基于CNN-LSTM混合神经网络模型的短期负荷预测方法

为了更好地挖掘海量数据中蕴含的有效信息,提高短期负荷预测精度,针对负荷数据时序性和非线性的特点,提出了一种基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合模型短期负荷预测方法,将海量的历史负荷数据、气象数据、日期信息以及峰谷电价数据按时间滑动窗口构造连续特征图作为输入,先采用CNN提取特征向量,将特征向量以时序序列方式构造并作为LSTM网络输入数据,再采用LSTM网络进行短期负荷预测。使用所提方法对江苏省某地区电力负荷数据进行预测实验,实验结果表明,文中所提出的预测方法比传统负荷预测方法、随机森林模型负荷预测模型方法和标准LSTM网络负荷预测方法具有更高的预测精度。     

LSTM模型在电力系统负荷预测中的应用

为解决数据随时间变化的电力系统短期负荷预测问题,本文阐述、采用和总结线性回归,普通BP神经网络,GRU神经网络,LSTM神经网络在电力系统短期负荷预测中应用的理论基础和方法,分别针对神经网络的多种预测方法进行归纳总结。LSTM即长短期记忆网络,拥有门机制,可以选择性的遗忘和记忆过去的信息,特别能记忆一个序列时间段的信息。本文以某城市2019年全年的电力负荷数据为基础,该数据集包含城市350天的每天48个时间点的16800条数据,通过python绘图,解决对比不同算法之间的性能差异问题,最终得到LSTM在电力系统短期负荷预测上性能最优的结果。通过结果分析,得出利用电力负荷时间序列具有历史依赖性的特点,使用LSTM深度神经网络与传统神经网络进行了对比预测,证明了深度学习在电力负荷预测领域的适用性和精确性。     

基于VMD-LSTM-LightGBM的多特征短期电力负荷预测

针对目前多特征电力负荷预测精度不准的问题,为充分挖掘电力负荷数据中的时序信息、天气信息等特征信息,提出了一种基于变分模态分解（variational mode decomposition,VMD）的长短期记忆（long short-term memory,LSTM）神经网络与轻量级梯度提升机（light gradient boosting machine,LightGBM）预测模型,优化负荷数据非线性、非平稳、长记忆等问题,解决了多特征预测提取特征信息差的问题。该方法首先用VMD分解代表不同尺度的特征模态分量,降低了原始序列的不平稳度,同时分解的残差量代表负荷数据强非线性部分,通过特征性强的算法进行预测,将各模态分量通过LSTM的单特征预测,再将各个分量加入多特征利用LightGBM进行负荷预测。通过与目前多特征电力负荷预测模型进行对比实验,平均绝对误差（mean absolute error,MAE）值仅为其23%～73%,平均绝对百分比误差（mean absolute percentage error,MAPE）值能达到0.37%,具有更好的预测精度。     

基于LSTM的钢铁工业地区母线短期负荷预测研究

当地区电力负荷中光伏电站并网和钢铁冲击性负荷占比较大时,不仅威胁电网的安全稳定,也会对电力系统的短期负荷预测造成显著影响。通过分析钢铁冲击性负荷的影响因素,提出一种基于深度学习算法的长短期记忆(Long Short-term Memory,LSTM)神经网络分别对钢铁冲击负荷不同占比下的母线负荷序列进行预测。实际计算结果表明:LSTM应用于钢铁工业地区母线短期负荷预测时,能够有效提升预测精度。     

基于LSTM自动编码器的电力负荷聚类建模及特性分析

电力系统负荷聚类和特性分析对电网的安全与经济调度、运行具有重要意义,是提升调度人员对电网感知能力的重要技术手段。为了解决传统负荷聚类方法需要人工设定负荷特征指标和无法考虑负荷时序特性等问题,提出了一种由长短期记忆(LSTM)自动编码器构成的负荷聚类方法。利用LSTM的时序记忆能力和自动编码器的非线性特征提取能力,实现了考虑负荷时序特性的自动特征提取和非线性降维。然后,基于提取的负荷特征采用k-means聚类算法进行电力负荷聚类分析。最后,采用实际供电区域的负荷数据进行验证,并对负荷特性进行详细的分析。结果表明所提方法与其他负荷特征提取方法相比,有较好的负荷聚类效果。     

