基于特征降维和组合模型的短期电力负荷预测

准确的负荷预测是电力系统安全稳定运行的重要保障,为了进一步提高电力负荷的短期预测精度,依托信号处理和深度学习技术,针对电力负荷数据的特征降维方法以及组合模型的构建进行深入研究.首先利用随机森林的平均不纯度减少法(MDI)实现多维负荷数据的特征降维,实验结果证明上述方法能有效筛选出影响负荷的主要因素,提高模型学习效率.在...     

基于IPSO算法的短期电力负荷预测模型研究

为有效减小短期电力负荷预测的预测误差，提高预测精度、缩短预测时间，应用改进粒子群优化(IPSO)算法建立了1种短期电力负荷预测模型。通过水平方向和垂直方向的平滑修正，对历史数据的异常负荷点进行识别并修正。利用相同日期类型正常负荷，计算缺失数据填充值。采用模糊化处理，计算日期类型、温度、天气隶属度函数，对短期负荷变化因素进行量化处理。将历史数据的负荷值和量化值作为训练数据。为避免粒子群优化(PSO)算法陷入局部最优，采用IPSO算法找到全局最优解，建立了短期负荷预测模型，实现了短期电力负荷预测。试验结果表明，所设计模型预测结果在休息日和工作日的最大相对误差值、平均相对误差值分别为0.97%、0.53%和0.99%、0.65%,能够有效减小预测误差、提高预测精度、缩短预测时间。该研究为电力系统相关人员进行负荷预测提供了参考。     

基于LSTM-XGBoost的短期电力负荷预测研究

随着电力系统的快速发展,针对短期电力负荷预测的人工智能方法研究已经取得了显著成就。由于长短期记忆(LSTM)神经网络能够拟合电力负荷数据时序性和非线性的特点,基于LSTM的短期电力负荷预测效果显著。但基于LSTM的预测方法存在预测精度低、泛化能力差等问题。为此,利用贝叶斯优化后的极限梯度提升(XGBoost)集成学习方法训练得到多个LSTM的强预测模型,提出基于LSTM-XGBoost的短期电力负荷预测的方法,并采用宁夏地区的电力数据进行算例分析。试验结果表明,对比基于LSTM和基于粒子群优化(PSO)-反向传播(BP)的短期电力负荷预测方法,基于LSTM-XGBoost的短期电力负荷模型预测精度、稳定性更高。该方法对于电力系统智能化发展有一定的应用价值。     

基于差异补偿和短期采样对比损失的城市电力负荷预测方法

城市电力负荷预测是城市智能电网规划和调度的一项重要内容。然而,城市电力负荷预测中存在数据不均的问题,给城市电力负荷预测带来了巨大挑战。传统的基于单一模型的方法难以解决数据不均的问题,而现有的基于多模型的预测方法根据电力负荷分布将数据集拆分成多个子数据集,然后分别建立多个预测模型进行预测,该类方案在一定程度上解决了数据不均问题,但存在模型构建成本较高、不同分布样本间共有的电力分布特征发生分离等问题。基于此,提出了一个轻量级城市电力负荷预测模型(Lighten-DCSC-LSTM)。该模型通过在长短期记忆网络的基础上引入差异补偿的思想和短期采样对比损失进行构建,同时构建共享特征提取层来降低模型构建成本。其中,差异补偿思想通过学习不同电力负荷分布样本之间的差异对主序列预测模块的预测结果进行差异补偿,短期采样对比损失通过动态类中心的对比学习损失对模型的训练进行正则化。为了验证模型的性能,进行了参数调优和对比实验。对比实验结果表明,模型在预测电力负荷的任务中取得了良好的性能。     

