基于3σ-CEEMDAN-LSTM的空间负荷预测方法

为有效利用从配电网采集的海量数据以及改善空间负荷预测效果，提出一种基于3σ准则、自适应噪声完备集合经验模态分解（CEEMDAN）和长短期记忆神经网络（LSTM）的空间负荷预测方法。基于3σ准则对每个Ⅰ类元胞的实测负荷数据进行奇异值检测和处理；运用CEEMDAN技术将处理后的Ⅰ类元胞负荷数据分解为若干个频率和幅值均不同的本征模态函数（IMF）；分别对每个IMF分量构建LSTM模型进行预测；将所有IMF分量预测结果进行线性叠加，得到目标年基于Ⅰ类元胞的空间负荷预测结果，在此基础上使用空间电力负荷网格化技术求得基于Ⅱ类元胞的空间负荷预测结果。算例分析结果验证了所提方法的正确性和有效性。     

基于3σ-CEEMDAN-LSTM的空间负荷预测方法

为有效利用从配电网采集的海量数据以及改善空间负荷预测效果,提出一种基于3σ准则、自适应噪声完备集合经验模态分解(CEEMDAN)和长短期记忆神经网络(LSTM)的空间负荷预测方法。基于3σ准则对每个Ⅰ类元胞的实测负荷数据进行奇异值检测和处理;运用CEEMDAN技术将处理后的Ⅰ类元胞负荷数据分解为若干个频率和幅值均不同的本征模态函数(IMF);分别对每个IMF分量构建LSTM模型进行预测;将所有IMF分量预测结果进行线性叠加,得到目标年基于Ⅰ类元胞的空间负荷预测结果,在此基础上使用空间电力负荷网格化技术求得基于Ⅱ类元胞的空间负荷预测结果。算例分析结果验证了所提方法的正确性和有效性。     

基于频域分解的短期负荷预测研究分析

为研究频域分量预测法对短期负荷预测精度的影响,利用频域分解算法分解原始负荷数据,将数据分解为4个部分：日周期、周周期、低频和高频分量。其中,日周期、周周期分量用Elman神经网络预测;低频分量采用随机森林预测;高频分量则使用Mallat算法二次分解,分别得到低频部分和高频部分,选取低频部分做训练样本与Elman神经网络结合预测高频分量;将各个频域分量结果重组,实现电力负荷的高精度预测。以某地市实际负荷数据为例进行仿真,将该方法与Elman神经网络法、随机森林法及频域分量预测法的预测结果对比,验证所提方法可以有效提高精度,减少预测值和真实值的离散程度。     

基于长短期记忆神经网络组合算法的短期电力负荷预测

短期电力负荷具有不平稳、随机性强等特点,传统的负荷预测方法在建模中常表现出一定的局限性。为提高预测精度,提出了一种基于互补集合经验模态分解(complement-ary ensemble empirical mode decomposition, CEEMD)、长短期记忆(long short-term memory, LSTM)神经网络和多元线性回归(multiple linear regression, MLR)方法组合而成的CEEMD-LSTM-MLR短期电力负荷预测方法。首先将电力负荷数据通过CEEMD分解为高频分量和低频分量;将复杂的高频分量通过经贝叶斯优化的LSTM神经网络进行预测,周期性的低频分量通过MLR方法进行预测,最后将各分量叠加重构得到最终预测结果。通过算例分析,一方面将不同分解方法进行对比,一方面将不同模型进行对比并探究贝叶斯调参对结果的影响,验证了所提模型更具可靠性与准确性。     

利用模糊信息粒化与支持向量机的空间负荷预测方法

若直接使用实测负荷数据最大值进行空间负荷预测,则元胞负荷中的异常数据会导致预测结果精度降低,考虑到通过确定并利用元胞负荷合理最大值可以明显改善预测精度,提出一种基于模糊信息粒化与支持向量机的空间负荷预测方法。首先构建电力地理信息系统,并在其中生成2类元胞。其次按照时间尺度的长短区分Ⅰ类元胞负荷颗粒度的粗细,通过划分模糊粒化窗口,建立合理的模糊集对Ⅰ类元胞细颗粒度下的历史负荷数据进行模糊信息粒化,进而确定出Ⅰ类元胞粗颗粒度下的历史负荷的合理最大值。然后采用支持向量机模型,对粗颗粒度下的Ⅰ类元胞负荷进行预测。最后确定Ⅰ类元胞负荷密度均衡系数,求取分类负荷密度指标,结合用地信息求得各Ⅱ类元胞负荷预测值,从而实现对空间电力负荷预测结果的网格化。工程实例表明了该方法的实用性和有效性。     

