基于多模型综合特征选择和LSTM-Attention的短期负荷预测

为提高电力系统短期负荷预测精度和预测效率,提出一种基于多模型综合特征选择和长短期记忆单元(long short time memory, LSTM)-Attention的短期负荷预测方法。首先,利用随机森林算法、自适应集成(adaptive boosting, AdaBoost)算法及梯度提升树(gradient boosting decision tree, GBDT)算法对原始数据进行初步拟合预测,提取3种算法拟合后的结果来获取特征量与负荷大小的相关系数,从而建立综合相关系数。接着,根据综合相关系数的大小,剔除相关系数较小的特征量,将剩余的特征量与历史负荷大小数据结合构成新的数据集。最后,将新的数据集作为LSTM-Attention预测模型的输入,从而得到待预测日的负荷预测曲线。通过分析所提出的预测方法在某地区负荷数据集的预测结果可知,该方法优于其他预测方法。     

基于VMD-LSTM-MLR的短期电力负荷预测

针对短期电力负荷预测精度不高的问题,提出集合变分模态分解(VMD)、长短期记忆(LSTM)网络及多元线性回归(MLR)的VMD-LSTM-MLR预测方法。先使用VMD将电力负荷数据分解为特征、频率均不同的本征模态函数,然后用LSTM对高频部分进行预测,用MLR对低频部分进行预测,最后将LSTM与MLR得到的预测结果进行叠加,获得完整的预测结果。使用VMD-LSTM-MLR预测方法对江苏省某市电力负荷数据进行预测,验证了VMD-LSTM-MLR在预测电力负荷数据上有较高的精度,其平均绝对百分比误差M_(APE)、均方根误差R_(MSE)均低于目前比较典型的改进算法,以及所列举的4种组合算法。     

基于EMD和长短期记忆网络的短期电力负荷预测研究

针对电力负荷非线性、非平稳性、时序性等特点,提出了一种基于EMD-LN-LSTM的短期电力负荷预测模型。利用经验模态分解(EMD)将经数据预处理之后的原始电力负荷数据分解为有限个内涵模态分量(IMF)和一个残差分量,以降低负荷序列的非平稳性和复杂度。将分解后的各分量分别输入到长短期记忆网络(LSTM)中进行预测,同时利用层标准化(LN)对LSTM进行规范化处理,优化网络模型。对各分量预测值进行重组,求出最终的负荷预测结果。以多伦多真实数据为算例,分别使用EMD-LN-LSTM模型和其他模型进行预测,结果表明:EMD-LN-LSTM模型24 h平均绝对百分比误差相较于RNN模型、LSTM模型分别降低了3.600%、1.864%,而拟合优度均高于RNN模型、LSTM模型,表明该模型能够更好地拟合负荷曲线,具有较高的预测精度。     

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...     

基于改进KPCA和GA-BP神经网络的电能质量稳态指标预测

为提高电能质量稳态指标预测精度,以气象因素、有功负荷及历史电能质量数据作为输入变量,提出一种基于改进核主成分分析(KPCA)和遗传算法(GA)优化BP神经网络的电能质量稳态指标预测方法,首先将改进K-means聚类算法与KPCA相结合,通过改进K-means算法将输入变量划分为不同的子类,降低了核矩阵维数;再利用KPCA提取每类输入变量的非线性主成分,简化网络结构;然后分别将每一类中提取的特征作为BP神经网络模型新的输入变量,并结合GA算法优化BP神经网络参数,建立每一类数据的预测模型。算例应用结果表明,该方法的预测精度明显优于传统BP神经网络预测方法和KPCA+BP神经网络预测方法。     

基于SVM-STL-LSTM的区域短期电力负荷预测研究

针对区域电力负荷的时间序列数据随机性强、预测精度低及单一模型的数据特征提取能力差等问题,提出了一种支持向量机(SVM)、STL时序分解法、长短期记忆神经网络(LSTM)组合的电力负荷预测模型。该模型利用SVM对时间序列的电力负荷数据进行初始预测,并通过STL时序分解法对残差序列进行时序分解,从而提高残差序列的稳定性,减小其随机性,最后用LSTM对SVM的预测误差进行修正。试验结果证明,该方法利用误差修正可有效处理随机性强的数据,有利于预测结果的稳定性,提高预测精度。     

基于PSOGRNN的我国电力消费预测

为准确预测电力消费并给电力发展规划制定提供依据,提出一种电力消费混合预测模型(PSOGRNN),将GDP、人均可支配收入和电力消费历史数据作为输入变量,运用粒子群优化(PSO)算法优化选择用于电力消费预测的广义回归神经网络(GRNN)模型参数值,以此提高模型的预测精度。实例验证结果表明,与自适应GRNN模型、DGM(1,1)模型和最小二乘线性回归模型相比,PSOGRNN模型的预测精度最高,且有效可行。     

