基于LSTM网络的短期负荷预测

提出一种基于深度学习的LSTM的短期电力负荷预测方法,以减小负载预测模型所需的数据量的维度大小。基于某地电力公司的历史负荷数据,对比LSTM神经网络预测结果与BP神经网络算法预测结果,验证了所提算法的预测精度更高。     

模糊聚类-Elman神经网络短期光伏发电预测模型

光伏发电功率预测是电网安全稳定运行的基础,从数据挖掘的角度提升光伏发电功率预测精度,文中提出基于孤立森林、模糊C均值和Elman的短期光伏发电功率预测模型。根据预测日选择相似日数据并按天气分类作为训练样本;采用孤立森林清洗训练样本中的异常部分;应用模糊C均值对相似日以及待预测日的气象数据进行聚类分析。结合Elman神经网络算法,形成含孤立森林数据清洗的模糊聚类-Elman神经网络的预测模型,对光伏出力进行精确预测。根据某地市现场实测数据进行实验仿真,预测结果分别与传统Elman和BP模型的预测结果进行对比,所述模型可以获得更高的预测精度。     

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。     

基于改进的随机森林和密度聚类的短期负荷频域预测方法

精确的负荷预测对于电力系统的有效调度和安全运行至关重要. 本文提出基于改进的随机森林(IRF)和密度的聚类 (DBSCAN)的频域组合预测方法. 首先, 采用经验小波变换 (EWT)分解负荷, 得到不同的固有模态分量 (IMFs); 其次,根据各分量特征采用合理的方法进行预测。其中, 低频、中频分量采用IRF预测; 高频分量使用DBSCAN根据气象因素温度和湿度聚类, 再根据每类的样本特性选择处理方法. 最后, 叠加各分量的预测值, 获取负荷预测值. 根据某地市现场负荷数据进行实验,预测结果分别与EWT-IRF、EWT-随机森林 (RF)、经验模态分解(EMD)- IRF模型的预测结果进行对比. 结果表明, 提出的模型具有更高的预测精度, 反映了实际负荷的随机性.