA_224数据集，其预测准确率为83.07%，处于较高水平.因此PdDNA是一种有效的“蛋白质-DNA相互作用位点”预测方法.     

短期风电功率CEEMDAN-SMA-LSSVM预测模型研究

为了提高风力发电功率预测的准确性,建立了基于CEEMDAN分解的SMA算法优化LSSVM的短期风电功率组合预测模型。首先,采用完全集合经验模态分解(CEEMDAN)对原始风电功率数据进行分解与重构。随后,为了进一步优化最小二乘向量支持机模型(LSSVM)的参数,引入了黏菌算法(SMA)优化,通过调整惩罚参数和核参数来提高模型性能,最后,构建多种对比模型对比分析表明CEEMDAN-SMA-LSSVM模型预测精度最高,预测结果更接近真实值。研究可用于风电场短期风电功率预测使用。     

基于遗传优化的支持向量机短期风电功率预测研究

风电具有波动性、间歇性、随机性等弊端,故而较为准确的预测风电功率是提高电力系统安全性与经济性的重要手段。利用遗传算法对支持向量机参数寻优,据此建立功率预测模型进行仿真,最后与标准支持向量机的预测结果进行对比,结果表明该预测方法在短期风电功率预测中准确性更高。     

改进人工免疫网络算法在电力短期负荷预测中的应用

针对现有的短期负荷预测方法易陷入局部极值以及预测精度不高等缺陷,文中提出了一种基于改进免疫算法优化BP神经网络的短期智能负荷预测方法.通过利用改进的矢量距优化免疫网络,从而达到优化网络的目的.融入免疫调节原理,引入抗体浓度的概率选择式,采用自适应变化策略重新设计变异算子,利用新的变异尺度设计种群抗体,采用新的神经元适应度函数,并结合免疫网络调节的进化算法进行网络学习.实例分析表明,基于改进免疫网络优化的BP网络短期负荷预测算法比混沌算法优化BP网络算法精度更高,更具实用性.     

用于短期风功率预测的历史数据深度迁移模型

随着全球化石燃料短缺日益严重,可再生能源的开发与利用愈发得到重视。风能是被广泛使用的清洁能源之一,在生产工作中,风力发电作为风能的主要利用形式,需要对其功率进行预测。依托风场日常记录的历史数据,传统学习模型可对风功率进行短期预测,但往往仅使用自己域内的历史数据作为分析对象,该类算法导致结果片面,局限性大,不能有效使用类数据中的隐含联系,抑制原始数据缺失或异常值引起的模型性能下降问题。笔者设计一种基于历史数据深度迁移的短期风功率预测模型。首先,使用带降噪处理的自动编码机构建深度神经网络模型。其次,应用深度迁移方法共享隐藏层,挖掘特征之间的隐含联系。最后,从具有相似特征和地理位置的风场数据中迁移重要知识,提高模型准确率和可靠性。实验结果表明,研究方法较之未使用迁移的方法更充分利用现有数据,预测准确率显著提高。     

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。     

配电网短期负荷小波组合预测研究

分析不同规模的配电网负荷,验证了配电网短期负荷变化复杂的特征,采用单一预测方法进行配电网短期负荷的预测仿真.考虑到配电网短期负荷变化规律性不明显的特点,利用db4小波函数对配电网的历史负荷数据序列进行最大尺度分解重构,将历史数据划分成不同频段的分量,根据不同频段负荷分量特点分别采用GM(1,1)模型、时间序列法及二次指数平滑法对低、中、高频分量进行预测,再将各分量预测值叠加得到总的预测结果.结果表明,该组合预测法可有效提高预测精度,获得较为满意的预测结果.