基于相似日和SAE-DBiLSTM模型的短期电力负荷预测

提高短期电力负荷预测精度有助于电力公司高效地管理能源和更加经济可靠地运行。随着信息通信技术在电力系统的广泛应用,可获得的电力系统数据迅速增多,为数据驱动的电力负荷预测提供了数据基础,但这些数据通常结构性较差且特征不明确。由此,提出了基于相似日和SAE-DBiLSTM模型的短期电力负荷预测方法。首先,对获得的电力负荷数据进行预处理,并利用栈式自编码网络无监督提取由相似日、基准日负荷数据和天气信息构成的数据隐含用电特征;再将所得的隐含用电特征输入深度双向长短期记忆网络(Deep bi-directional long short-term memory,DBi LSTM)进行训练学习;最后用2016年全国大学生电工数学建模竞赛数据集,将所提模型与其他模型进行对比测试(包括DBiLSTM、SAE-ELM、SAE-DGRU、SAE-DLSTM和SAE-DBiLSTM)。试验结果表明,SAE-DBiLSTM组合模型在不同地区均具有更高的预测精度,该方法简单可靠且能更好地预测短期区域电力负荷。     

基于灰色关联分析与随机森林回归模型的短期负荷预测

针对人工神经网络和支持向量机存在的泛化误差大、具有局部最优以及参数选取困难等缺点,将随机森林回归模型引入电力系统短期负荷预测,提出了一种基于相似日与随机森林回归模型的短期负荷预测方法。利用灰色关联分析法计算原始训练样本与预测日各影响因素间的关联系数,选取相似度较高的历史样本构成相似日样本集,对随机森林回归模型进行训练。将预测日的特征向量输入训练好的模型中,取所有回归树输出结果的平均值作为最终的负荷预测结果。实际算例表明,与常规支持向量机法和常规随机森林回归法相比,该组合方法可以有效地提高短期负荷预测的精度。     

基于分位回归鲁棒极限学习机的短时负荷预测方法

针对短期负荷预测对电力系统运行管理和优化调度的影响,提出一种基于分位回归鲁棒极限学习机的短时负荷预测方法,即先对所收集的历史负荷数据进行归一化处理,然后利用自相关分析提取最相关的历史负荷数据作为模型的输入变量,再融合鲁棒极限学习机和分位回归建立负荷预测基本模型,最后利用某电力公司2016年采样频率为30min的数据进行实例分析,试验数据表明相比极限学习机(ELM)、分位回归(QR)和分位回归支持向量机(QR-SVM),所提模型预测精度更高,验证了所提模型和算法的可行性和有效性。     

基于KNN-LSTM的区域热负荷短期预测及在机组热电可行域的应用研究

为了准确预测热电联产机组的热负荷进而确定机组的热电可行域,使用互信息法筛选预测模型的输入参数。搭建了基于粒子群(PSO)参数寻优的最邻近节点(KNN)模型和长短期记忆神经网络(LSTM)模型对电厂的单日供暖热负荷进行预测,并提出将两种预测方法相结合的KNN-LSTM模型,通过对比发现该混合预测模型在处理短期热负荷异常波动问题时提高了预测模型的鲁棒性。在搭建热电联产机组热力仿真模型的基础上,根据热负荷短期预测结果和机组深度调峰限制条件确定机组的最低运行电负荷,提高了机组预测最低运行电负荷的能力。     

基于改进Bagging算法与模糊MP-LSTM融合的短期负荷预测模型

为提高负荷预测精度,提出一种基于改进Bagging算法与模糊最小窥视孔长短期记忆(Min peephole long short-term memory,MP-LSTM)融合的短期负荷预测模型.MP-LSTM模型相较于传统长短期记忆网络(Long short-term memory,LSTM)模型舍弃了输入门和输出门,...     

模糊划分线性回归模型在电力负荷预测中的应用

针对电力负荷中长期预测中存在大量的不确定性因素及待预测的负荷变量与关联因素无法很好地满足整个样本序列上预测变量与解释变量间的线性相关性问题,引入了模糊划分理论,构建了基于模糊有序划分的线性回归预测模型。算例应用结果表明,该模型能在较少样本数据基础上实现对电力负荷较为准确的预测,且预测精度较高。     

基于TCN-LSTM和气象相似日集的电网短期负荷预测方法

为充分挖掘不同气象因素的相似日信息和输入特征蕴含的信息以提升负荷预测精度,提出一种基于时间卷积网络和长短期记忆网络组合（TCN-LSTM）和气象相似日集的电网短期负荷预测方法。首先通过Pearson系数和最大信息系数,选出与负荷强相关的气象因素;然后根据该气象因素,选取最佳相似日组成气象相似日集,以气象相似日集负荷、历史负荷、气象因素和时间因素作为预测模型的输入特征;最后,搭建TCN-LSTM预测模型,用TCN进行特征提取后,再用LSTM网络完成短期负荷预测。以中国某地区的实际历史数据进行仿真验证,结果表明所提预测方法可有效提升负荷预测精度。     

