基于迁移学习的中长期电力负荷预测

由于时间跨度大并受多种复杂因素影响,电力系统中长期负荷预测需要从大量数据中挖掘负荷特性及影响因素,实际应用中常常面临数据不足的问题。提出基于迁移学习的中长期负荷预测以降低样本不足对预测精度的影响,模型将源地区电力负荷及社会经济因素数据样本进行迁移以扩充目标地区数据集,通过隐变量描述不同源地区的特征,继而对目标地区和源地区建立集成模型进行预测。通过实际算例进行验证,所提出的模型能有效降低中长期负荷预测的误差。     

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。     

基于硬C均值聚类算法和支持向量机的电力系统短期负荷预测

提出了一种联合使用硬C均值(hard C-mean,HCM) 聚类算法和支持向量机(support vector machine,SVM)的电力系统短期负荷预测方法。与目前采用单一SVM的负荷预测方法相比,考虑了电力负荷变化的周期性特征,依据输入样本的相似度选取训练样本,即通过对学习样本的聚类选用同类特征数据作为预测输入,保证了数据特征的一致性,强化了历史数据规律。实际应用证明了该方法的有效性,该方法不仅提高了负荷预测精度,还缩短了预测执行时间。     

基于Wide&Deep-LSTM模型的短期台区负荷预测

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(WideDeep)模型的基础上,建立了基于WideDeepLSTM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。     

电力系统短期负荷预测的模糊神经网络方法

针对电力系统短期负荷预测问题 ,考虑到气象因素对负荷的影响 ,提出了一种模糊神经网络的短期负荷预测方法 ,首先根据评价函数选取相似日学习样本 ,然后利用隶属函数对影响负荷的特征因素向量的分量进行模糊处理 ,采用反向传播算法 ,对 2 4点每点建立一个预测模型 ,提高了学习效能。适合在短期负荷预测中使用 ,具有较好的预测精度     

电力系统短期负荷预测的模糊神经网络方法

针对电力系统短期负荷预测问题 ,考虑气象因素对负荷的影响 ,提出了一种模糊神经网络的短期负荷预测方法 ,首先根据评价函数选取相似日学习样本 ,然后利用隶属函数对影响负荷的特征因素向量的分量进行模糊处理 ,采用反向传播算法 ,对 2 4点每点建立一个预测模型 ,提高了学习效能。本方法适合在短期负荷预测中使用 ,具有较好的预测精度。     

电力系统短期负荷预测的模糊神经网络方法

针对电力系统短期负荷预测问题,考虑气象因素对负荷的影响,提出了一种模糊神经网络的短期负荷预测方法,首先根据评价函数选取相似日学习样本,然后利用隶属函数对影响负荷的特征因素向量的分量进行模糊处理,采用反向传播算法,对24点每点建立一个预测模型,提高了学习效能.本方法适合在短期负荷预测中使用,具有较好的预测精度.     

电力系统短期负荷预测的模糊神经网络方法

针对电力系统短期负荷预测问题,考虑到气象因素对负荷的影响,提出了一种模糊神经网络的短期负荷预测方法,首先根据评价函数选取相似日学习样本,然后利用隶属函数对影响负荷的特征因素向量的分量进行模糊处理,采用反向传播算法,对24点每点建立一个预测模型,提高了学习效能,适合在短期负荷预测中使用,具有较好的预测精度。     

基于Kohonen聚类和SVM组合算法的电网日最大负荷预测

电力系统负荷受到气象等多种因素的共同影响,为提高电力系统短期预测的准确度,提出了一种将Kohonen聚类和SVM结合的预测算法。该方法考虑到电力系统变化周期性的特点,通过对学习样本进行聚类,选出具有相同特征的历史相似日,构造相似日训练样本并利用SVM模型进行预测。样本特征向量中同时包含了多种气象因子及节假日等因素,经过仿真实验,验证了该方法的有效性。     

