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DE-ELM算法的配电网电力系统负荷预测研究

针对目前方法对配电网电力系统进行负荷预测时,由于未能在电力负荷预测前对电力数据进行缺失值插补处理,导致该方法存在预测精度差、时间长以及性能差的问题,提出一种基于DE-ELM(Differential Evolution-Extreme Learning Machine)算法的配电网电力系统负荷预测研究方法。首先依据小波变换对电力数据进行去噪处理,根据去噪结果完成电力数据缺失值的插补,获取完整的电力数据集;再将数据集分成训练集与测试集两部分,将全局寻优引入极限学习机,采用DE-ELM算法对训练集进行计算,依据结果建立网络模型;最后将测试集放入构建的模型中进行训练,基于输出结果实现配电网电力系统的负荷预测。实验结果表明,运用该方法进行配电网电力系统负荷预测时,预测精度高、时长短、性能好。     

复杂制造系统中的热轧带钢力学性能预测的深度学习模型

钢铁工业向智能制造转型升级过程中对相关模型的精度提出了更高的要求，传统的热轧板带力学性能预测模型已很难满足现场需要，基于多层网络的深度学习模型在实际应用中往往受到数据不足、调参困难等限制，而且选择的有限个离散工艺参数很难准确反映板带的实际加工过程。为了应对这些问题，本文提出了一种新的基于gcForest框架的板带力学性能输入数据采样方法，该方法根据热轧板带生产这类工序流程复杂且工艺路径及参数对产品质量异常敏感的特点，设计了一种基于时间-温度-形变的三维连续时序过程数据采样方式，并将多粒度扫描得到的局部历程信息与板坯的基础信息（化学成分和典型工艺参数）进行融合，使下一环节的输入同时具备局部特征和全局特征；此外，在多粒度扫描结构中设计了可变窗口的子采样方案，使具有不同维度的输入数据通过多粒度扫描结构后能够得到相同维度的输出特征，使级联森林结构能够的正常训练。最后，在3个钢种的实际生产数据上进行实验评估，结果表明，这种基于gcForest的力学性能预报模型综合性能更好，而且调参容易，在样本较少的情况下也能保持很高的预测精度。     

精细化气象因子对短期电力负荷预测的影响研究

为分析电力负荷变化特征与气象要素的关系,定量解析气象因子对电力负荷预测的主要贡献,该文以华中电网某地区为研究对象,预报因子选用电力负荷和精细化气象数据,依据逐步回归和BP神经网络模型建立滚动预报模型.通过研究发现：当日负荷除与历史负荷有较好的相关关系外,当日温度与前一日温度对负荷也有较大的影响.气象因子在逐步回归和神经网络预测方法中对负荷预测准确率的提升均有正的贡献,贡献率分别为0.28%～17.87%和0.97%～17.78%.尤其是转折天气条件下,精细化气象因子对短期负荷预测的准确率的提升尤为重要.     

具有自学习功能的电力负荷模糊推理预测

考虑到电力负荷预测问题中存在的不确定性,采用模糊推理预测方法进行负荷预测的研究。该方法利用电力最高负荷和国内生产总值的历史数据建立模糊推理规则,从而进一步建立最高负荷跟国内生产总值之间的模糊蕴涵关系,通过模糊推理得到了负荷预测结果。为了使模型能够象专家一样不断地总结新的经验并调整原有的经验,模型克服了其它模型中知识的凝固性,具有自学习功能。利用某些区的实际数据进行分析计算,得到了满足的结果。     

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。     

带阶跃趋势的GM（1,1）及其在电力负荷中的应用

提出了一种带有阶跃趋势的改进型GM（1,1）模型,这种改进的灰色模型能够更好地适应带阶趋势的序列数据。同时该模型参数计算量大为减少,通过电力负荷实例的分析表明,这种改进的GM（1,1)模型更精确、合理。能够大大地提高预测精度和拓宽GM（1,1)的应用范围。这种带阶跃趋势的改进模型可以成为电力负荷预测的理想工具。     

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k-means聚类与径向基神经(RBF)网络的电力系统日负荷预测

对大型工业企业电力负荷震荡剧烈、幅度大等问题,提出了借助卡尔曼滤波对"失真数据"进行实时估计,弱化陈旧数据权值的k-means聚类和径向基网络的组合预测模型。依据最小逼近误差,利用最小二乘法对RBF网络的输出权值进行优化。文中方法对电力系统不同的工况背景,使用k-means聚类算法来确定隐藏节点的数据中心和扩展常数,改善了常规RBF网络随机选择网络中心的情况,同时使电力负荷精度得以有效提高。最后,依据文中的组合模型和其他4种常用算法分别对宝钢电力系统负荷数据进行分析预测,仿真结果表明:方法对负荷预测效果较好。     

基于k-means聚类与RBF网络的电力系统日负荷预测

针对大型工业企业电力负荷震荡剧烈,幅度大等问题,提出了借助卡尔曼滤波对“失真数据”进行实时估计,弱化陈旧数据权值的k-means聚类和径向基网络的组合预测模型,依据最小逼近误差,利用最小二乘法对RBF网络的输出权值进行优化。文中方法对电力系统不同的工况背景,使用k-means聚类算法来确定隐藏节点的数据中心和扩展常数,改善了常规RBF网络随机选择网络中心的情况,同时使电力负荷精度得以有效提高。最后,依据文中的组合模型和其它4种常用算法分别对宝钢电力系统负荷数据进行分析预测,仿真结果表明：本文方法对负荷预测效果较好。     

