基于 VMD-改进最优加权法的短期负荷变权 组合预测策略

为提升短期电力负荷预测精度,提出了一种变权组合预测策略。首先,为了降低负荷数据的不平稳度,使用变分模态分解(variational mode decomposition, VMD)将负荷数据分解成了高频、低频、残差3种特征模态分量。其次,充分计及负荷数据的时序特点,参考指数加权法原理设计自适应误差重要性量化函数,并结合组合模型在时间窗口内的历史负荷数据的均方预测误差设计改进最优加权法的目标函数和约束条件,以完成子模型的准确变权。最后,针对波动较强的高频分量选定极端梯度提升(XGBoost)和卷积神经网络-长短期记忆(CNN-LSTM)模型并使用改进最优加权法进行组合预测、低频分量使用多元线性回归(MLR)模型预测、残差分量使用LSTM模型预测,叠加各模态分量的预测结果,实现了短期负荷数据的准确预测。实验结果表明,使用策略组合模型的平均绝对百分比误差为4.18%。与使用传统组合策略的组合模型相比,平均绝对百分比预测误差平均降低了0.87%。     

基于WD-LSSVM-LSTM模型的短期电力负荷预测

为了提高短期负荷预测精度,提出一种基于小波分析、粒子群优化(PSO)算法、最小二乘支持向量机（LSSVM）和长短时记忆网络（LSTM）的预测模型。该方法通过对用电负荷进行小波分解和重构得到与原始数据长度相同的分量,对低频分量建立LSSVM预测模型并利用PSO算法找出最优参数,对高频分量建立LSTM预测模型,将各分量预测结果组合实现最终的负荷预测。实验结果表明,该模型预测精度优于传统LSSVM模型、BP神经网络模型和WD-LSSVM模型,验证了其可行性。     

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CEEMDAN-LSTM-CNN网络的短期电力负荷预测

短期电力负荷随机性和波动性较强，传统的负荷预测方法难以掌握短期负荷变化的规律。为提高短期电力负荷预测精度，提出一种融合自适应噪声完备集合经验模态分解(CEEMDAN)、长短时记忆(LSTM)网络、卷积神经网络(CNN)的短期电力负荷预测方法。从数据集中提取原始负荷序列，利用CEEMDAN将其分解为多个固有模式函数(IMF)，降低其非稳定性；采用LSTM网络分析各分量时序特征，获得多个预测结果 ；将各预测结果叠加后通过CNN和全连接层分别进行特征提取和数据特征学习，获得最终负荷预测结果。将所提方法分别与基准模型及其他文献方法通过实际算例进行对比分析，结果表明，所提方法能够准确掌握负荷变化的规律，且在一天负荷预测问题中精度达到97.32%。     

基于变分模态分解的卷积神经网络?双向门控循环单元?多元线性回归多频组合短期电力负荷预测

为了有效提高电力负荷预测精度,针对电力负荷非线性、非平稳性、时序性的特点,提出了一种卷积神经网络（convolutional neural networks,CNN）、双向门控循环单元（bidirectional gated recurrent unit,BiGRU）和多元线性回归（multiple linear regression,MLR）混合的多频组合短期电力负荷预测模型。该模型先利用关联度分析得到相似日,并将其负荷组成新的数据序列,同时使用变分模态分解（variational mode decomposition,VMD）将该数据序列进行分解,并重构成高低2种频率。对于高频分量,使用CNN-BiGRU模型进行预测;低频部分则使用MLR。最后将各个模型得出的预测结果叠加,得到最终预测结果。以2006年澳大利亚真实数据为例,进行短期电力负荷预测。仿真结果表明,相比于其他网络模型,该模型具有较高的预测精度和拟合能力,是一种有效的短期负荷预测方法。     

基于EEMD-GRU-MLR的短期电力负荷预测EI北大核心CSCD

针对电力负荷随机性较强,预测精度不高的问题,通过构建集合经验模态分解(ensembleempiricalmode decomposition,EEMD)以及门控循环单元神经网络(gated recurrent unit neural network,GRU)和多元线性回归(multiple linearregression,MLR)组合而成的EEMD-GRU-MLR(EGM)预测方法,有效提高了电力负荷短期预测精度。首先通过集合经验模态分解将电力负荷数据分解为频率由高到低的不同本征模态函数(intrinsicmodefunctions,IMF),不同频率的本征模态函数分量代表了电力负荷不同的部分特征,随后分别使用多元线性回归方法和GRU神经网络方法对低频部分和高频部分进行快速准确的预测,最后将所得各预测结果组合后得到完整的预测结果。EGM预测方法不但能够对电力负荷的变化趋势进行有效预测,而且能够准确预测随机性较强的局部特征。最后通过实验验证,该方法有效地提高了负荷预测精度。     

基于EEMD-GRU-MLR的短期电力负荷预测

针对电力负荷随机性较强,预测精度不高的问题,通过构建集合经验模态分解(ensembleempiricalmode decomposition,EEMD)以及门控循环单元神经网络(gated recurrent unit neural network,GRU)和多元线性回归(multiple linearregression, MLR)组合而成的EEMD-GRU-MLR(EGM)预测方法,有效提高了电力负荷短期预测精度。首先通过集合经验模态分解将电力负荷数据分解为频率由高到低的不同本征模态函数(intrinsicmodefunctions,IMF),不同频率的本征模态函数分量代表了电力负荷不同的部分特征,随后分别使用多元线性回归方法和GRU神经网络方法对低频部分和高频部分进行快速准确的预测,最后将所得各预测结果组合后得到完整的预测结果。EGM预测方法不但能够对电力负荷的变化趋势进行有效预测,而且能够准确预测随机性较强的局部特征。最后通过实验验证,该方法有效地提高了负荷预测精度。     

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.     