基于VMD与MOGOA-LSTM的短期负荷预测模型

为了提高短期负荷预测的准确度,降低非平稳信号对模型预测造成的影响,提出一种集数据挖掘和多目标优化网络于一体的短期负荷预测模型。该方法将电力负荷数据通过变分模态分解技术分解成若干个不同频率的模态分量,采用相间重构方法动态确定人工神经网络的训练测试比和神经元设置,采用长短期记忆神经网络对各分量进行模型搭建,并在长短期记忆神经网络的基础上加入多目标蝗虫智能优化算法来优化网络内部参数,累加所有分量模型预测的值,实现短期负荷预测。仿真结果表明,与统计学方和混合模型相比,本文提出的模型在短期预测方面的预测精度较高、泛化能力更强。     

基于迭代误差补偿的核极端学习机模型在短期电力负荷预测中的应用

针对BP神经网络方法制约短期电力负荷预测精度的问题,提出一种基于迭代误差补偿的核极端学习机(KELM-IEC)预测模型。首先,建立短期电力负荷预测模型的输入指标体系,选择月份、日期、星期、周数、是否为节假日、日平均气温、前一日的最大负荷量等影响电力负荷的7个因素作为预测模型的输入;其次,基于新型神经网络模型--核极端学习机(KELM),建立负荷预测模型,引入支持向量机(SVM)的核函数映射作为极端学习机(ELM)的隐含层节点映射,有效结合ELM结构简单、训练简便与SVM泛化能力强的优势,提高负荷预测精度;最后,基于时间序列预测中迭代误差补偿(IEC)技术,建立IEC模型,再次利用KELM对负荷预测模型的预测误差进行学习,从而对预测结果进行补偿和修正,进一步减小模型预测误差,提高预测性能。采用两组实际电力负荷数据进行仿真实验,其中,KELM-IEC模型与BP神经网络模型相比,平均绝对百分误差(MAPE)分别降低了74.39%和34.73%,最大绝对误差(ME)分别降低了58.34%和39.58%;同时与KELM模型相比,平均绝对百分误差分别降低了18.60%和4.29%,最大绝对误差分别降低了0.08%和11.21%,说明误差补偿策略的必要性。实验结果表明,KELM-IEC预测模型能够有效地提高短期电力负荷预测的精度,有利于改善电力系统的计划、运营和管理,保障生产和生活用电,提高经济效益和社会效益。     

基于包容性检验和证据理论的短期负荷预测

为了提高短期负荷的预测精度,提出一种包容性检验和证据理论的短期负荷组合预测模型(ET-DS).分别采用多个单一模型对短期负荷进行预测,采用包容性检验选择最合适的单一模型,利用证据理论获取单一模型的权值,实现短期负荷的组合预测,并采用短期负荷数据对模型性能进行仿真测试.仿真结果表明,相对单一模型及其它组合模型,ET-DS组合模型更加准确刻画了短期负荷变化趋势,提高了短期负荷预测精度,预测结果可为电力规划提供有价值参考意见.     

基于双图正则非负低秩分解的电力负荷短期预测

在智能电网背景下,准确估算和预测电力负荷已成为电网电力规划工作的重要先决条件,对电网安全、经济运行具有重要意义。针对电力负荷数据的周期波动与非周期影响,提出一种基于双图正则非负低秩分解的电力负荷短期预测方法。该方法利用历史数据构造电力负荷时空矩阵,并对该矩阵进行鲁棒非负低秩矩阵分解,以同时获取电力负荷的周期性模式与非周期影响。在此基础上融入电力负荷的空间和时间相关性以进一步优化矩阵分解结果,最终通过矩阵恢复获取电力负荷的短期预测。该方法从电网时空整体预测电力负荷趋势分析并填补缺失,同时导出了有效的学习算法。实验分析表明,与相关方法相比,所提方法在电力负荷短期预测的多项评价标准下均取得了更好的准确性和鲁棒性。     

二次指数平滑多目标组合模型电力负荷预测

为提高短期电力负荷预测精度,提出一种二次指数平滑多目标组合模型ES-BiLSTM-LSTM预测方法。通过获取负荷目标预测值和残差目标预测值,实现多目标负荷预测;利用Pearson相关系数,选取与电力负荷相关性较高的影响因素;采用双向长短期记忆神经网络(BiLSTM)和长短期记忆神经网络(LSTM)串行学习负荷数据的时序性特征和周期性特征;利用二次指数平滑法平滑处理负荷数据,获得残差项,通过LSTM模型训练和迭代,提取残差数据的波动性特征;将负荷预测值与残差预测值融合得到修正预测值。实验结果表明,该方法在MAE、MSE和RMSE上,对比3种负荷预测模型均有提升。     

