基于LSTM网络的短期负荷预测

提出一种基于深度学习的LSTM的短期电力负荷预测方法,以减小负载预测模型所需的数据量的维度大小。基于某地电力公司的历史负荷数据,对比LSTM神经网络预测结果与BP神经网络算法预测结果,验证了所提算法的预测精度更高。     

基于VMD和PSO-SVR的短期电力负荷多阶段优化预测

为降低短期负荷序列的非线性以提升预测精度,提出一种基于多阶段优化的变分模态分解（variational mode decomposition, VMD）和粒子群算法优化支持向量回归（particle swarm optimization support vector regression, PSO-SVR）的短期电力负荷预测模型。第1阶段采用VMD优化和预处理原始负荷序列,分解获得多个较为平稳的模态分量。第2阶段利用相空间重构优化重组各序列分量,并针对各分量分别建立支持向量回归（support vector regression,SVR）预测模型。第3阶段将粒子群算法（particle swarm optimization,PSO）用于优化SVR模型内部参数,便于更好地进行训练和预测。最后累加所有序列的预测值,实现短期电力负荷预测。研究结果表明：所提方法可以取得更高的预测精度。     

基于FFT，DC-HC及LSTM的短期负荷预测方法

针对电力负荷序列非线性、随机性等特点引起的电力负荷预测精度低问题,提出一种基于快速傅里叶变换（FFT）、密度层次聚类算法（DC-HC）与长短时记忆（LSTM）神经网络相结合的短期负荷预测方法。首先,采用FFT计算出所有原始电力负荷序列对应的期望频率,并以之作为负荷聚类的特征量。然后采用DC-HC算法对负荷进行聚类,将原始数据分拆成具有特征属性的数据分量组;运用LSTM模型对各分量组进行负荷预测,再将各分量组预测结果进行叠加,得到最终负荷预测值;最后,采用爱尔兰实际电力负荷数据进行算例分析,结果表明所提方法能够有效提高负荷预测精度。     

基于极端梯度提升-长短期记忆神经网络组合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,提出一种基于极端梯度提升和长短期记忆网络的组合预测方法。首先采用Spearman相关系数法对负荷与气象因素进行相关性分析,提取模型输入特征。然后分别建立XGBoost、LSTM预测网络,并采用遗传算法优化网络的参数。最后利用模拟退火算法对各网络的预测结果分配最优权重系数,通过加权组合得到最终的集成预测结果。实验结果表明,XGBoost和LSTM组合模型对短期电力负荷预测的平均绝对百分比误差为0.88%,与XGBoost模型、LSTM模型相比,误差分别降低了2.17%、1.99%,在负荷预测领域更具有优势。     

基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法

短期电力负荷的精准预测可以有效指导机组组合调度、经济调度与电力市场运营。针对输入数据特征量受限时负荷预测的低精度问题,提出一种基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法。通过建立融合局部特征预提取模块的LSTM（long short term memory）网络结构,并将其与XGBoost（eXtreme boosting system）预测模型并行结合,之后结合MAPE-RW（mean absolute percentage error-reciprocal weight）算法进行模型融合初始权重设置,对最佳权重进行搜索,构建最佳融合模型。通过运用电力负荷数据对所提方法进行预测实验,结果表明CNN-LSTM- XGBoost模型的MAPE（mean absolute percentage error）与RMSE（root mean square error）分别为0.377%与148.419 MW,相比于单一网络模型与融合模型结构实现了误差指标的显著降低,验证了基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法具有较快的模型训练速度、较高的预测准确度与较低的预测误差。     