基于最优FCM聚类和最小二乘支持向量回归的短期电力负荷预测

提出了一种最优FCM聚类分析和最小二乘支持向量机回归算法(LSSVR)相结合的电力系统短期负荷预测方法.在考虑电力系统负荷日周期性的基础上,运用基于改进划分系数最大原则的最优FCM聚类分析获取历史负荷样本的最优数据模式划分,并根据输入样本相似度选取LSSVR训练样本.既强化了训练样本的数据规律,又保证了数据特征的一致性,从而提高了LSSVR训练速度,改善了预测效果.仿真实验表明:LSSVR点模型的平均预测精度约98%,而本文模型的平均预测精度达到了98.7%,证明了该方法的有效性和实用性.     

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。     

基于多负荷特征和TCN-GRU神经网络的负荷预测

传统负荷预测未深入考虑负荷序列对模型预测精度的影响。为提高预测精度,提出了多负荷特征组合(multi-load feature combination, MLFC),并结合时间卷积网络(temporal convolution network,TCN)和门控循环单元(gated recurrent unit,GRU)构建了负荷预测框架。首先,引入负荷变化率特征和基于集合经验模态分解的负荷分量特征,并与负荷、日期特征构成MLFC;其次,选取TCN和GRU进行特征提取和预测,基于MLFC搭建MLFC-TCN-GRU预测框架;最后,采用不同模型验证所提方法。结果表明：MLFC有助于预测精度提升,且适用于不同模型。同时,MLFC-TCN-GRU相较于其他模型有着较高预测精度。     

基于CNN-BiGRU-NN模型的短期负荷预测方法

为充分挖掘蕴含在大量采集数据中的有效信息,提高短期负荷预测精度,提出一种基于卷积神经网络（CNN）和双向门控循环单元（BiGRU）、全连接神经网络（NN）的混合模型的短期负荷预测方法,将海量的历史负荷数据、气象信息、日期信息按时间滑动窗口构造特征图作为输入,先利用CNN提取特征图中的有效信息,构造特征向量,再将特征向量作为BiGRU-NN网络的输入,采用BiGRU-NN网络进行短期负荷预测。以2016年举办的全国第九届电工数学建模竞赛试题A题中的负荷数据作为实际算例,实验结果表明：该方法与DNN神经网络、GRU神经网络、CNN-LSTM神经网络短期负荷预测法相比,有更高的预测精度。     

非线性季节型电力负荷灰色组合预测研究

短期电力负荷同时具有增长性和季节被动性的二重趋势，这使得负荷的变化呈现出复杂的非线性组合特征。对于这种具有复杂的非线性组合特征的序列，使用某一种模型进行预测，结果往往不理想。为了提高短期电力负荷的预测精度，提出了具有季节型特点的电力负荷灰色组合预测模型。在此模型中，灰色模型处理非线性问题具有一定的优势，它可以很好地反映电力负荷的增长性特点。季节变动指数(SVI)用来拟合电力负荷的季节性趋势。最后对季节型灰色预测的残差建立时间序列的AR(p)模型。由于综合考虑了电力负荷的多种特征，此组合预测模型明显地提高了预测精度。     

基于气象成分分解的夏季短期负荷预测

夏季负荷受温度等气象因素影响大,表现出随机性强、波动性大的特点。针对现有短期负荷预测模型在夏季预测精度不高的问题,提出在负荷成分分解的同时,将温度分解为日周期分量和波动分量,以此准确把握短时气象波动对夏季短期负荷预测的影响。在充分分析负荷各分量变化趋势及对整体负荷预测精度影响的基础上,针对各个负荷分量特征分别选择预测方法。在预测气象敏感负荷分量时引入温度波动分量,基于XGBoost智能算法构建预测模型。选用我国中部某市夏季历史负荷建立训练样本,对2017年8月份日96点负荷进行预测,预测结果验证了所提模型和算法的有效性。     