最大Lyapunov指数短期电力负荷预测模型仿真

已有的研究工作表明,针对Lyapunov指数预报模式的预测时限受负荷吸引子最大Lyapunov指数的限制,已提出的k△t间隔采样混沌模型在短期电力负荷预测中能有效的提高负荷预测精度,增加预测时限.对k-△t间隔采样混沌模型中求解最大Lyapunov指数的方法进行了改进,对小数据量法产生的数据,引入数据间隔差方法求出最佳拟和数据段.利用VC6.0设计了仿真软件,对某实际电网进行了短期负荷预测,试验结果表明,能有效提高负荷预测精度.     

基于VMD-BiLSTM-BLS模型的短时交通流预测

准确的短时交通流预测在智慧交通系统中至关重要.近年来,双向长短时记忆网络(BiLSTM)被广泛地应用于短时交通流预测中,但由其结构特点,易产生过拟合现象,从而影响预测精度.鉴于宽度学习系统(BLS)能够解决过拟合的问题,本文将深度学习与宽度学习相结合.进一步地,为减少噪声对车流量数据的干扰,引入变分模态分解(VMD)进...     

短期电力负荷预测的灰色-小波网络组合模型

短期电力负荷数据具有离散、无规则波动的特点,先利用灰色预测弱化其波动性,然后将负荷原始检测数据与其相对应的灰色预测数据进行重构后作为小波网络的训练样本,在此基础上建立基于灰色-小波网络组合模型的短期电力负荷预测新方法。该方法有效整合了灰色理论、小波分析和人工神经网络的优点,与传统BP网络相比,收敛速度更快,预测精度更高。仿真试验表明了该方法用于短期电力负荷预测的可行性和有效性。     

多算法多模型与在线第二次学习结合的短期电力负荷预测方法

为了提高短期电力负荷预测精度,首次提出多算法多模型与在线第二次学习结合的预测方法。首先,利用互信息方法和统计方法对输入变量进行选择;然后,通过Bootstrap方法对数据集进行多样性采样,利用多个不同的人工智能算法和机器学习算法训练得到多个差异化较大的异构预测模型;最后,用每个待预测时刻最近一段时间的实际负荷值、第一次学习生成的多异构预测模型的负荷预测值构成新训练数据集,对新训练数据集进行在线第二次学习,得到最终预测结果。对中国广州市负荷进行预测研究,与最优单模型、单算法多模型和多算法单模型相比,在每日总负荷预测中,全年平均绝对百分误差（MAPE）分别下降了21.07%、7.64%和5.00%,在每日峰值负荷预测中,全年MAPE分别下降了16.02%、7.60%和13.14%。实验结果表明,推荐方法有效地提高了负荷预测精度,有利于智能电网实现节能降耗、调度精细化管理和电网安全预警。     

基于机器学习的短期负荷预测算法综述

为维持电网稳定,各种负荷预测方法层出不穷,但由于算法泛化能力、模型复杂度等自身特点不同,使其对于负荷预测的适用性存在差异.本文讨论了近5年短期电力负荷预测的国内外研究现状,从实验数据集、数据预处理、预测算法、优化模型以及评估方法等多个维度对当前电力负荷预测研究现状进行整体概述,同时总结各种预测算法的优缺点与适用性,对短期电力负荷预测系统的发展趋势进行总结与展望,以期为未来电力系统负荷预测模型选择提供参考.     

