基于CNN-GRU的光伏电站电压轨迹预测

光伏电站出力随机性易引发并网点电压大幅度波动,通过趋势预测提前调控是提高电压稳定性的有效途径。为了提升电压趋势预测精度,提出一种基于卷积神经网络（convolutional neural networks,CNN）和门控循环单元（gated recurrent unit,GRU）的电压轨迹预测方法。首先,通过采集单元提取电压数据构建时间序列;然后,计算电压时间序列的自相关系数及其与外部变量间的最大信息系数（maximal information coefficient,MIC）,分析电压时间序列与外部变量在时序上的关联性;再通过CNN网络提取输入数据的高层特征;最后输入至GRU网络完成电压轨迹预测。通过某地光伏电站实测数据进行验证,结果表明：本文模型与GRU、长短期记忆网络（long short-term memory,LSTM）、CNN-LSTM、支持向量回归（support vector regression,SVR）等模型相比预测准确度更高。     

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。     

基于CNN-ISSA-GRU模型的短期负荷预测方法

电网的可靠运行及持续发展离不开对短期电力负荷的高效、准确预测。针对表征电网负荷变化的历史数据具有复杂性和时序性等特点,且现有的机器学习预测方法仍存在依据经验选取关键参数的不足,利用卷积神经网络（CNN）提取表征负荷变化的多维特征向量,构造成时间序列输入到门控循环单元(GRU),并使用改进麻雀搜索算法（ISSA）对GRU网络中的超参数进行迭代寻优。预测试验样本来自云南某地区的负荷数据,所提方法的预测精度达到了98.624%,与循环神经网络(RNN)、GRU和长短期记忆(LSTM)等神经网络预测方法进行对比,算例表明,所提方法克服了依据经验选取关键参数难题的同时具有更高的预测精度。     

基于奇异谱分析和卷积双向门控单元网络的超短期风电功率预测

精确的短期风电功率预测能有效提高电网供电可靠性.为降低风电数据中隐含噪声对预测结果的影响,采用奇异谱分析 (SingularSpectrum Analysis,SSA)将原始数据分解并重构为趋势、周期和高频噪声三个子序列,作为预测模型的输入.针对传统循环网络局限于时间相关性的前向提取,提出卷积双向门控循环单元网络 (Convolution NeuralNetworkＧBidirectionalGatedRecurrentUnit,CNNＧBiGRU)预测模型.前者提取重构子序列间特征的耦合关系,后者挖掘数据的双向时间相关性,以提高预测精度.为了研究该模型的预测性能,选取了其他模型进行对比,试验结果表明SSAＧCNNＧBiGRU 模型比其他模型更具有优越的预测性能。     

基于GRU神经网络的电力负荷预测∗

针对人工提取电力负荷特征困难,传统电力负荷预测方法预测时间序列效果较差等问题,提出了利用门控循环单元 (GatedRecurrentUnit,GRU)神经网络预测电力负荷的方法.利用Python编程语言在 TensorFlow 框架下 搭建 GRU 神经网络,利用第九届电工大赛电力负荷数据集,将清洗好的数据输入搭建的神经网络进行训练.对比 GRU 神经网络模型和循环神经网络 (RecurrentNeuralNetwork,RNN)模型,得出 GRU 神经网络模型的效果优于 RNN 神经网络模型的结论.     

基于趋势指标与长短时记忆网络的电力市场日前电价预测

为提高电力市场日前电价的预测精度,提出一种基于趋势指标与长短时记忆网络（LSTM）的日前电价预测模型。首先,计算日前电价的随机指标（KDJ）与异同移动平均线指标（MACD）,挖掘电价的内在规律信息;然后,将计算出的趋势指标与电价信息输入LSTM,对电力市场日前电价进行预测;最后,利用电力市场日前电价数据进行验证。算例分析表明该模型相比反向传播神经网络（BPNN）、LSTM和门控循环单元网络（GRU）等模型预测精度更高。     

基于TCN-GRU模型的短期负荷预测方法

为了进一步提高短期负荷的预测精度,为电力系统的稳定运行提供更加有力的保障,文中提出了一种将时间卷积网络(TCN)和门限循环单元(GRU)相结合的短期负荷预测方法TCN-GRU。首先,将采集的训练数据划分为时序数据和非时序数据;其次,将时序数据输入到TCN模型中以提取时序特征;然后,将提取出来的时序特征与非时序数据组合起来输入到GRU模型中对模型进行训练;最后,利用训练好的模型实现对短期电力负荷的预测。基于广东省佛山市某行业真实负荷数据验证了TCN-GRU模型的负荷预测能力,并通过对比多种深度学习模型的预测效果,验证该模型具有更高精度的短期负荷预测能力。     

