基于改进迁移学习和多尺度CNN-BiLSTM-Attention的短期电力负荷预测方法

针对目标域负荷数据样本不足导致模型训练不充分从而预测精度不高的问题,提出一种改进的分层级迁移学习策略结合多尺度CNN-BiLSTM-Attention模型的短期电力负荷预测方法。设计串并行相叠加的多尺度CNN作为特征提取器,把提取到的特征作为输入传递到两层BiLSTM结构进行进一步的学习,引入注意力机制调节捕获的信息向量权重。按照基础模型的结构划分层级,将源域数据按照拟合优度值的高低输入至模型进行分层级的迁移学习训练,保留每一层最优的训练权重,之后使用目标域数据对模型进行微调得到最终的预测模型。经实验证明,所提出的多尺度CNN-BiLSTM-Attention模型能有效提高负荷预测精度,在负荷数据样本不足时,改进的分层迁移学习策略相比于直接迁移学习能有效降低预测误差。以目标域6个月数据为例,MAPE指标降低13.31%,MAE指标降低15.16%,RMSE指标降低14.37%。     

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。     

集成机器学习预测算法的短期负荷预测

为了提供与电力负荷相匹配的稳定高效的能源，减少电能因难以储存而造成的浪费，提出一种基于注意力机制、一维卷积神经网络和长短期记忆网络并行结合的负荷预测模型。首先，对山西省某市的负荷特征数据预处理；然后将数据并行输入到模型中进行训练，对模型优化进而获得更准确的短期预测能力；最后将所提模型与其他预测模型在不同的时间步长下进行预测对比。结果表明，所提方法在预测中具有更高的准确率和一定的普适性。     

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。     

基于聚类经验模态分解的CNN-LSTM超短期电力负荷预测

为了减少复杂环境因素对电力负荷超短期预测效果的影响,提高算法的预测精度和运算效率,该文提出一种基于聚类经验模态分解(clusterempiricalmodedecomposition,CEMD)的卷积神经网络和长短期记忆网络(convolutional neural network and long short term memory network,CNNLSTM)混合预测算法。该算法首先通过经验模态分解法将负荷数据分解为平稳性好、规律性强的若干本征模态函数(intrinsic mode functions,IMF)和残差(residual,Res)。其次为了简化后续模型的计算体量,运用k均值聚类方法对分解所得的各分量进行分组集成,同时分析不同聚类数对应的预测效果,选取最优聚类标签构造神经网络输入数据。之后将各组数据分别输入到CNN-LSTM混合神经网络中,利用CNN挖掘数据间的特征形成特征向量,并将其输入到LSTM中进行预测。最后将所有预测结果进行线性相加得到完整预测负荷。通过在真实负荷上进行验证并与现有模型进行比较,所提方法具有更高的预测精度。     

基于CNN-SAEDN-Res的短期电力负荷预测方法

基于深度学习的序列模型难以处理混有非时序因素的负荷数据,这导致预测精度不足。提出一种基于卷积神经网络(CNN)、自注意力编码解码网络(SAEDN)和残差优化(Res)的短期电力负荷预测方法。特征提取模块由二维卷积神经网络组成,用于挖掘数据间的局部相关性,获取高维特征。初始负荷预测模块由自注意力编码解码网络和前馈神经网络构成,利用自注意力机制对高维特征进行自注意力编码,获取数据间的全局相关性,从而模型能根据数据间的耦合关系保留混有非时序因素数据中的重要信息,通过解码模块进行自注意力解码,并利用前馈神经网络回归初始负荷。引入残差机制构建负荷优化模块,生成负荷残差,优化初始负荷。算例结果表明,所提方法在预测精度和预测稳定性方面具有优势。     

用于超短期风电预测的混合深度学习模型

为提高风功率预测的准确性,本文提出了一种基于注意力机制的CNN-LSTM风功率预测模型。首先进行数据预处理,采用最小二乘法k阶曲线对输入数据进行平滑处理,并对平滑化后的数据归一化;其次,利用卷积神经网络对输入数据特征提取;然后,在传统长短期记忆网络模型中融入注意力机制,进一步从大量信息中提取有用信息,提高模型预测精度。最后,以甘肃省某风电场实测数据为依据进行仿真分析,验证所设计模型的优越性。仿真结果表明,文中模型可以有效降低风功率预测误差。     

基于注意力机制的CNN-BiLSTM日前电价预测

日前电价预测结果的准确性对于存在多元化竞争格局的电力市场具有重要意义,因此提出一种基于注意力机制的CNN-BiLSTM日前电价预测模型。该模型考虑诸多因素对日前电价预测的影响,采用皮尔逊系数进行相关性分析,得到各因素对日前电价预测的影响;利用卷积神经网络提取历史电价序列中的特征;将提取的特征信息输入双向长短期记忆网络,充分挖掘特性的变化规律进行训练;然后引入注意力机制来突出重要信息的影响并赋予权重;最后在全连接层通过激活函数加权求和计算出最终预测值。通过实例验证了该模型的准确性,其中RMSE、MAPE、MAE分别减少了33.07%、28.39%、27.08%。     