基于Wide&Deep-LSTM模型的短期台区负荷预测EI北大核心CSCD

负荷预测是电力系统经济运行的基础,其对电力系统规划和运行都极其重要。由于影响负荷预测的因素较多,因此用常规的方法很难获得较好的预测结果。随着新一代人工智能技术的兴起,尤其以深度学习和大数据技术的快速发展,为进一步提高负荷预测的精确度奠定了良好的基础。文中将深度学习方法引入到电力系统的短期台区负荷预测中,综合利用了负荷台区的电压、电流、功率以及时间等特征信息。同时在已有的长短期记忆网络(LSTM)模型和宽度&深度(Wide&Deep)模型的基础上,建立了基于Wide&DeepLSTM的深度学习短期负荷预测模型,并在此基础上进行了日前台区负荷预测。该模型能够兼具深度神经网络的学习能力与LSTM模块的时间序列信息表达特性,能够较好地解决台区电力负荷预测的多特征维度及时序性特征问题。最后利用Tensorflow深度学习框架生成了仿真模型并加以验证,仿真结果充分证明了所提方法的准确性与实用性。     

基于LSTNet模型的配电台区短期电力负荷预测研究

短期电力负荷预测作为电力系统运行规划的重要依据，对电力系统的安全经济运行有重要意义。提出一种长期和短期时间序列网络（LSTNet）模型对配电台区的短期负荷变化进行预测。该模型用卷积神经网络（CNN）提取负荷数据间的局部依赖关系，用长短时记忆（LSTM）神经网络提取负荷数据长期变化趋势，再融合传统自回归模型解决神经网络对负荷数据极端值的不敏感问题，最后将某一配电台区的电力负荷数据用于网络的训练和预测过程中。通过仿真实验案例发现，相较于以往LSTM、双向长短时记忆神经网络（Bi-LSTM）和CNN-LSTM的预测模型，LSTNet模型在短期负荷预测方面更具优势、预测精度更高。     

基于VMD和PSO-SVR的短期电力负荷多阶段优化预测

为降低短期负荷序列的非线性以提升预测精度,提出一种基于多阶段优化的变分模态分解（variational mode decomposition, VMD）和粒子群算法优化支持向量回归（particle swarm optimization support vector regression, PSO-SVR）的短期电力负荷预测模型。第1阶段采用VMD优化和预处理原始负荷序列,分解获得多个较为平稳的模态分量。第2阶段利用相空间重构优化重组各序列分量,并针对各分量分别建立支持向量回归（support vector regression,SVR）预测模型。第3阶段将粒子群算法（particle swarm optimization,PSO）用于优化SVR模型内部参数,便于更好地进行训练和预测。最后累加所有序列的预测值,实现短期电力负荷预测。研究结果表明：所提方法可以取得更高的预测精度。     

基于CNN-LSTM混合神经网络模型的短期负荷预测方法

为了更好地挖掘海量数据中蕴含的有效信息,提高短期负荷预测精度,针对负荷数据时序性和非线性的特点,提出了一种基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合模型短期负荷预测方法,将海量的历史负荷数据、气象数据、日期信息以及峰谷电价数据按时间滑动窗口构造连续特征图作为输入,先采用CNN提取特征向量,将特征向量以时序序列方式构造并作为LSTM网络输入数据,再采用LSTM网络进行短期负荷预测。使用所提方法对江苏省某地区电力负荷数据进行预测实验,实验结果表明,文中所提出的预测方法比传统负荷预测方法、随机森林模型负荷预测模型方法和标准LSTM网络负荷预测方法具有更高的预测精度。     

基于Prophet-LSTM组合模型的短期负荷预测方法

针对短期负荷预测精度问题,提出一种基于Prophet加法模型和长短期记忆LSTM(long-short term memo?ry)网络的组合模型的短期负荷预测方法.首先分别建立Prophet预测模型和LSTM预测模型,然后采用最小二乘法对两种方法取不同的权重组合,得到新的模型并进行预测.以2014年全球能源预测竞赛(GEFCom2014)的电力负荷数据作为算例验证.实验结果表明,与ARIMA模型预测方法、随机森林模型负荷预测模型方法和标准Prophet和LSTM负荷预测方法相比,所提负荷预测方法所得结果具有更高的预测精度.     

