基于约束并行LSTM分位数回归的短期电力负荷概率预测方法

负荷概率预测能准确量化负荷的不确定性,为电力系统运行决策提供全面的预测信息.针对负荷的时序性特点以及现有分位数回归方法存在的分位数预测值交叉问题,提出了一种基于约束并行长短期记忆神经网络分位数回归的短期电力负荷概率预测方法.该方法结合长短期记忆神经网络与分位数回归,并行生成预测负荷的多个分位数结果,并加入考虑分位数预测...     

基于改进门控循环单元分位数回归的短期负荷概率预测

为了更好地提高负荷概率预测精度,提出了一种基于改进门控循环单元分位数回归的短期负荷概率预测模型。首先采用核主成分分析对候选的多维输入变量进行降维处理,然后在传统门控循环单元的基础上对目标函数施加变量间的网络结构约束,并结合分位数回归进一步构建基于改进门控循环单元分位数回归的短期负荷概率预测模型,在得到预测值的条件分位数之后,利用核密度估计得到未来短期负荷的概率密度函数。通过具体算例分析,验证了所提模型的有效性与优越性。     

基于CNN-GRU分位数回归的短期母线负荷概率密度预测

随着分布式电源大规模并网,母线负荷的波动性和不确定性日益增加,给母线负荷预测带来新的挑战。传统的点预测方法难以对母线负荷的不确定性进行描述,为此提出一种基于卷积神经网络和门控循环神经网络分位数回归的概率密度预测方法。该方法通过卷积神经网络提取反映母线负荷动态变化的高阶特征,门控循环神经网络基于提取的高阶特征、天气、日类型等因素进行分位数回归建模,预测未来任意时刻不同分位数条件下的母线负荷值,最后利用核密度估计得到母线负荷概率密度曲线。以江苏省某市220 kV母线负荷数据进行测试,结果表明本文所提方法能够有效刻画未来母线负荷的概率分布,为配电网安全运行提供更多的决策信息。     

基于CNN-LSTM分位数回归的母线负荷日前区间预测

针对部分工业类母线负荷波动较大,传统点预测方法难以准确预测的问题,文中提出一种基于卷积神经网络(CNN)与长短期记忆网络分位数回归(QRLSTM)组合的母线负荷日前区间预测模型。首先,针对工业类负荷功率的高频波动,采用去噪自编码器对历史负荷数据进行降噪处理;然后,利用基于时间分布层封装的一维CNN网络进行负荷特征提取和压缩,以提升整个模型的学习效率;最后,建立含有注意力机制的QRLSTM模型进行特征学习,得到不同分位数下的负荷区间预测结果。对工业类和居民商业类2种典型的220 kV母线负荷进行了负荷日前区间预测测试,并与常规的分位数回归方法进行了对比。结果表明,文中方法获得的预测结果总体上区间覆盖率更大、区间平均宽度和区间累计偏差均更小,预测效果更好。     

基于RBF神经网络分位数回归的电力负荷概率密度预测方法

针对电力系统短期负荷预测问题,在现有的组合预测和概率性区间预测的基础上,提出了基于RBF神经网络分位数回归的概率密度预测方法,得出未来一天中任意时期负荷的概率密度函数,可以得到比点预测和区间预测更多的有用信息,实现了对未来负荷完整概率分布的预测。中国某市实际数据的预测结果表明,提出的概率密度预测方法不仅能得出较为精确的点预测结果,而且能够获得短期负荷完整的概率密度函数预测结果。     

基于时域卷积网络和分位数回归的短期风电功率概率预测

提出一种基于时域神经网络结合分位数回归与动态误差修正的风电功率概率预测方法。首先,采用时域卷积网络构造分位数回归模型。然后,对分位数回归模型的预测误差分布进行建模。最后,采用动态误差修正技术对分位数点进行修正,得到多组风电功率预测区间。采用两个风电场数据集进行验证,结果表明所提方法能在保证高可靠性的同时获得较窄的预测区间,并有效解决分位数交叉问题,可为电网调度优化提供有效帮助。     