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。     

高比例风电下电力市场短期电价预测

为应对近年来国内风电渗透率不断增加、大量清洁能源并入电网给日前电价预测带来的挑战,提高高比例风电接入情况下电力市场短期电价预测精度,本文将高比例风电情况下的风电出力与负荷数据进行融合得到了一项改进的输入特征变量,代表风电与负荷共同对电价的影响程度。采用最大信息系数法分析各特征变量与电价之间的相关性,并结合长短期记忆神经网络（Long-short Term Memory, LSTM）与注意力机制(Attention)的特点构建了LSTM-Attetion预测模型,然后对不同输入条件下的预测结果进行对比分析,数据结果显示,引入该输入特征变量后模型的预测精度都有明显提升。经过进一步算例实验后表明,本文所提出的特征变量相比风荷比而言更能能够有效提高高比例风电情况下电价预测精度,适用于许多经典算法。     

多变量相空间重构的多核最小二乘支持向量机电力负荷预测优化策略

针对短期电力负荷在线预测问题,结合多变量相空间重构以及多核函数LS-SVM(least squares support vector machine),提出一种基于滑动窗口策略与改进人工鱼群算法(artificial fish swarm algorithm)的短期电力负荷在线预测综合优化方法。首先利用多变量相空间重构还原真实电力系统动力学特性;然后将核函数进行排列组合,从而将组合核函数的构造问题转换为权值系数的优化问题。进一步将延迟时间、嵌入维数、LS-SVM参数以及核函数权值作为整体参数向量,利用混沌自适应人工鱼群算法对训练数据预测精度的适应度函数进行优化,从而得到最优的预测模型参数。最后通过滑动时窗策略将得到的预测模型对短期电力负荷进行在线预测,结果证明了提出方法的有效性。     

基于深度森林算法的油井产量预测研究

为了克服传统机器学习算法产量预测模型的缺点,以深度森林算法理论为基础,综合油井相关各项数据,建立了油井产量预测新模型。首先应用KNN最邻近方法和Z-Score标准化方法对油井相关数据进行预处理,利用MDI特征选择方法选择对油井产量影响最大的特征向量,然后将选出的特征向量作为深度森林模型的输入变量,建立深度森林产量预测模型,利用网格化搜索优化模型参数,最后在测试集上运行模型,对模型性能进行评估。研究结果表明,相对于BP神经网络等传统机器学习算法模型,深度森林模型的产量预测精度更高,可以准确预测油井产量,同时相对于深度神经网络等复杂学习算法,该算法参数少、调参及应用简单,为油井产量预测提供了一种新的方法和思路。     

特征空间闭操作驱动的短期电力负荷预测

为了获得更高的短期负荷预测精度,有必要充分考虑负荷变化趋势与区域整体用电行为模式之间的关联,提出一种特征空间闭操作驱动的短期电力负荷预测方法。在综合模型的基础上,首先利用特征提取模型将历史用电负荷分解成多个分量作为刻画区域用电行为的特征;然后使用特征选择模型对用电行为特征进行选择,减少冗余或无效特征的干扰,优化预测模型;最后将选择的特征子集作为预测模型的输入特征从而进一步估计出各时段负荷的分布。结果表明采用本方法预测精度更高。     

需求侧响应下的电力负荷预测模型的改进

在电力负荷预测进行建模时,传统的预测模型需要消耗大量的电力负荷样本数据,同时不能准确描述电力系统内部的变化情况,降低了电力负荷预测的精度和可靠性。提出一种基于灰色预测模型的电力负荷预测模型的改进方法,分析了基本灰色预测模型的建模过程,同时依据需求侧响应约束条件对不符合约束条件的电力负荷预测结果进行剔除,从电力负荷原始数据的处理和灰色模型预测结果的修正两方面对其进行改进。实验结果表明,采用所提方法对电力负荷进行预测,得到的预测结果精度较高,性能优异。     

利用SVM-LSTM-DBN的短期光伏发电预测方法

为解决传统预测算法的不足,利用深度信念网络(DBN)耦合支持向量机(SVM)和长短期记忆神经网络(LSTM),提出一种新的光伏功率组合预测方法.分别构建以高斯径向基函数为核函数的支持向量机预测模型、4层长短期记忆神经网络为单项预测模型,通过深度信念网络组合,优化预测结果并输出.根据实际出力和预测结果的误差,利用DBN动态调整以获得最优值,进一步验证SVM-LSTM-DBN模型的有效性和准确性,并以新疆维吾尔自治区某光伏电站的实测数据进行仿真验证.结果表明:基于SVM-LSTM-DBN组合的光伏出力预测模型与单一模型相比,预测精度明显提高.     

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。     

基于灰狼算法优化深度学习网络的网络流量预测

针对深度学习网络在网络流量预测建模过程中的参数优化难题,以改善网络流量预测结果为目标,提出一种基于改进灰狼算法优化深度学习网络的网络流量预测模型.首先,收集网络流量历史数据,并对数据进行相空间重构、归一化等预处理;其次,引入灰狼算法快速搜索到全局最优深度学习网络的相关参数,并根据最优参数对预处理后的网络流量历史数据进行...     

基于云计算和改进极限学习机的电网负荷预测

随着智能电网和通信技术的迅速发展,电网系统采集的用户数据规模呈指数增长,传统电网负荷预测方法难以满足海量负荷数据情形下的高效分析和计算需求。据此,依托电力系统数据采集云平台,提出一种基于云计算和改进极限学习机的电网负荷预测模型,采用Map-Reduce网络架构,部署于Hadoop平台,利用分布式计算方式进行电网负荷的精准建模和预测分析。结果表明,相比已有方法,本研究方法具有负荷预测精度高、运行速度快的优势,可为后续智能电网系统建设及管理运用提供一种新颖的解决思路。