基于相似日与多模型融合的短期负荷预测

为提高负荷预测精度，以相似日思想为基础，构建了一种基于相似日与多模型融合的短期负荷预测框架。首先，通过Pearson相关系数确定负荷的气象影响因素，并结合气象因素及负荷日期类型进行相似日选取，构造历史数据集；其次，采用互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)技术将历史数据集分解为不同频率下的固有模态函数(intrinsic mode function,IMF)分量；然后，采用长短期时序网络(long short term time-series network,LSTNet)及极限学习机(extreme learning machine,ELM)模型分别对高频及低频IMF分量进行预测，经过结果的融合得到最终的负荷预测结果；最后，经过实际电力负荷验证，所提出模型具有较高的负荷预测精度。     

基于小波变换与BiGRU-NN模型的短期负荷预测方法

为更好地挖掘大量采集数据蕴含的有效信息,提高短期负荷预测精度,文中提出一种基于小波变换与双向门控循环单元(BiGRU)、全连接神经网络(NN)混合模型的短期负荷预测方法。文章利用小波变换将负荷特征数据分解为高频数据以及低频数据,再分别建立高频混合神经网络以及低频混合神经网络模型进行预测。在混合神经网络模型中,将负荷特征数据作为BiGRU-NN网络的输入,利用BiGRU-NN网络学习负荷非线性以及时序性特征,以此进行短期负荷预测。文中以丹麦东部地区的负荷数据作为算例,实验结果表明,该方法与GRU神经网络、DNN神经网络、CNN-LSTM神经网络相比,具有更高的预测精度。     

基于自适应噪声完备经验模态分解?样本熵?长短期记忆神经网络和核密度估计的短期电力负荷区间预测

短期电力负荷具有较强的随机性和波动性,其预测的准确性对于提升供电可靠性、电力系统运行经济性至关重要。针对传统确定性预测不能反映未来负荷波动的弊端,基于“点预测+区间估计”的思路提出了一种短期负荷区间预测方法。首先基于自适应噪声完备经验模态分解方法将负荷序列分解为多个模态分量,并根据不同序列样本熵的计算结果将序列进行重构以降低运算量。在此基础上,针对每一个分量分别构建长短期记忆神经网络预测模型,得到未来负荷点预测值。基于此利用核密度估计方法对预测误差的分布进行估计,进而结合点预测结果实现未来短期负荷的区间预测。通过将此模型与其他模型进行对比,结果表明此模型能够实现更低的点预测误差,同时在区间预测中也表现出更好的综合性能。     

基于变分模态分解和深度学习的短期电力负荷预测模型

提升负荷预测的准确性对于指导电力系统的生产计划、经济调度以及稳定运行至关重要。提出一种基于变分模态分解(Variational Mode Decomposition, VMD)和长短期记忆(Long Short Term Memory, LSTM)神经网络的短期负荷预测模型。利用VMD算法将负荷序列分解成不同的本征模态函数(Intrinsic Mode Functions, IMF),每个IMF结合LSTM进行预测,将各部分预测结果叠加得到VMD-LSTM模型的预测结果。分析实验结果,相比单一LSTM和经验模态分解(Empirical Mode Decomposition, EMD)组合LSTM预测方法,该方法能有效的提升负荷预测的准确性。     

基于优化的VMD-mRMR-LSTM模型的短期负荷预测

随着智能电网技术的发展和电力市场的推进,用电模式的复杂性逐渐凸显,对短期负荷预测的精度和稳定性提出了更高的要求.针对传统负荷预测方法缺少对时序数据相关性、特征值的全面考虑等问题,提出一种基于优化的变分模态分解、最小冗余最大相关性与长短期记忆神经网络的组合预测模型.首先,将波动性高的负荷序列分解为一组相对平稳的模态分量,...     

基于小波包分解和长短期记忆网络的短期电价预测

在电力市场环境下,精准的短期电价预测可以保障电网优化调度和安全稳定运行,但实时电价具有非平稳性和非线性的特点,加大了预测难度。针对这一问题,提出了一种基于小波包分解（WPD）和长短期记忆（LSTM）网络的短期实时电价预测方法。将实时电价序列分解,得到最高频细节部分和低频趋势部分,剔除波动性高、无效信息多的高频细节部分,再采用LSTM网络对有效信息最多、更能体现电价序列的趋势部分进行实时电价预测。使用所提方法对美国PJM市场某地区实时电价数据进行预测实验,结果表明所提方法相比随机森林、BP神经网络、支持向量机电价预测方和传统的LSTM网络电价预测方法具有更高预测精度。     

基于正交小波和长短期记忆神经网络的用电负荷预测方法

用电负荷数据的波动性和周期性会影响电力负荷预测的准确性,针对此问题,文中提出了一种基于正交小波长短期记忆神经网络(orthogonal wavelet transform-long short-term memory, OWT-LSTM）的用电负荷预测方法。该方法对用电负荷序列进行正交小波分解,消除负荷数据的波动性,然后利用LSTM及其变种神经网络对正交小波分解后的各尺度负荷序列进行建模训练,通过各序列预测结果进行预测重构,获得最终的负荷预测结果。通过用户用电负荷数据集验证表明,该方法的预测性能优于其他模型,具有较高的预测精确性和稳定性。     

基于随差遗忘长短期记忆的风电功率实时预测

由于标准长短期记忆(long short-term memory,LSTM)遗忘门更新方式不能实时反映预测误差对模型预测的修正作用,提出随差遗忘长短期记忆(Error Following Forget Gate-based LSTM,EFFG-based LSTM)的风电功率实时预测模型.用上一时刻的风电功率预测值与实...