基于AGA—RBF神经网络的短期负荷预测

针对RBF神经网络的不足以及传统遗传算法的特点,采用浮点数编码的自适应遗传算法（AGA）作为RBF神经网络的学习算法．来确定RBF神经网络的隐含层的中心参数和宽度参数,形成AGA—RBF网络来进行负荷预测,并通过实例验证,该方法与RBF神经网络相比,能有效地提高预测精度和改善网络性能。     

Short Term Load Forecast Using Wavelet Neural Network

This paper presents a wavelet neural network (WNN) model combining wavelet transform and artificial neural networks for short term load forecast (STLF). Both historical load and temperature data having important impacts on load level were used in the proposed forecasting model. The model used the three-layer feed forward network trained by the error back-propagation algorithm. To enhance the forecasting accuracy by neural networks, wavelet multi-resolution analysis method was introduced to pre-process these data and reconstruct the predicted output. The proposed model has been evaluated with actual data of electricity load and temperature of Hunan Province. The simulation results show that the model is capable of providine a reasonable forecasting accuracy in STLF.     

基于联合模型的短期电力负荷预测方法

为了准确预测电力负荷并提高电力系统调节和调度的灵活性、准确性,提出了基于差分自回归滑动平均和长短期记忆神经网络的短期负荷联合模型预测方法,以避免单一预测模型可能难以满足预测准确需求的情况。首先,使用差分自回归滑动平均和长短期记忆神经网络单一模型对短期电力负荷开展预测;然后,使用改进的粒子群优化算法对联合模型权重进行寻优;最后,利用最优权重将单一模型预测结果进行合并得到最终的预测结果。验证结果表明,所建立的联合模型能够对短期电力负荷进行准确的预测,且联合模型的预测精度要优于差分自回归滑动平均、长短期记忆神经网络和BP神经网络等单一模型,具有一定的工程应用价值。     

利用多源信息和深度置信神经网络的配电系统空间负荷预测

准确的空间负荷预测是配电系统精益化规划的基础。在此背景下,提出利用多源信息融合和深度置信神经网络的配电系统空间负荷预测方法。首先,在分析空间负荷元胞多源信息特征的基础上,采用基于程度副词语义标定的结构化方法对负荷元胞的非结构化属性进行结构化处理,以充分挖掘利用负荷元胞数据信息。然后,采用受限玻尔兹曼机方法和反向传播（back propagation, BP）算法相结合学习元胞特征,以提升元胞高维特征提取的性能,并采用训练后的深度置信神经网络预测待规划区域的空间饱和负荷密度。最后,以某城市的区域配电系统为例,对所提出的空间负荷预测方法进行验证;仿真结果表明：在空间负荷预测模型中考虑非结构化信息的影响可以提高空间负荷预测精度,且与现有的一些方法相比,所提方法的预测精度更高。     

考虑温度模糊化的多层长短时记忆神经网络短期负荷预测

智能电表的普及为短期负荷预测提供了海量数据,使得负荷精细化预测成为可能,而温度是影响夏季负荷的重要因素。提出一种考虑温度模糊化的多层长短时记忆神经网络(ML-LSTM)短期负荷预测方法。利用隶属度函数将预测时刻的温度和当日的平均温度进行模糊化处理,减小夏季温度波动性对负荷预测的影响;建立含3层隐藏层的长短时记忆神经网络(LSTM)预测网络,并利用适应性矩估计(Adam)优化算法提高LSTM梯度参数的自适应性学习能力。利用西南某地区2018年6月至8月的实测温度和负荷数据进行验证,负荷预测结果表明,ML-LSTM模型比BP神经网络和支持向量机的负荷预测精度更高,且温度的模糊化处理提高了模型的泛化性。     