基于深度学习分位数回归的电力负荷区间预测方法

常规的短期负荷预测方法得到的都是确定的负荷预测序列,事实上,电力系统包含着各种不确定因素,决策工作因而面临着一定的风险。针对这一问题,提出一种基于深度学习分位数回归的电力负荷区间预测方法,预测结果能使决策者认识到未来负荷的不确定性和风险性。首先,将输入数据划分成负荷特征部分和时间天气特征部分,分别传入卷积神经网络和反向传播神经网络训练,再拼接输出后传入全连接层构成深度学习模型;然后,将该模型与分位数回归结合起来,并行生成预测负荷的多个分位数结果;最后,利用某地实际负荷数据进行了仿真。仿真算例结果表明该方法不仅可以获得更高精度(平均绝对百分误差小于1%),甚至可获得某一置信水平下的负荷预测曲线的包络线。     

基于分位数回归的电力负荷特性预测面板数据模型

综合考虑电力负荷的时空特性,结合国外典型大电网地区负荷特性变化规律,构建电力负荷特性指标面板预测模型,引入分位数回归理论,与国外典型大电网地区进行对比,对样本地区与国外典型大电网地区不同分位数下负荷特性指标变化规律进行横纵方向分析对比。最后,通过对中国南方某地区电网负荷特性指标的预测,验证了模型的正确性与算法的有效性,为负荷特性预测提供了新思路。     

基于深度学习分位数回归模型的充电桩负荷预测

电动汽车的迅速发展将使充电桩负荷对电网造成影响,为此提出了使用深度学习分位数回归的充电桩负荷预测方法。该方法首先根据历史数据采用Adam随机梯度下降法训练出不同分位数条件下的LSTM神经网络参数估计,然后预测未来96 h内各分位数条件下的结果,再用核密度估计做出同一时刻结果的概率密度函数,最终得到负荷概率密度预测。根据实际充电桩负荷结果表明,提出的概率密度预测方法能较为精准地覆盖真实值,相比于BP神经网络分位数回归有着更高的精确度和参考价值。     

基于小波网络的短期负荷预测方法

提出一种基于小波网络的短期负荷预测模型，小波网络结合了小波变换良好的时频局域性质和神经网络的自学习能力，因此具有比神经网络更灵活的函数逼近能力，同时有效地改善了神经网络难于合理确定网络结构、存在局部最优等缺陷，算例表明，这种模型是快速准确的。     

基于EWT和分位数回归森林的短期风电功率概率密度预测

概率密度预测能够给出未来风电功率可能的波动范围、预测值出现的概率及不确定性等更多信息,提出基于经验小波变换(EWT)和分位数回归森林的短期风电功率概率密度组合预测模型。首先,采用新型自适应信号处理方法——经验小波变换,将原始风电功率序列分解为一系列频率特征互异的经验模式;然后,对每一经验模式序列分别构建分位数回归森林预测模型,得到任意分位点条件下的预测结果,通过叠加不同经验模式预测结果获得最终的短期风电功率预测值;最后,对预测值条件分布采用核密度估计获得任意时刻概率密度预测。仿真结果验证了所提模型的有效性。     

基于改进粒子群算法优化LSTM的短期电力负荷预测

电力负荷数据具备时序性和非线性特征,长短时记忆神经网络(LSTM,long short-term memory)可以有效处理上述数据特性。然而LSTM算法性能对预置参数具有极大的依赖性,依靠经验设定的参数会使模型具有较低的泛化性能,降低了预测效果。为解决上述问题,提出非线性动态调整惯性权重粒子群算法(NIWPSO,nonlinear dynamic inertia weight strategy particle swarm optimization)与LSTM相结合的预测模型NIWPSO-LSTM。利用非线性动态调整惯性权重的方法来提升PSO的全局寻优能力,再通过NIWPSO对LSTM的参数进行优化。实验结果表明,NIWPSO-LSTM预测精度要远高于其他模型,验证了所提方案的可行性。     

基于混合神经网络的短期电力负荷预测方法

电力负荷预测对电网的经济运行至关重要,为提高短期负荷预测精度并降低混合神经网络模型的训练时间,提出了一种基于多层感知器（MLP）的基础子网、简单循环单元（SRU）与主成分分析（PCA）的短期电力负荷预测模型。首先,考虑影响电力负荷变化的各种因素,建立负荷预测输入特征集;其次,利用PCA对输入网络的部分特征进行变换并降维;最后,将经过PCA处理后得到的全新数据信息作为模型的输入,并结合Adam梯度下降算法进行训练,输出负荷预测的结果。通过仿真实验结果表明,包含SRU的混合模型在全部测试集样本上的MAPE为2.126%,远低于仅有子网的单一模型与包含DNN的混合模型,而与包含LSTM的混合模型相比,训练时间却降低了22.74%,同时PCA的应用也使得模型的收敛速度加快,极大地减小了训练轮数。     

