基于分类识别深度置信网络的电力负荷预测算法

针对传统神经网络负荷预测方法收敛速度慢、预测误差大的问题,提出一种基于分类识别的深度置信网络的负荷预测算法。对输入的历史负荷数据进行归一化预处理,并对深度置信网络采用层次无监督贪婪预训练方法分层预训练,将得到的结果作为监督学习训练概率模型的初始值。其深度置信网络由多层受限玻尔兹曼机构成,并采用分类识别机制和对比散度的方法训练预权值,来改善分类识别深度置信网络的学习性能。仿真结果显示,在基于200次负荷训练和温度训练的基础上,该负荷预测算法比自组织模糊神经网络和BP神经网络的收敛速度更快,预测精度更高。     

基于深度信念网络的短期负荷预测方法

电力系统信息化的发展及配电网中分布式电源和电动汽车的大量接入,增加了用电模式的复杂性,对负荷预测的精确度和稳定性提出了更高的要求。提出了一种基于深度信念网络的短期负荷预测方法。该方法包括深度信念网络的构建、模型参数的逐层预训练和微调,以及模型的应用等步骤。在模型参数预训练过程中,采用高斯—伯努利受限玻尔兹曼机(GB-RBM)作为堆叠组成深度信念网络的第1个模块,使其能够更有效地处理对负荷有影响的多类型实值输入数据;并采用无监督训练和有监督训练相结合的部分有监督训练算法进行预训练;利用列文伯格—马夸尔特(LM)优化算法微调预训练阶段得到的网络参数,使其更快收敛于最优解。最后,以实际负荷数据进行算例分析,结果表明,在训练样本较大且负荷影响因素复杂的情况下,所提方法具有更高的预测精度。     

基于对比歧化和深度置信网络的配电网故障类型识别

针对配电网数据分支多、设备类型多样、现有故障诊断方法精度低的问题,提出基于深度置信网络的配电网故障诊断方法。该方法建立了4种不同层数的深度置信网络,将配电网的实际监测数据分为训练和测试数据导入到深度置信模型,采用对比歧化算法优化初始参数选择和加速模型训练,测试模型对样本的识别精度,建立改进BP神经网络和Petri网对比故障识别精度。结果表明,深度置信网络可以通过实时分析配电网实时监测数据,准确辨识配电网故障类型,提高了配网故障诊断的准确率和速度。     

基于深度结构多任务学习的园区型综合能源系统多元负荷预测

为进一步减轻环境压力,提高能源利用效率,综合能源系统已经成为了能源转型过程中一种重要的能源利用方式,电、热、气系统之间的联系更加的紧密。精确的能源需求预测将成为综合能源系统经济调度和优化运行中重要的一环。提出了基于深度结构多任务学习的短期电、热、气负荷联合预测方法。首先介绍了底层深度置信网络和顶层多任务回归的深度模型结构,其中深度置信网络作为无监督学习方法提取了抽象高级特征,多任务回归层作为有监督学习方法输出预测结果;其次建立含离线训练和在线预测的多元负荷预测系统,分析天气信息、历史信息、日历信息及经济数据的输入属性,提出验证模型预测精度的指标;最后,采用某综合能源系统的实际数据对算法的有效性进行了验证,结果显示深度学习和多任务学习在能源需求预测方面有较好的应用效果。     

配电网负荷均衡的网络分割算法

随着配电网规模的不断扩大 ,配电网网络重构算法的实时性越来越难以满足工程实用化的要求。而网络重构的结果其实是将一个配电网分割成几部分 ,各部分通过常开的联络开关相连。基于此 ,提出了配电网负荷均衡的新算法———网络分割算法。该算法将负荷均衡作为一个网络优化问题 ,利用配电网的一种新模型———分层拓扑模型 ,将全局最优问题转为多阶段分割问题 ;同时 ,充分利用配电网负荷均衡的特点 ,通过寻找源点分支负荷大于负荷平均值的下确界负荷和小于负荷平均值的上确界负荷的方法 ,实现了配电网的负荷全局最优均衡。算例的仿真结果说明了该算法的正确、有效和快速。     

配电网负荷均衡的网络分割算法

随着配电网规模的不断扩大,配电网网络重构算法的实时性越来越难以满足工程实用化的要求.而网络重构的结果其实是将一个配电网分割成几部分,各部分通过常开的联络开关相连.基于此,提出了配电网负荷均衡的新算法--网络分割算法.该算法将负荷均衡作为一个网络优化问题,利用配电网的一种新模型--分层拓扑模型,将全局最优问题转为多阶段分割问题;同时,充分利用配电网负荷均衡的特点,通过寻找源点分支负荷大于负荷平均值的下确界负荷和小于负荷平均值的上确界负荷的方法,实现了配电网的负荷全局最优均衡.算例的仿真结果说明了该算法的正确、有效和快速.     