短期负荷预测最大Lyapunov指数预报模式预测值的判定

首先分析了相空间中混沌吸引子邻近轨道间的平行、交叉、折叠3种拓扑关系,根据负荷吸引子的特点提出了负荷时序最大Lyapunov指数预报模式预测值的判定依据,并探讨了相空间中临近点(轨道)的选择方法。仿真试验表明改进的负荷预测建模策略避免了原有Lyapunov指数预报模式预测值选择的盲目性,吸引子临近点的选择符合电力负荷数据的特点,所建立的短期负荷预测模型提高了预测精度并达到了预期效果。     

基于稀疏自编码非线性自回归网络的负荷电价预测方法

准确的电价和负荷预测对现代电力系统至关重要,但由于电价与负荷之间存在较强的相关性,若不考虑其相互影响,将导致预测的精度下降。为了提高现有方法的预测准确性,在考虑价格与负荷关系的前提下,提出了一种基于深度递归神经网络的价格与负荷预测模型,即基于外部输入的稀疏自编码器的非线性自回归网络,其功能包括特征提取和预测。首先针对特征提取环节,对原有方法进行改进,提出了稀疏自编码器,可以大大提高特征提取的有效性。其次,利用非线性自回归网络进行电价和负荷预测。使用电力市场大数据ISONE 和 PJM 进 行 仿 真 验 证 ,与 级 联 Elam 网 络 相 比 ,ESAENARX在负荷预测方面将平均绝对误差降低了16%,在价格预测方面降低了7%。     

神经网络和模糊理论在短期负荷预测中的应用

为提高短期负荷预测的精度,构建一种基于自组织特征映射神经网络和模糊理论的短期负荷预测方法.预测分两个阶段,先根据自组织特征映射神经网络聚类特性,进行第一阶段的负荷预测,在学习训练时,区别于普通的无监督竞争学习采用有监督竞争的学习方式以缩短学习时间,提高学习精度.第一阶段预测出一个基本的负荷值后,在第二阶段利用模糊理论根据前一个时段的预测误差和误差变化对其进行校正.使用该方法不仅能预测工作日负荷还能预测休息日负荷,实例分析证明了该方法的有效性.     

一种改进Transformer的电力负荷预测方法

负荷预测是电网系统中很多应用的关键部分,具有重要作用。然而,由于电网负荷的非线性、时变性和不确定性,使得准确预测负荷具有一定的挑战。充分挖掘负荷序列的潜在特征是提升预测准确率的关键。文中认为在特征提取时应该充分利用负荷序列的位置信息、趋势性、周期性和时间信息,同时还应构建更深层次的神经网络框架进行特征挖掘。因此,提出了基于特征嵌入和Transformer框架的负荷预测模型。该模型由特征嵌入层、Transformer层和预测层组成。在特征嵌入层,模型首先对历史负荷的位置信息、趋势性、周期性和时间信息进行特征嵌入,然后再与天气信息进行融合,得到特征向量。Transformer层则接受历史序列的特征向量并挖掘序列的非线性时序依赖关系。预测层通过全连接网络实现负荷预测。从实验结果来看,文中模型的预测性能优于对比模型,体现了该模型的可行性和有效性。     

基于分配因子和信息熵的母线负荷组合预测模型

负荷预测是指导电力系统规划和安全经济运行的重要依据。传统的负荷预测一般指区域负荷总量的预测,不能够体现底层母线负荷水平,无法满足电网精益化管理的要求。因此,母线负荷预测是解决这一问题的关键途径。然而,系统内母线数量庞大,负荷基数小,特性各异,波动性强,给母线负荷预测工作带来了困难。本文研究了母线负荷预测模型,根据实际电网情况提出了负荷分配因子的概念及预测思路;充分考虑历史数据的有效性,采用日特征量和趋势相似度综合选择相似日,并提出基于信息熵的变权重组合预测方法,提高各类型负荷预测精度;结合类型负荷预测结果和负荷分配因子,最终得到各条母线的预测结果。采用某区域电网负荷进行实例验证,结果表明,本文所建立的预测模型具有良好的预测精度和稳定度。