基于完整自适应噪声集成经验模态分解的LSTM-Attention网络短期电力负荷预测方法

短期电力负荷预测在电网安全运行和制定合理调度计划方面发挥着重要作用。为了提高电力负荷时间序列预测的准确度,提出了一种由完整自适应噪声集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)和基于注意力机制的长短期记忆神经网络(long short-term memory network based on attention mechanism, LSTM-Attention)相结合的短期电力负荷预测模型。完整自适应噪声集成经验模态分解有效地将负荷时间序列分解成多个层次规律平稳的本征模态分量,并通过神经网络模型预测极大值,结合镜像延拓方法抑制边界效应,提高分解精度,同时基于注意力机制的长短期记忆神经网络自适应地提取电力负荷数据输入特征并分配权重进行预测,最后各预测模态分量叠加重构后获得最终预测结果。通过不同实际电力负荷季节数据分别进行实验,并与其他电力负荷预测模型结果分析进行比较,验证了该预测方法在电力负荷预测精度方面具有更好的性能。     

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。     

基于深度长短期记忆神经网络的短期负荷预测

传统的短期电力负荷预测模型难以处理大数据量,并且具有强随机性,预测精度难以满足智能电网发展的要求。为此,提出一种基于深度长短期记忆(deep long short-term memory,DLSTM)神经网络的数据驱动型短期负荷预测方法。使用该方法对某地区电力负荷进行预测,并将预测结果与传统方法的预测结果进行对比分析。对比结果表明,所提出的方法充分考虑了电力负荷的时序性和非线性,能深入挖掘电力用户侧数据特征,对电力负荷的短期预测性能优于传统方法,满足智能电网对短期电力负荷预测的高精度要求。     

基于气象数据降维与混合深度学习的短期电力负荷预测

精确的短期负荷预测能通过预知所需用电负荷来指导电网的调度运行。但电力负荷不仅与用户用电习惯相关，还容易受到温度、湿度等气象因素的影响。因此，文章在现有的使用负荷历史数据基础上，增加了影响区域型电力负荷的气象数据，并考虑高维气象参量数据对预测算法的过拟合问题，提出了基于稀疏核主成分分析(sparse kernel principal component analysis, SKPCA)的高维气象数据降维方法。进而以历史负荷功率和SKPCA重构后主成分为输入，构建了基于卷积神经网络(convolutional neural network, CNN)和长短时记忆(long-short-term memory, LSTM)神经网络的混合深度学习预测模型。CNN-LSTM模型可以同时提取负荷功率及气象数据的空间和时间相关特征，从而全面利用数据的时-空相关性特征，提升负荷功率的短期预测精度。相比于常见的数据降维和负荷预测方法，文章所提方法的数据维度降低了71.43%,预测精度达到了98.92%。结果表明，所提算法融合通过SKPCA降维后的气象数据能够显著提升区域型电力短期负荷预测准确度。     

基于开发智慧云平台的日前建筑用电负荷预测方法研究

作为电力系统设计规划、运行调度的重要一环,电力负荷预测受到强随机性、低精度的困扰,同时先进预测算法的落地实施关联数据管理系统,而传统数据管理系统底层数据资源传输与治理、预测信息应用十分不便。为了克服以上问题,基于云平台,在实现数据高效采集与治理的基础上,为电负荷预测提供天气预报以及历史电负荷信息;在日前负荷预测过程中,针对单一长短期记忆(LSTM)神经网络对时序数据挖掘能力不充分的情况,利用小波变换(WT)细化时序负荷高频分量,同时借助下一日温度、相对湿度预报信息,提升日前电负荷预测精度。结果表明,所提WT-LSTM方法表现了良好的预测效果,其两日均方根误差分别为185.56和179.56,比传统的LSTM网络预测精度分别提高了61.48%和12.51%。     