基于结合混沌纵横交叉的PSO-DBN的短期光伏功率预测

为了提高短期光伏发电预测的准确性,文中采用深度置信网络(DBN)建立了各模型函数的预测模型。通过分析各模型函数的特征,建立了光伏发电模型的功率预测。传统的基于神经网络的功率预测难以训练多层网络,影响其预测精度。DBN采用无监督贪婪逐层训练算法构建了一个在回归预测分析中具有优异性能的多隐层网络结构,已成为深度学习领域的研究热点。DBN连接权重采用结合混沌纵横交叉的粒子群优化算法(CC-PSO)优化,避免出现由随机初始化导致的局部最优解现象,从而提高了DBN网络预测性能。最后,案例测试显示了所提出模型的有效性。     

基于深度长短时记忆网络的区域级超短期负荷预测方法

超短期负荷预测为实时电力市场运行提供重要依据,预测准确度的提升对于揭示负荷变化的不确定性以及日前预测偏差具有重要意义。基于电力系统中含有的丰富大数据资源,提出了一种针对区域级负荷的深度长短时记忆网络超短期预测方法,该方法包括输入数据的预处理、深度长短时记忆(long short-termmemory,LSTM)网络的构建以及模型的训练和超参数的寻找等步骤。其中采用随机搜索的方法寻找最优超参数,并在该超参数下选择泛化能力最优的模型,与前沿机器学习预测算法进行对比。实验结果证实,深度LSTM网络可以取得更好的预测效果,适合于离线训练实时预测。此外,通过对隐藏层激活向量的可视化展示和相关关系定量计算,首次直观展示了深度LSTM算法对负荷数据中含有的抽象特征提取情况,证实了深度LSTM具有对输入负荷数据特征学习以及长短期相关性挖掘的能力。     

基于改进深度置信网络的电力系统暂态稳定评估研究

为了提高深度置信网络的评估性能,提出一种基于稀疏降噪自动编码器和深度置信网络相结合的暂态稳定评估方法。首先,构建一组对系统暂态变化敏感且维数与系统规模无关的原始输入特征;其次,通过稀疏降噪自动编码器的无监督学习过程提取输入特征,用得到的权值和偏置初始化深度置信网络;最后,采用“预训练－微调”2种学习方法训练深度置信网络,获得原始输入特征与系统暂态稳定结果之间的映射关系。与采用随机初始化受限玻尔兹曼机的传统深度置信网络相比,本文提出的改进评估方法在一定程度上克服了由于随机初始化导致评估准确率无法达到最优的弊端。在新英格兰10机39节点系统上的仿真结果表明,该方法比常用的机器学习算法和深度置信网络有更好的评估性能,仿真结果还证明了本文所提方法具有良好的特征提取能力。     

基于数据驱动和深度置信网络的配电网无功优化

随着分布式电源和随机负荷电动汽车等的大量接入,配电网的运行环境日益复杂,对在线无功优化及其快速性提出了更高的要求。该文将"深度学习"引入配电网无功优化,提出了基于深度置信网络的无功优化方法。通过构造高维随机矩阵,从配电网运行数据中提取统计特征作为输入,将历史控制策略进行编码作为输出,利用先无监督后有监督的方式训练深层架构,学习系统特征与无功优化策略之间的映射关系,建立基于数据驱动和深度置信网络的配电网无功优化模型。基于改造的IEEE-37节点主动配电网仿真模型,对比分析了历史数据量和分布式电源渗透率场景对传统优化方法,场景匹配方法和所提方法的无功优化效果的影响。结果表明,所提方法可明显降低网络损耗和节点电压偏移,它不依赖于系统的模型和参数,在线决策速度快,且对历史数据量要求较低,在高渗透率分布式发电等未知场景下仍能表现优良,验证了该方法的正确性、有效性和较强的鲁棒性。     