基于改进ABC和IDPC-MKELM的短期电力负荷预测

为提高受外部因素影响敏感的短期电力负荷预测精度,提出了一种基于改进ABC优化密度峰值聚类和多核极限学习机的短期电力负荷预测方法。构建融合特征提取、人工蜂群算法（ABC）、密度峰值聚类（DPC）和核极限学习机（KELM）的短期电力负荷预测模型。针对ABC收敛效率不高的缺陷,设计新型蜜源搜索和蜜蜂进化方式,以提升改进ABC全局寻优能力;针对DPC截断距离与聚类中心人为设定的不足,定义邦费罗尼指数函数和聚类中心截断指标,并将改进的ABC应用于DPC参数优化过程,以实现DPC最佳聚类分析;针对KELM回归能力不强、参数选取难以确定的问题,设计多核加权KELM,并采用改进的ABC进行参数优化,以提高极限学习机预测精度。仿真结果表明,所提短期电力负荷预测方法更具有效性,平均误差低了约8.8%~39.8%。     

基于TCN-LSTM和气象相似日集的电网短期负荷预测方法

为充分挖掘不同气象因素的相似日信息和输入特征蕴含的信息以提升负荷预测精度,提出一种基于时间卷积网络和长短期记忆网络组合（TCN-LSTM）和气象相似日集的电网短期负荷预测方法。首先通过Pearson系数和最大信息系数,选出与负荷强相关的气象因素;然后根据该气象因素,选取最佳相似日组成气象相似日集,以气象相似日集负荷、历史负荷、气象因素和时间因素作为预测模型的输入特征;最后,搭建TCN-LSTM预测模型,用TCN进行特征提取后,再用LSTM网络完成短期负荷预测。以中国某地区的实际历史数据进行仿真验证,结果表明所提预测方法可有效提升负荷预测精度。     

基于变分模态分解和深度学习的短期电力负荷预测模型

提升负荷预测的准确性对于指导电力系统的生产计划、经济调度以及稳定运行至关重要。提出一种基于变分模态分解(Variational Mode Decomposition, VMD)和长短期记忆(Long Short Term Memory, LSTM)神经网络的短期负荷预测模型。利用VMD算法将负荷序列分解成不同的本征模态函数(Intrinsic Mode Functions, IMF),每个IMF结合LSTM进行预测,将各部分预测结果叠加得到VMD-LSTM模型的预测结果。分析实验结果,相比单一LSTM和经验模态分解(Empirical Mode Decomposition, EMD)组合LSTM预测方法,该方法能有效的提升负荷预测的准确性。     

基于GN-BFGS算法的RBF神经网络短期负荷预测

提出了应用混合 GN( Gauss- Newton) - BFGS( Broyden- Fletcher- Goldfarb- Shanno)法进行RBF(径向基函数 )神经网络学习的算法。这种方法结合 GN法与 BFGS法的特点 ,既尽可能地利用了问题本身的特殊结构 ,又能取得超线性甚至二次渐近收敛率 ,因此有效地提高了学习效率。在学习过程中 ,利用该方法能够区分零残量和非零残量 ,并利用这种特点进行隐层神经元数目的自动调整 ,从而可以保证神经网络的学习能力和推广能力。多个实际电网的负荷预测结果表明 ,该方法同神经网络的其他算法相比 ,具有训练时间短、预测精度高的特点     

基于谱聚类和LSTM神经网络的电动公交车充电负荷预测方法

目前电动公交车的渗透率较大,且充电频率和充电量较高,故而其充电负荷对电网运行与调度产生着不可忽略的影响。因此,电动公交车的充电负荷预测研究具有重要的理论与现实意义,但由于公交车间歇性与随机性的充电行为在时间上给充电负荷预测增加了难度。为此,提出基于谱聚类和长短期记忆(long short-term memory,LSTM)神经网络的电动公交车充电负荷预测方法。首先,利用考虑距离与形态的谱聚类,对充电负荷曲线进行聚类;其次,综合考虑影响充电负荷的关键因素,如温度、日类型等,利用不同簇的总充电负荷,分别训练LSTM神经网络的模型参数,并预测每簇的充电负荷;接着,对不同簇的预测结果求和即可得到预测日的总充电负荷;最后,通过利用某市实际数据,验证本文所提方法。结果表明,所提方法充电负荷预测结果的平均绝对百分误差(mean absolute percentage error, MAPE)在11%以下,预测准确度有所提升。