基于XGBOOST-DNN的中期电力负荷预测

精准的负荷预测是电力工作者重要的工作之一,而负荷预测以预测周期的不同,一般可以划分为短期电力负荷预测与中长期电力负荷预测.其中中长期电力负荷预测相较短期电力负荷预测而言,该领域缺乏大量前沿工作者的探索.因此本文提出一种可应用于中期电力负荷预测领域且基于XGBoost-DNN的算法.该算法将树模型和深度神经网络相结合,并将短期电力负荷预测引入到了中期电力负荷预测的工作中,基于树模型自身特点,将数据特征加工成高阶的交叉特征,同时结合原有数据利用深度神经网络可学习到丰富的特征信息.这里是以2017全球能源预测竞赛的数据进行算法分析,其中实验表明,在中期电力负荷预测领域,该方法提出的XGBoost-DNN模型相较于DNN,LSTM而言,其具备更加精准的准确性.     

基于RBF神经网络的短期负荷预测

短期电力负荷预测是电力系统运行调度中一项重要的内容,传统的电力负荷预测方法都是建立在线性假设基础之上,由于预测精度低,难以满足现在电力部门的要求。人工神经网络己被应用在电力负荷预测中,并取得了较为理想的结果。主要基于神经网络的负荷预测模型,通过MATLAB仿真实验平台,构建RBF神经网络模型,并用历史电力负荷数据进行训练,成功的进行了电力系统的短期负荷预测,预测结果误差较小,取得了令人满意的结果。     

ACOA-RBF网络模型在短期负荷预测中的应用

为了进一步提高RBF神经网络的性能,实现准确、快速预测短期电力负荷的目的,将蚁群优化算法（ACOA）作为RBF神经网络的学习算法,建立了一种新的蚁群优化算法的RBF（ACOA-RBF）网络预测模型,利用山西某地区电网的历史数据进行短期负荷预测。仿真表明,这一算法与传统的RBF神经网络预测方法相比,能达到更好的预测效果。该优化算法改善了径向基神经网络的泛化能力,提高了山西电网短期负荷预测的精度,可有效用于电力系统的短期负荷预测。     

A novel decomposition-based ensemble model for short-term load forecasting using hybrid artificial neural networks

Highly accurate short-term load forecasting (STLF) is essential in the operation of power systems. However, the existing predictive methods cannot achieve an effective balance between prediction accuracy and computational cost. Furthermore, the prediction residual is rarely used to improve the predictive accuracy in STLF. This paper proposes a novel decomposition-based ensemble model for the STLF task. First, an optimized empirical wavelet transform (OEWT) is developed to rationally decompose the STLF load by combining the approximate entropy method with the empirical wavelet transform. Particularly, OEWT improves both prediction accuracy and computational cost in STLF. Second, a new hybrid machine learning method (named master learner) is proposed by rationally combining long short-term memory networks (LSTMs) with broad learning system (BLS) in STLF, effectively strengthening the predictive accuracy without significantly increasing the computational cost. Third, a residual learning model (named residual learner) is developed in the master learner to extract the effective predictive information from residual results, further improving the prediction accuracy in STLF. Fourth, an auxiliary learner is proposed by introducing another BLS to connect the input and output of the proposed model, enhancing the predictive robustness. The proposed decomposition-based ensemble model is compared with state-of-the-art and traditional models in STLF. Experimental results show that the model not only has high predictive accuracy and robustness but also low computational cost.

     

基于进化神经网络的短期电网负荷预测算法

本文提出了一种基于进化神经网络的短期电网负荷预测算法。该算法使用了改进的人工蜂群算法与BP神经网络融合生成的进化神经网络,并且使用改进的人工蜂群算法对进化神经网络的偏置和权重进行优化。该算法将火电历史负荷数据作为输入,使用进化神经网络训练预测模型,预测未来一段时间内的电网负荷。首先获取历史负荷数据,然后将收集到的数据应用于进化神经网络模型训练。人工蜂群算法作为一种全局搜索算法,可以有效地探索模型参数空间,寻找最佳的模型参数组合以提升预测精度。为了验证所提出的负荷预测方法的有效性,本文使用了火电网负荷数据进行测试。实验结果表明,在短期电网负荷预测方面,本文提出的进化神经网络比传统方法预测结果更加准确可靠。