考虑数据分布偏移的短期居民净负荷预测方法

新能源发电的高不确定性导致净负荷的数据分布偏移更加严重。数据分布偏移导致模型在历史数据中学习到的特征信息不再完全适用于未来数据,从而给净负荷预测(net load forecasting, NLF)带来了挑战。因此,考虑到净负荷中更严重的数据分布偏移问题,提出了一种基于不变风险最小化-不确定性加权-长短期记忆神经网络(long short-term memory neural network, LSTM)的短期居民净负荷预测方法,以提升净负荷预测精度。首先,通过不变风险最小化(invariant risk minimization, IRM)建立了一个双目标问题,包括准确预测和学习跨不同数据分布的不变特征。其次,通过长短期记忆神经网络(long short-term memory neural network, LSTM)处理时间序列数据的非线性特征。然后,通过基于不确定性加权(uncertainty weighting, UW)的目标平衡机制避免过度实现任一目标。此外,通过引入分位数回归将所提方法扩展到概率预测。最后,通过基于澳大利亚Ausgrid公司提供的真实居民电表数据从确定性预...     

基于QR-CBA特征解耦框架的日前负荷预测研究

高精度的短期电力负荷预测可以保证电力系统调度决策的准确性、缓解电力供需矛盾、保障电力系统运行的安全。由于短期电力负荷预测受气象、历史信息等因素影响且具有很强不确定性,因此对短期负荷预测进行精准的预测较为困难。为实现对日前电力负荷进行概率密度预测,提出一种基于引入注意力机制的卷积双向长短期记忆分位数回归网络（Convolutional bidirectional long short-term memory network with attention for quantile regression,QR-CBA）特征解耦框架。首先,将输入特征分为4个分支并通过解耦神经网络对其进行训练,以有效提高神经网络的计算效率和预测精度;然后,采用核密度估计（Kernel density estimation,KDE）方法作为后处理技术将预测结果生成为概率密度曲线,以有效量化预测的不确定性。以某公开负荷数据集作为实例进行验证,结果表明,所提方法的日前点预测精度达到了96.884%,与对比预测模型相比精度明显提高,区间预测的连续排名概率得分（Continuousrankedprobability sc...     

基于完整自适应噪声集成经验模态分解的LSTM-Attention网络短期电力负荷预测方法

短期电力负荷预测在电网安全运行和制定合理调度计划方面发挥着重要作用。为了提高电力负荷时间序列预测的准确度,提出了一种由完整自适应噪声集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)和基于注意力机制的长短期记忆神经网络(long short-term memory network based on attention mechanism, LSTM-Attention)相结合的短期电力负荷预测模型。完整自适应噪声集成经验模态分解有效地将负荷时间序列分解成多个层次规律平稳的本征模态分量,并通过神经网络模型预测极大值,结合镜像延拓方法抑制边界效应,提高分解精度,同时基于注意力机制的长短期记忆神经网络自适应地提取电力负荷数据输入特征并分配权重进行预测,最后各预测模态分量叠加重构后获得最终预测结果。通过不同实际电力负荷季节数据分别进行实验,并与其他电力负荷预测模型结果分析进行比较,验证了该预测方法在电力负荷预测精度方面具有更好的性能。     

基于Attention-LSTM与多模型集成的短期负荷预测方法

目前深度学习技术发展快速,针对其在短期负荷预测任务中处理离散数据效果较差以及泛化性不佳的问题,提出一种基于注意力机制的长短期记忆网络(long short-term memory network with attention mechanism,Attention-LSTM)与Stacking多模型集成的负荷预测方法,可以兼顾二者优势。首先,利用均值编码的方式处理离散特征,接着应用Attention-LSTM对负荷数据进行特征提取,再将处理后的数据一同输入到基于Stacking的多模型集成预测模型中,通过3种基学习器对输入特征进行分析处理,最终通过元学习器完成预测。算例使用2个数据集中的实际负荷数据进行分析,对2个数据集中的负荷数据分别进行预测,并与门控学习单元、轻量级梯度提升机、支持向量机方法进行对比。仿真结果表明,所提方法在2个数据集的预测精度均能够超过98%,比其他3种方法的预测精度更高。     