基于秩次集对分析理论的空间负荷预测方法

利用秩次集对分析理论在处理系统不确定性方面的优势,提出一种新的空间负荷预测方法。首先,在电力地理信息系统中,根据待预测区域内各10 kV馈线供电范围生成Ⅰ类元胞,将Ⅰ类元胞的历史负荷数据分别按不同的集合容量生成多个历史数据集合和1个目标数据集合;其次,对各历史数据集合进行秩次变换得到相应的秩次集合,并分别将其与目标数据秩次集合构成集对;然后,寻找与目标数据集合相似的历史数据集合,选取相对误差最小的集合容量对应的预测值作为各Ⅰ类元胞负荷预测值;最后,以等大小网格生成Ⅱ类元胞,根据Ⅰ类元胞负荷预测值结合用地信息求出各Ⅱ类元胞的负荷预测值,从而得到网格化后的空间负荷预测结果。工程实例验证了所提方法的实用性和有效性。     

基于小波分解模糊灰色聚类和BP神经网络的短期负荷预测

提出基于小波分解、模糊灰色聚类和BP神经网络的短期负荷预测方法.通过小波分解将负荷序列分解成低频分量和高频分量,找出负荷各频率分量的规律;通过模糊灰色关联聚类方法选取待预测日的负荷相似日;针对不同频段负荷的规律采用相对应的神经网络模型进行负荷预测,获得不同频段的待预测日负荷各分量,将各分量的预测结果叠加得到负荷预测值.采用所提方法对某地区2010年实际负荷进行预测,并与已有的负荷预测方法比较,结果表明所提方法可提高负荷预测的精度.     

空间负荷预测中确定元胞负荷合理最大值方法

针对实测的元胞负荷数据中存在随机波动现象而使空间负荷预测精度降低的问题,提出一种利用互补集合经验模态分解(CEEMD)和游程检验技术确定元胞负荷合理最大值的方法。该方法通过互补集合经验模态分解技术将各Ⅰ类元胞负荷序列分别进行分解,每个Ⅰ类元胞得到一组本征模态函数,采用游程检验技术对每个本征模态函数进行随机性检验,建立识别其中高频分量的判据,剔除刻画元胞负荷随机波动性的高频本征模态函数,对余下表征元胞负荷规律性与趋势性的本征模态函数进行重构得到主体分量,将其中最大值作为Ⅰ类元胞负荷合理最大值,最后利用该合理最大值进行基于Ⅰ类元胞和Ⅱ类元胞的空间负荷预测。工程实例表明了该方法正确有效。     

基于EEMD-CS-LSSVM的短期负荷预测方法研究

针对电力负荷具有非线性特征、预测精度不高的问题,提出一种基于集合经验模态分解和布谷鸟搜索算法优化最小二乘支持向量回归机的组合预测方法.首先,将历史负荷数据经集合经验模态分解为高频分量、随机分量和低频分量;其次,针对各分量特征采用具有不同核函数的最小二乘支持向量回归机预测模型进行电力负荷分量的预测,并且利用布谷鸟搜索优化最小二乘支持向量回归机预测模型的关键参数;最后,叠加各分量预测值,还原电力负荷预测结果.以河南某地区电力数据为例,通过与反向传播神经网络、差分整合移动平均自回归模型以及布谷鸟优化-最小二乘支持向量机方法对比,表明本文所提方法具有最高的预测精度,预测准确率达到98.5％.     

基于元胞负荷特性分析的RBF神经网络空间负荷预测方法

针对元胞历史负荷数据的特点,结合RBF神经网络在非线性拟合方面的优势,提出了一种基于元胞负荷特性分析的RBF神经网络空间负荷预测方法。该方法以元胞的历史负荷数据为基础,横向从元胞的年历史负荷特性入手,描述各元胞年负荷峰值段的发展趋势;纵向从元胞日最大负荷出现的时刻入手,刻画峰值时段的最大负荷数据群。在充分地考虑元胞负荷的季节特性、双峰特性和转移特性对空间负荷预测精度影响的基础上,构建出一种合理的峰值时段最大负荷数据群的双向选取模型。然后采用RBF神经网络对所选取的最大负荷数据群进行训练和预测,进而得到目标年各元胞的年最大负荷预测值。工程实例验证了该方法的实用性和有效性。     

基于支持向量机和互联网信息修正的空间负荷预测方法

为提高电网规划阶段的空间负荷预测精度,提出了一种基于支持向量机和互联网信息修正的空间负荷预测（spatial load forecasting,SLF）方法,该方法分为3个步骤：一是基于k-均值聚类分析和支持向量回归模型得到地块负荷初始预测值;二是基于地块负荷历史数据计算负荷实际值与初始预测值之间的偏差;三是针对这些偏差,利用搜索引擎获取互联网信息,识别造成偏差的不确定事件,包括元胞中新增大负荷事件和元胞中企业营收增长率突变事件。定性分析事件对空间负荷的影响,并建立这两类事件与其造成的影响之间的分类事件影响定量模型,基于该模型对地块负荷初始预测值进行修正,得到规划区域内的地块负荷预测值。通过对北京某地区进行算例验证,结果表明该方法可以提高预测精度,可用于配电网以及能源互联网规划中的空间负荷预测。     