基于混合神经网络深度学习的短期负荷预测

针对能源互联网环境下用电用户数据量大、多维度这一特点,提出了一种混合神经网络深度学习的短期电力负荷预测方法。首先,考虑常见的电力系统负荷的影响因素,建立多维数据库,并进行偏相关分析,排除其他变量干扰;其次,将LSTM、GRU两种神经网络作为前端神经网络对多维数据库中数据进行处理;最后,采用随机概率剔除与Adam训练优化函数改进的BP神经网络作为末端神经网络,建立负荷预测模型。通过算例仿真对本文方法与传统BP神经网络、LSTM神经网络、GRU神经网络进行了对比,验证了所提方法的有效性。     

基于深度学习提取时空信息的流域内库水位预测模型研究

为了解决流域连通水库增多,库水位影响因素复杂且具有非平稳性,难以直接通过水文计算预测的问题,对流域水文站点日降雨序列进行分析,首先将时间序列经小波变换去噪,在此基础上采用最大信息系数(MIC)相关性分析筛选与日水位序列相关性,增加了输入时序降雨与预测水位相关的信息密度,并提出将强相关性序列输入引入Attention机制的长短期记忆(LSTM)预测模型,提高LSTM神经网络选择和提取序列特征的能力。以福建某流域站点实测日降雨序列为例进行试验,结果表明该方法的均方预测误差仅为0.190 8,相比LSTM模型有更高的预测精度,为水库水情调度及防洪减灾管理提供了决策依据。     

采用Wolf异步迭代分析的电力异常负载预测仿真

电力异常负载的准确预测是保障电力高效调度的关键,传统方法采用线性指数时间序列预测算法,当电力负荷出现包络振荡时,预测精度不好。提出一种基于Wolf异步迭代分析的电力异常负载预测和仿真分析方法。对电力异常负载进行信息流模型构建和时间序列分析,提取电力负载信息流的时频特征,采用Wolf异步迭代方法对时频特征进行信息融合,对电力异常负载序列进行相空间重构后,计算电力异常负载时间序列的几何不变量,进行异常节点和负载流的信息特征预测,实现电力异常负载预测算法改进。仿真结果表明,采用该算法进行电力异常负载预测的精度较高,误差减少,性能优越。     

基于随机森林的火电机组SCR脱硝反应器建模

火电机组选择性催化还原技术(SCR)脱硝反应器过程复杂多变,采用机理建模的SCR脱硝反应器出口NO_x质量浓度预测难以取得良好的效果。基于火电厂的历史运行数据,将主成分分析(PCA)和随机森林(RF)相结合建立了SCR脱硝反应器出口NO_x质量浓度预测模型。在建模过程中,采用主成分分析方法计算各个变量的贡献率来筛选变量,进而对随机森林模型进行试验验证,并与支持向量机(SVM)模型和BP神经网络模型的预测性能进行对比。结果表明:采用PCA变量选择方法确定SCR系统模型的输入变量是可行和有效的;与SVM和BP神经网络模型相比,RF算法得到的SCR系统模型具有更好的预测效果。     

多输入输出多跳电力系统的负荷控制算法

在多输入输出多跳电力系统中,需要对电力传输节点进行负荷控制设计,提高电力系统的综合评估和控制能力。传统方法对电力负荷的控制方法采用多维子空间QoS预测算法,对多输入输出(MIMO)的电力传输节点的负荷预测精度不高。提出一种基于多跳节点子空间特征分解的电力系统的负荷控制算法。构建了多输入输出的电力负荷的时间序列信号模型,采用分数阶傅里叶变换对信号模型进行特征空间重构,在信号子空间中,采用高阶累积量对角切片负荷时间序列进行特征分解,在此基础上,采用多跳节点子空间特征分解对MIMO节点的电力系统负荷进行准确预测控制。仿真实验进行了性能验证,实验结果表明,采用该算法对电力系统负荷的控制品质较高,提高了对电力系统负荷的预测精度和调度能力。     

基于逆推理论改进模糊均生函数的短期负荷预测

为提高短期电力负荷预测精度,针对电力负荷序列的周期性、随机波动性等特点,提出一种基于逆推理论改进模糊均生函数的短期负荷预测模型。该模型先将模糊均生函数算法引入负荷预测领域,同时应用逆推理论改进模糊均生函数的构造过程,然后将其与最优子集回归算法相结合,建立短期负荷预测模型,最后使用该模型进行预测。以山东电网某市的负荷数据为例,对该模型进行了验证,并与实际负荷数据及传统均生函数模型的预测结果进行对比。结果表明,所提模型能有效提高短期负荷预测的精度,具有很好的实用性。