基于贝叶斯优化的VMD-GRU短期风电功率预测

为提高风电功率预测精度,提出了一种基于贝叶斯优化的变分模态分解(variational mode decomposition, VMD)和门控循环单元(gated recurrent unit, GRU)相结合的风电功率预测方法。首先使用VMD算法对风电功率序列进行分解,并根据排列熵(permutation entropy, PE)的大小来确定序列分解的最佳模态数。然后将分解后得到的子序列分量与关键气象变量数据结合构成模型输入特征。使用GRU网络对各个子序列分量分别进行预测,并将各个子序列分量的预测结果进行重构得到风电功率预测结果。最后采用贝叶斯优化方法对各个子序列预测模型的网络初始超参数进行优化。采用某风电场的风电数据对所提模型进行验证,并与其他6种模型进行性能对比。结果表明,基于贝叶斯优化的VMD-GRU预测模型明显优于其他模型,具有较好的泛化能力,能够有效提高风电功率预测精度。     

基于多模态数据驱动的黄瓜温室湿度预测方法

温室湿度精准预测对病害防治策略制定、水肥自动灌溉等具有重要意义。本文研究了一种基于多模态数据驱动的预测方法。为解耦温室环境控制中环境变量复杂关系，提高模型预测效率，利用LASSO回归从多温室环境参数中筛选得到温室空气湿度变化强关联环境因子，结合CNN提取图像空间特征的优势，基于GAF理论将温室时间序列分别转化为GASF与GADF二维图像，进一步增强有效信息，抑制环境噪声，通过引入低复杂度的双卷积层充分提取图像潜在特征，识别湿度变化趋势，对不同湿度变化趋势的时间序列逐一构建Bayesian_LSTM预测模型，增加平稳输入提高预测精度。针对黄瓜温室，将室内温度、湿度、光照强度历史时间序列转化为二维图像作为输入，分析验证了模型的预测性能。试验数据显示当时间滑动窗口大小为15，选用GADF转化图像，Bayesian_LSTM隐藏节点数为100时，平均绝对误差、平均绝对百分比误差、均方根误差分别达到258%、456%、480%，为模型性能最优。对比 RNN、GRU、Bi GRU、1D CNN共4种主流预测模型，试验结果均表现出良好的预测性能。     

基于SSA-CNN-BiGRU-Attention的超短期风电功率预测模型

针对风电功率预测精度较低的问题,提出一种融合奇异谱分析（SSA）、卷积神经网络（CNN）、双向门控循环单元（BiGRU）及Attention机制的组合预测模型。为抑制风电功率随机波动特性带来的预测功率曲线滞后性问题,采用SSA方法将原始数据序列分解为一系列相对平稳的子分量,并基于各分量模糊熵（FE）值完成各分解分量的有效重构;构建了CNN BiGRU Attention模型并用于各重构分量建模预测,其中,CNN网络用以实现各重构分量高维数据特征的有效提取,BiGRU网络用以完成CNN获取的关键特征向量非线性动态变化规律的有效捕捉,Attention机制的引入用于加强对功率数据关键特征的有效学习;通过叠加基于CNN BiGRU Attention模型的各重构分量预测值得到最终预测结果。以新疆哈密地区风电场实际运行采集数据为试验样本进行算例分析,结果表明,所提方法可有效缓解风电功率预测结果滞后现象,预测精度全面优于其他预测方法。     

基于Attention-LSTM的光伏超短期功率预测模型

超短期光伏发电功率预测有利于电网的调度管理,提高电力系统运行效率及经济性.针对传统长短时记忆(LSTM)神经网络在处理长序列输入时易忽略重要时序信息的缺陷,文章提出了一种结合注意力机制(Attention)与LSTM网络的功率预测模型.采用皮尔森相关系数法(Pearson)分析了实验的历史数据集,剔除无关变量,对数据集进行了降维处理,简化了预测模型结构.在此基础上将Attention机制与LSTM网络相结合作为预测模型.At-tention机制通过对LSTM的输入特征赋予了不同的权重,使得预测模型对长时间序列输入的处理更为有效.以某地光伏电站实测数据对文中所提模型进行训练和对比验证,所提出的预测模型能够更充分地利用历史数据,对长时间输入序列中的关键信息部分更为敏感,预测精度更高.     