平行线路感应电压电流近似计算方法

随着配电网终端需求多样化和清洁能源的大规模接入，对区域电力负荷的准确预测变得至关重要。在电力市场化改革背景下，客户端倾向于用电信息保存在本地以确保隐私安全。利用天气数据和历史负荷数据，提出面向区域客户端隐私保护的联邦学习双向叠加循环神经网络负荷预测框架。根据短期电力负荷长序列数据之间的强关联性建立基于双向叠加循环神经网络的负荷预测模型。利用联邦平均算法构建基于联邦学习的区域负荷预测框架，将多个利用不同区域客户端负荷数据训练得到的双向叠加循环神经网络的模型进行融合，反复迭代获得全局模型。采用某市96组实时区域电力负荷公开的数据集，对该模型在区域客户端不共享负荷数据条件下的训练效果进行测试，结果表明，所构建模型具有较低的训练耗时和较高的预测精度。     

基于特征相关分析修正的GPSO-LSTM短期负荷预测

针对多因素互影响造成负荷预测精度低的问题,提出一种基于特征相关分析修正与全局粒子群优化(GPSO)的长短期记忆循环神经网络(LSTM)短期负荷预测新方法.该方法首先对负荷相关序列进行探索性数据分析(EDA)及预处理,找寻特征内在机理与相关联系并加以修正,保证输入特征的强相关性和完整性.针对传统前馈神经网络无法处理序列关联信息和普通循环神经网络无法记忆久远关键信息的缺陷,构建基于LSTM负荷预测模型进行深度学习.由于LSTM网络权值的随机初始化,使得目标函数在训练过程中易陷入局部最优,利用改进粒子群算法优化预测模型的网络权值,提升模型整体预测能力.与反向传播神经网络(BPNN)和递归神经网络(El-man)的基准模型相比,所提模型方法的预测精度提高显著.     

基于深度学习的超短期光伏精细化预测模型研究

光伏发电系统的超短期功率预测对电网调度的计划安排及光伏发电系统的优化运行具有重要意义。机器学习、人工智能领域的技术进步为精细化分析光伏功率预测影响因素并提高光伏预测精度提供了有效途径。提出一种基于深度结构网络模型的光伏超短期功率预测方法,首先根据光伏发电系统的机理特征,分析深度学习算法处理光伏预测问题的可行性;然后提出基于深度学习算法的光伏功率预测模型,采用基于受限玻尔兹曼机的深度置信网络提取深层特征完成无监督学习过程,采用有监督BP神经网络作为常规拟合层获得预测结果;并立足于实际需求,建立含离线训练和在线预测的双阶段光伏发电预测系统,分析天气信息及历史信息的输入属性;最后利用光伏发电系统的实际运行数据进行仿真,验证算法准确性和有效性,通过比较深度结构是否包含无监督学习过程,说明其在预测中的重要性。     

基于改进深度信念网络的短期电力负荷预测方法

随着社会经济结构的变化,仅依赖于负荷历史数据和少量气象等影响因素进行电力负荷预测会造成较大误差.本文提出了一种基于改进深度信念网络IDBN(improved deep belief network)算法的负荷预测方法.该方法充分挖掘历史负荷数据中的规律性,将数据特征向量输入到多个用于两层稀疏自编码神经网络中进行特征融合,利用神经网络模型进行负荷预测,并进行无监督训练对模型进行预训练,提升多类型实值输入数据的处理效率.最后,通过算例验证了本文所提方法的有效性.     

基于VMD与PSO优化深度信念网络的短期负荷预测EI北大核心CSCD

为提高短期负荷预测精度,采用变分模态分解（variational mode decomposition,VMD）技术将原始历史负荷序列分解为一系列特征互异的模态函数,对每个模态函数进行特征分析并分别建立负荷预测模型。电力系统负荷预测建模过程中,选取有效的输入变量是提高预测精度技术措施之一,该文采用互信息度量影响因素与输出变量间的相关性,可选取出对负荷影响较大的输入变量集合。传统的神经网络负荷预测模型难以训练多层网络,从而影响其预测精度。而深度信念网络（deep belief network,DBN）采用非监督贪心逐层训练算法构成多隐含层感知器结构,在回归预测分析中展现出优良的性能,已成为深度学习领域研究热点。因此,该文借助DBN算法对每个模态函数建立预测模型,提高了预测精度。由于DBN网络权值的随机初始化,使得目标函数在学习训练过程中容易陷入局部最优,采用改进粒子群算法优化网络权值,增强了DBN预测性能。最后,算例测试表明该文模型的有效性。     