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。     

基于小波变换和长短期记忆神经网络的电力负荷预测

电力系统需要保持发电功率与用电负荷的即时平衡,而电力负荷具有非线性、时变性和不确定性等特点。针对此问题,考虑天气与日期类型的影响,构建小波变换（wavelet transform,WT）和长短期记忆（long short-term memory,LSTM）神经网络组合预测模型,对电力负荷进行短期电力负荷预测。首先,用小波变换对数据集进行特征提取、信号去噪,消除数据的波动性;其次,将预处理后的数据利用LSTM进行训练,将输出结果进行序列重构;最后,进行负荷预测,WT-LSTM组合预测模型分别与BP神经网络预测模型和LSTM预测模型进行对比数据。结果表明,WT-LSTM神经网络组合预测模型的预测效果最好,有效地提高了预测精度。     

多时序协同中期负荷预测模型

针对负荷预测中前馈神经网络无法记忆序列间关联信息,且长短期记忆网络容易出现过拟合、泛化能力差等问题,提出了加法自回归积分滑动平均ARIMA(auto-regressive integrated moving average)模型结合长短期记忆LSTM(long short-term memory)网络的多时序协同中期负荷预测ARIMA-LSTM模型。该模型考虑了季节、温度和节假日的影响,采用ARIMA提取负荷序列内部因素,用Adam算法优化ARIMA-LSTM模型的网络参数。最后将某地区实际负荷数据用于该模型,并与神经网络NN(neural network)模型和LSTM进行对比,其均方根误差分别降低了7.698%和2.154%,验证了该模型具有更高的预测精度。     

基于多任务学习和单任务学习组合模型的综合能源系统多元负荷预测

针对气象因素对多元负荷变化的灵敏度差异及多元负荷间耦合强度的差异导致多任务学习(multi-tasklearning,MTL)预测模型精度受限的问题,该文提出一种MTL和单任务学习(single-tasklearning,STL)组合的多元负荷预测方法。首先使用基于长短期记忆(long and short-term memory,LSTM)网络的MTL模型提取多元负荷间的耦合信息进行初步预测;然后采用基于前置双重注意力长短期记忆(dual attention before LSTM,DABLSTM)网络的STL模型减少输入噪声进行二次预测;同时将初步的预测值输入STL模型,使得STL模型可以考虑未来的时序信息;最后,通过全连接层对两个模型的预测结果进行融合得到最终的预测结果。实验结果表明,所提组合模型相比单一的MTL和STL模型具有更高的预测精度。     

基于最小窥视孔长短期记忆神经网络的电力系统短期负荷预测模型

长短期记忆(long short-term memory, LSTM)模型可以克服循环神经网络(recurrent neural networks, RNN)在短期负荷预测中存在的梯度消失和梯度爆炸等问题,但LSTM模型的门控单元结构复杂,参数较多,模型训练较为困难。为此,提出一种采用改进粒子群优化(particle swarm optimization, PSO)算法优化的最小窥视孔长短期记忆(min peephole long short-term memory, MP-LSTM)模型。与经典LSTM模型相比,MP-LSTM模型舍弃了输入门和输出门,只保留遗忘门,模型包括1个sigmoid网络层和1个tanh网络层,减少了模型参数,优化了模型结构。对RNN模型、经典LSTM模型、MP-LSTM模型进行对比仿真分析,结果表明MP-LSTM模型可有效提高负荷预测精度,缩短收敛时间。     

基于CNN-LSTM-Attention的工业控制系统网络入侵检测方法研究

随着各类网络攻击事件的增加,能源电力基础设施中工业控制系统安全问题也逐渐成为人们关注的焦点。结合电力系统的特点,提出一种融合卷积神经网络（convolutional neural network,CNN）、长短时记忆（long short-term memory,LSTM）神经网络和注意力（Attention）机制的CNN-LSTM-Attention网络入侵检测算法模型,通过在实验室仿真环境中构造和采集600 MW燃煤机组制粉系统在3种典型工况下受到网络攻击的运行状态数据集,对所提出的检测算法模型进行训练和评估。结果表明：相较于CNN、LSTM模型,所提出的入侵检测算法模型性能最优;模型准确率、精确率、召回率等评级指标均为最好,综合评价优于其他的入侵检测方法。该入侵检测算法模型具有较强的创新性和实用性。