基于WGAN-GP和CNN-LSTM-Attention的短期光伏功率预测

针对非晴天天气类型历史数据量匮乏导致光伏功率预测精度低的问题,提出了一种含有梯度惩罚的改进生成对抗网络(Wasserstein generative adversarial network with gradient penalty, WGAN-GP)和CNN-LSTM-Attention光伏功率短期预测模型。首先,利用K-means++聚类算法将历史光伏数据划分为若干天气类型,使用WGAN-GP生成符合各天气类型数据分布规律的高质量新样本,实现训练集数据增强。其次,结合卷积神经网络(convolutional neural network, CNN)在特征提取上的优势和长短期记忆网络(long short-term memory, LSTM)在时间序列预测上的优势,提升预测模型学习光伏功率与气象数据间长期映射关系的能力。此外,引入注意力机制(Attention)弥补输入序列长时LSTM难以保留关键信息的不足。实验结果表明：基于WGAN-GP对各类型天气样本扩充能有效提高预测精度;与3种经典预测模型相比,所提出的CNN-LSTM-Attention模型具有更高的预测精度。     

高渗透率分布式光伏接入的新型电力系统净功率预测

在双碳背景下,分布式光伏发电的大规模增加以及并网接入,对新型电力系统带来了巨大的挑战。高渗透率分布式光伏出力与电力负荷因受天气因素的影响,具有较强的不确定性和波动性,这在一定程度上增加了配电网净功率的预测难度。为了提高配电网净功率的预测精度,文章提出了Attention-双向GRU神经网络配电网净功率预测方法。文章首先对光伏出力特性、用户侧负荷特性、以及配电网净功率影响因素进行分析,充分掌握净功率受分布式光伏出力和用户侧负荷变化规律的影响。然后将Attention机制融入到双向GRU神经网络中建立了配电网净功率预测模型。其中,Attention机制赋予输入特征不同的关注度,双向GRU神经网络能够学习到净功率的时序特征,二者的完美结合,大大提升了净功率预测模型的表示能力和泛化能力。实验结果表明,文章提出的方法大大提高了配电网净功率预测精度,且性能优于对比模型。     

基于GRU-NN模型的短期负荷预测方法

目前基于统计分析和机器学习的预测方法难以同时兼顾负荷数据的时序性和非线性特点。文中提出了一种基于GRU-NN模型的短期电力负荷预测方法。该方法基于深度学习思想处理不同类型的负荷影响因素,引入门控循环单元(GRU)网络处理具有时序性特点的历史负荷序列,建模学习负荷数据内部动态变化规律,其输出结果与其他外部影响因素(天气、日类型等)融合为新的输入特征,使用深度神经网络进行处理,整体分析特征与负荷变化的内在联系,最后完成负荷预测。以美国某公共事业部门提供的公开数据集和中国某地区的负荷数据作为实际算例,该方法预测精度分别达到了97.30%和97.12%,并与长短期记忆神经网络、多层感知机以及GRU神经网络方法进行对比,实验结果表明所提方法具有更高的预测精度和更快的预测速度。     

基于多位置NWP和门控循环单元的风电功率超短期预测

数值天气预报(NWP)对风电功率超短期预测模型精度有着重要影响。为充分利用NWP信息,考虑多个风电场的空间相关性,提出一种基于多位置NWP和门控循环单元的风电功率超短期预测模型。首先,通过随机森林分析多位置NWP信息对风电场发电功率的重要程度,利用累积贡献率提取NWP中的有效信息,将加权的NWP信息与历史功率数据作为预测模型的输入变量。然后,选取改进的灰狼寻优算法对门控循环单元的参数进行优化,建立多变量时间序列预测模型,进行风电场发电功率的超短期预测。最后,选取中国某风电场的实测数据进行算例分析,验证了所提方法的有效性和可行性。     

基于自适应权重的CNN-LSTM&GRU组合风电功率预测方法

准确预测风电功率可以提高电网运行的安全性和可靠性.为进一步提高短期风电功率预测精度,针对目前单一模型难以获得最优预测结果的问题,提出一种CNN-LSTM&GRU多模型组合短期风电功率预测方法.首先,利用卷积神经网络(convolutional neural network,CNN)提取数据局部特征,并结合长短期记忆(l...     

基于BI-GRU改进的Seq2Seq网络的变压器油中溶解气体浓度预测方法

基于门控循环单元(GRU)构建双向多层门控循环单元,并引入编码器-解码器结构搭建Seq2Seq网络模型,通过优化神经元及神经网络结构提取时序数据依赖关系。同时引入注意力机制和Scheduled Sampling算法,自动获取与当前时刻预测输出显著相关的关键输入时间点,提高长时间预测的精度。变压器正常运行状态下的气体浓度预测算例结果表明,与基于简单GRU模型及简单Seq2Seq模型的方法相比,所提方法的预测误差更低且预测的发展趋势更符合真实值;变压器异常运行状态下的气体浓度预测算例结果表明,所提方法的平均相对误差和最大相对误差相比长短期记忆(LSTM)网络方法分别降低了0.73 %和2.31%。