基于改进型BP神经网络的短期电力负荷预测

科学、准确的短期电力负荷预测有利于提高电力系统运行的经济性和安全性,向用户提供高质量的电力。提出一种基于改进型BP神经网络的短期负荷预测方法,并充分考虑建模时复杂气候敏感因素的影响,对输入校本的选取、预测模型的建立进行了论述。算例表明所提出方法具有较高的预测精度,负荷预测结果的相对误差小于3.63%。     

基于LSTM循环神经网络的短期电力负荷预测

为了保障电网安全稳定和电力市场高效运行,电网调度人员和电力市场参与者对电力负荷预测准确度提出了更高要求,分布式电源和间歇性负荷是影响负荷精准预测的关键因素。针对传统负荷预测方法无法同时对负荷本身变化规律及其影响因素进行建模的问题,提出基于长短期记忆单元(LSTM)的负荷预测方法。利用具备时序记忆功能的LSTM构建深度循环神经网络(RNN),综合考虑历史负荷和各类负荷影响因素建立负荷预测模型。该方法利用神经网络的特征提取能力和LSTM的时序记忆能力,能在更长的历史时间范围内辨识负荷内在变化规律及各类影响因素对负荷的非线性影响。基于实际负荷数据对不同历史时间窗口、不同网络架构的负荷预测性能进行验证,并与其他负荷预测算法进行比较,结果表明所提方法能有效提升负荷预测准确性。     

证据理论融合量子神经网络的短期负荷预测

提出一种用于电力系统短期负荷预测的量子神经网络方法.量子神经网络模型作为单一预测模型对负荷进行预测.利用神经网络,非线性回归模型对预测的历史误差和预测时点的外界影响因素进行分析建模,建立每个模型的可信度评价模型.采用证据理论对每个模型的可信度进行分析评价和合成,确立最终的模型组合预测权值.通过该权值对相应的预测结果进行加权求和得到最终的预测结果.实例表明,该方法能提高预测的精度,是有效可行的.     

基于并联时序卷积神经网络的电力负荷短期预测

电力负荷的短期预测可以合理地确定机组运行方式,安排日调度计划,提高计量精准度,对实现系统功率平衡和保障系统的安全经济运行具有重要意义。在利用神经网络进行负荷短期预测时,若训练数据不足,模型的学习能力会大大降低。同时,由于电力负荷数据存在小时周期、日周期、周周期、季节周期特性,常规神经网络训练模型无法反映负荷的不同周期特性,对预测结果的准确性也会造成一定的影响。为此,首先提出一种数据增强方法,有效解决电力负荷预测中训练数据不足的问题。其次,针对负荷的周期性特征,进一步提出使用不同周期特征的并联时序卷积神经网络模型的融合方案,有效反映负荷数据的多周期特征,从而提升电力负荷短期预测的准确度。通过对某地市不同电压等级线路负荷数据的建模和训练,验证所提方法在短期预测方面的有效性和优越性。     

基于天气分类和卷积神经网络的短期负荷预测方法

为减少天气因素对短期电力负荷预测效果的影响,提高模型的预测精度,提出了一种基于天气分类和卷积神经网络的短期负荷预测模型。首先通过天气类型初分将原始数据样本集划分为晴天、阴天、多云和雨天4种类型。其次,为了识别相似气象条件,运用相关系数和k均值聚类方法,找到对新型负荷出力影响最大的气象因素,并对其聚类,选取高相似度的数据样本。之后根据特征选择的结果,构造神经网络输入数据集。最后,将该数据集输入至卷积神经网络训练并预测。通过算例验证分析所提模型具有更高的预测精度。     

基于提升小波和改进PSO-Elman神经网络的短期负荷预测

为了提高电力负荷预测的精度,提出基于提升小波和改进PSO-Elman神经网络的短期负荷预测模型。针对负荷的波动性和趋势性,将提升小波算法用于分解原始负荷数据并提取其主要特征,在蚁群算法改进粒子群算法中,采用混沌理论,对部分适应度值较差的粒子进行混沌扰动,提出CGPSO(Chaos Generalized Particle Swarm Optimization)算法,改善细致搜索的准确性,并提高全局搜索能力,将CGPSO算法用于Elman神经网络初始参数优化,最后建立负荷预测模型。文中采用我国北方某地区的实际数据进行仿真,实验结果表明,该方法的预测精度相比于传统ENN(Elman Neural Network)方法提高了2.362 6%。