基于孪生网络和长短时记忆网络结合的配电网短期负荷预测

保证数据驱动型配电网短期负荷预测精准的关键是选取合适的相似日数据集和构建合理的日负荷预测模型.文中研究了一种基于孪生网络(SN)和长短时记忆(LSTM)网络相结合的配电网短期负荷预测模型.基于配电网负荷相似日的影响因素具有多样化、强随机性的特点,利用SN两个输入权重共享的特点对历史负荷数据进行分析,进而对待测日的特征进行分类,以完成相似日数据选取.此外,利用灰狼优化算法全局搜索能力强、收敛速度快等特点,对基于LSTM网络的配电网短期负荷预测模型进行参数优化.最后,以某一个区域配电网的实际数据为例,验证上述预测方法的准确性与鲁棒性,与LSTM网络、基于粒子群优化的LSTM网络、支持向量机等方法对比可知,所提方法具有较高的准确度和计算效率.     

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。     

基于谱聚类和LSTM神经网络的电动公交车充电负荷预测方法

目前电动公交车的渗透率较大,且充电频率和充电量较高,故而其充电负荷对电网运行与调度产生着不可忽略的影响.因此,电动公交车的充电负荷预测研究具有重要的理论与现实意义,但由于公交车间歇性与随机性的充电行为在时间上给充电负荷预测增加了难度.为此,提出基于谱聚类和长短期记忆(long short-term memory,LST...     

基于LSTM网络的时间多尺度电采暖负荷预测

电采暖负荷的准确预测对配电网安全稳定运行具有重要作用.为提高电采暖负荷预测精度,提出基于长短期记忆网络的时间多尺度电采暖负荷预测方法.该方法首先确定负荷预测网络模型参数,通过分析不同时间尺度下的电采暖负荷数据特征,在不同训练步长下,建立基于长短期记忆网络的电采暖负荷预测模型,实现电采暖负荷的准确预测.采用北京某地的电采...     

基于TCA-CNN-LSTM的短期负荷预测研究

为有效地挖掘历史数据信息,提高短期负荷预测准确性,文章针对电力负荷时序性和非线性的特点,在原有一维卷积神经网络(Convolutional Neural Network, CNN)-长短期记忆网络(long short term memory,LSTM)模型的基础上,分别在CNN和LSTM侧嵌入通道注意力机制(Channel Attention,CA)和时序注意力机制(Temporal Attention,TA),构建CA-CNN和TA-LSTM模块,然后结合CA-CNN和TA-LSTM模块构建TCA-CNN-LSTM的层级注意力机制短期负荷预测模型。同时,为提高训练数据的质量并加快模型训练速度,运用K-means和决策树模型选取相似日数据, 构建基于相似日数据的向量特征时序图,最后将时序图输入TCA-CNN-LSTM负荷预测模型完成预测。以澳大利亚某地真实数据集和2016电工杯数学建模竞赛电力负荷数据为算例,分别应用TCA-CNN-LSTM模型与支持向量机、多层感知机(Multilayer perceptron, MLP)、LSTM、CNN-LSTM和CNN-Attention-LSTM模型的预测结果进行对比,实验结果表明所提方法具有更高的预测精度。     

基于加权扩展日特征矩阵的分布式光伏发电日前功率预测

分布式户用光伏发电系统的精确日前功率预测可为智能家庭优化运行提供依据,但历史数据量少和缺乏精确辐照预报数据的问题增大了预测难度.为此,将邻近多用户数据融合以扩充样本规模,提出一种考虑功率关联性和相关度权重的相似日搜索方法,并基于长短期记忆(LSTM)神经网络实现日前预测.分析光伏发电功率的影响因素及其内在相关性,基于天...     

基于相空间重构和随机配置网络的电力负荷短期预测

针对配电网负荷随时间空间变化的非线性特征导致短期负荷预测精度低和模型训练时间成本高的问题,设计了一种基于相空间重构(phase space reconstruction,PSR)和随机配置网络(stochastic configuration networks,SCN)的电力负荷短期预测模型.首先将配电网数据中与负荷相...     

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。