基于实值深度置信网络的用户侧窃电行为检测

用户侧窃电行为造成的非技术性损失对电网企业危害重大,不仅会影响电力系统的供电质量,还会增加电网的运营成本。为了辅助电网公司提高用电稽查效率、管理用户规范化用电,提出了基于实值深度置信网络的用户侧窃电行为检测模型。实值深度置信网络具有提取抽象特征的功能,并通过前馈神经网络微调后可实现较高分类精度。为了优化实值深度置信网络因随机初始化产生的局部最优化问题,该模型通过萤火虫算法对网络参数全局寻优。针对用户窃电行为检测,该模型利用因子分析进行数据降维,利用随机欠采样和套索算法应对数据不平衡问题,并利用ROC(receiver operatingcharacteristiccurve)曲线选取该模型的检测阈值。最后仿真实验验证了所提出模型的有效性和精确性。     

基于VMD与PSO优化深度信念网络的短期负荷预测

为提高短期负荷预测精度,采用变分模态分解(variational mode decomposition,VMD)技术将原始历史负荷序列分解为一系列特征互异的模态函数,对每个模态函数进行特征分析并分别建立负荷预测模型。电力系统负荷预测建模过程中,选取有效的输入变量是提高预测精度技术措施之一,该文采用互信息度量影响因素与输出变量间的相关性,可选取出对负荷影响较大的输入变量集合。传统的神经网络负荷预测模型难以训练多层网络,从而影响其预测精度。而深度信念网络(deep belief network,DBN)采用非监督贪心逐层训练算法构成多隐含层感知器结构,在回归预测分析中展现出优良的性能,已成为深度学习领域研究热点。因此,该文借助DBN算法对每个模态函数建立预测模型,提高了预测精度。由于DBN网络权值的随机初始化,使得目标函数在学习训练过程中容易陷入局部最优,采用改进粒子群算法优化网络权值,增强了DBN预测性能。最后,算例测试表明该文模型的有效性。     

基于一维卷积神经网络的配电网无功优化

深度学习和数据驱动技术的快速发展,为历史数据下的配电网无功优化提供了新的解决方法,提出了一种基于一维卷积神经网络的配电网无功优化方法.利用配电网节点的历史负荷数据,用优化算法得到对应的无功优化策略,并将无功优化策略进行二进制编码.通过训练一维卷积神经网络模型来映射配电网节点负荷和无功优化策略间的非线性关系,将训练好的模...     

基于改进Q学习算法和组合模型的超短期电力负荷预测

单一模型在进行超短期负荷预测时会因负荷波动而导致预测精度变差,针对此问题,提出一种基于深度学习算法的组合预测模型。首先,采用变分模态分解对原始负荷序列进行分解,得到一系列的子序列。其次,分别采用双向长短期记忆网络和优化后的深度极限学习机对每个子序列进行预测。然后,利用改进Q学习算法对双向长短期记忆网络的预测结果和深度极限学习机的预测结果进行加权组合,得到每个子序列的预测结果。最后,将各个子序列的预测结果进行求和,得到最终的负荷预测结果。以某地真实负荷数据进行预测实验,结果表明所提预测模型较其他模型在超短期负荷预测中表现更佳,预测精度达到98%以上。     

基于孪生网络和长短时记忆网络结合的配电网短期负荷预测

保证数据驱动型配电网短期负荷预测精准的关键是选取合适的相似日数据集和构建合理的日负荷预测模型.文中研究了一种基于孪生网络(SN)和长短时记忆(LSTM)网络相结合的配电网短期负荷预测模型.基于配电网负荷相似日的影响因素具有多样化、强随机性的特点,利用SN两个输入权重共享的特点对历史负荷数据进行分析,进而对待测日的特征进行分类,以完成相似日数据选取.此外,利用灰狼优化算法全局搜索能力强、收敛速度快等特点,对基于LSTM网络的配电网短期负荷预测模型进行参数优化.最后,以某一个区域配电网的实际数据为例,验证上述预测方法的准确性与鲁棒性,与LSTM网络、基于粒子群优化的LSTM网络、支持向量机等方法对比可知,所提方法具有较高的准确度和计算效率.