电力负荷无迹卡尔曼阈值多频级WNN区间预估

针对传统小波神经网络(wavelet neural network,WNN)应用于电力负荷预测时,存在网络组件无法对小波高频信号分量进行有效处理的问题,提出一种针对电力负荷高频信号的无迹卡尔曼滤波(unscented kalman filter,UKF)多频级WNN区间预测算法。首先,给定高频分量信号阈值,对三通道滤波器获取的中频信号分量进行深度划分,并利用UKF算法的无迹变换,获取电力信号高频小波分量均值产生的sigma特征点,将其作为神经网络输入进行训练和预测;其次,针对WNN输出低频信号分量方差的预测输出增量变换问题,利用区间预测估计算法实现高、低频方差预测输出融合,并作为网络输出评价指标;最后,通过实验对所提算法进行有效性验证,并给出高频信号分量阈值选取实验结果,为高频阈值选取提供依据。     

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VMD-ARIMA-DBN的短期电力负荷预测

针对短期电力负荷预测精度不足的问题,提出一种基于变分模态分解、深度信念网络、差分自回归移动平均模型的组合预测模型。首先选取电力负荷影响较大的相关参数,采用变分模态分解将负荷数据分解为低频和高频两种分量;然后利用差分自回归移动平均模型和深度信念网络分别对低频和高频两种分量进行预测,为克服深度信念网络参数随机化的缺陷,采用粒子群优化算法优化模型以进一步提高精度;最后组合各模型结果得到最终预测值。实验结果表明,该组合模型较其他模型具有更好的预测性能。     

基于聚类及趋势指标的长短期神经网络配网负荷短期预测

针对配电网线路负荷短期预测存在精度不佳的问题,提出一种基于聚类及趋势指标的长短期神经网络负荷预测方法.首先利用K-Means聚类方法将线路下特性变化相似的配电网台区负荷数据进行聚类重构;此外,按类分别计算负荷历史同期数据的趋势变化指标,并且作为负荷预测模型的输入特征;然后,建立能够传递时间序列信息的长短期神经网络预测模型,通过模型学习训练每类负荷的历史数据及变化趋势,并对测试集进行预测,将每类负荷的预测结果进行叠加得到线路总负荷的预测结果.以湖南某线路负荷数据为基础,预测未来一天96个点的线路负荷数据,经验证,所提方法能够深入挖掘配电负荷的特性规律和变化趋势,提升配网线路负荷的短期预测精度.     

基于预测可信度的多级协调空间负荷预测方法

提出了一种基于负荷预测可信度的多级协调SLF方法。该方法首先确定了元胞历史负荷数据的评价指标,并运用灰色关联度理论,计算出各元胞的负荷预测可信度。然后建立空间电力负荷多级协调模型,并将元胞负荷预测可信度应用到多级协调模型中,最后利用该模型调整元胞目标年的预测值。空间电力负荷多级协调模型以不同层级负荷之间的关系为基础,在一定程度上能够消除上下级电网的预测结果之间出现的不均衡、不协调的现象,从而提高了空间负荷预测结果的准确性,为进一步的电网规划打下了坚实的基础。选取了指数平滑作为预测方法,并对预测结果采用空间电力负荷多级协调模型进行优化调整,调整结果表明空间电力负荷多级协调模型具有实用性和有效性。     

配电网短期负荷分频段组合预测方法

以小波分析理论为基础,研究分频段组合预测方法。选用db4小波函数将历史负荷序列进行最大尺度分解重构,根据不同频段负荷分量的特点,对低频分量用GM(1,1)预测,中频分量用时间序列法预测,高频分量用二次指数平滑法预测,然后将各频段分量的预测值叠加,得最终预测结果。以福建省某10 kV线路短期供电量及EUNITE竞赛数据为例,通过Matlab仿真程序,对比分析3种单一预测结果和分频段组合预测结果,结果表明,分频段组合预测效果明显优于单一预测,且具普遍性。最后,用某市局配电网短期负荷数据,验证分频段组合预测法是有效可行的。     

基于小波包分析的电力负荷预测算法

提出基于小波包分解和重构的电力负荷预测算法.算法使用具有线性相位的双正交小波对电力负荷数据进行小波包分解和重构,然后用神经网络直接对各尺度上的电力负荷分量进行预测,最后将各尺度上的预测值相加,得到实际负荷预测值.算例表明算法具有较高的预测精度,优于传统的BP神经网络,有利于分析不同时频区域的电力负荷特性,为更准确地建模和预测提供了条件.     

基于HHT和神经网络组合的负荷预测模型研究

首次提出了一种基于HHT和神经网络组合的预测模型.负荷数据首先经过EMO分解,得到一系列IMF分量及余项,通过各分量的频谱观察,针对低频IMF分量规律性及周期性强,高频分量相对较弱的特点,对低频IMF分量选择合适的预测模型直接进行预测,高频IMF采用多神经网络组合预测方法.仿真结果表明,文中提出的预测模型的精度高于任一单一模型,并且高于传统的线性组合预测模型.