基于CNN-BiLSTM的短期电力负荷预测

短期电力负荷预测能准确评估地区整体电力负荷变化情况,为电力系统运行决策提供准确参考。电力负荷参数受多维因素影响,为充分挖掘电力负荷数据中的时序特征,提升电力负荷预测精度,该文提出一种基于特征筛选的卷积神经网络—双向长短期记忆网络组合模型的短期电力负荷预测方法。以真实电力负荷数据作为数据集,通过对多维输入参数的优化筛选,选取高相关性特征向量作为输入,构建预测模型。通过与添加注意力机制的组合模型对比验证了输入参数优化分析的可行性和优越性。最后利用实际算例将该方法与利用自动化模型构建工具构建的梯度增强基线模型及常用预测模型相比,该方法构建的组合模型可以提升多维电力负荷数据的短期预测精度。     

基于EEMD-LSSVM的超短期负荷预测

针对传统的最小二乘支持向量机(LSSVM)参数不易确定且单一预测模型精度不高的问题,提出了一种基于集合经验模态分解(EEMD)与LSSVM的组合预测模型。首先利用EEMD将历史数据分解成一系列相对比较平稳的分量序列,再对各子序列分别建立合适的预测模型。进一步通过贝叶斯证据框架来优化LSSVM的参数,用贝叶斯推理确定模型参数、正规化超参数和核参数。然后将各子序列预测结果进行叠加得到最终预测值。最后,将该预测模型用于某一家庭超短期负荷预测中,仿真结果表明,该模型取得了比单一模型更好的预测效果。     

基于柔性负荷响应特性的超短期预测方法

在自动需求响应系统(ADRS)中,当大量的用电负荷数据被自动实时采集时,受节假日、天气、温度等因素的影响,用户侧负荷用电特性会随着响应策略的变化而发生变化。传统负荷预测方法的预测精度也将会被降低,不再满足ADRS要求。针对这一问题,基于柔性负荷的响应特性,将"预测-调度-响应"各环节视为一个闭环控制系统,把自动响应(AD)信号作为一个输入变量引入系统。基于丰富的负荷用电数据,采用"黑匣子"思想建立了闭环超短期负荷预测模型,并用仿真结果验证了模型的有效性。结果表明,该模型与传统预测模型相比,预测精度明显提高。     

基于改进的PSO-SVM的短期电力负荷预测

提出一种基于PSO-SVM电力负荷短期预测方法,在SVM学习过程中引入粒子群算法。通过选取组合核函数来改进SVM算法,这样可以充分保证计算速度和较高的预测精度。利用吉林地区的历史负荷数据作为训练样本,通过与传统的SVM预测模型进行对比,对预测结果与实际数据进行比较,证明基于组合核函数预测方法在一定程度上能够保证短期负荷预测的精度。     

基于平均负荷法预测电力电量

针对目前国内有关电力市场负荷预测方法存在的问题．积极探索某一特有电网的运行规律．提出了在现有条件下通过平均负荷法预测用电量和最大负荷,并将其与数学模型函数预测法相比较,得出其具有采集数据方便、预测准确程度高、耗费时间少等特点。     

基于模糊层次分析法的电力负荷组合预测

针对电力负荷预测特点和人判断所特有的模糊性,为提高负荷预测精度,提出了基于模糊层次分析法的电力负荷组合预测模型.此模型引入三角模糊数的一些基本理论,采用三角模糊数表征专家判断信息以充分考虑专家判断的模糊性,采用层次分析法对专家判断结果进行处理以得到方案层各方案的最优权重.该电力负荷预测层次分析模型综合考虑了影响电力负荷的多种不确定因素.实际算例表明,所述方法在综合不同模型预测结果的过程中考虑了专家经验,能有效提高负荷预测的精度.     

基于反向Haar小波变换的电力系统负荷预测

根据电力系统负荷的特点,提出了基于反向Haar小波变换的电力系统负荷预测.介绍了反向Haar小波变换的数学模型,叙述了基于反向Haar小波变换的电力系统负荷预测的方法,通过实例计算并与其它方法的比较,说明反向Haar小波算法既充分利用了小波变换的优点,又克服了某些传统算法在电力系统负荷预测中的不足,该方法简单、可靠,便于形成实时软件,对提高电力系统电网规划水平具有重要意义.     

基于自适应时序表征和多级注意力的超短期风电功率预测

针对风电功率数据包含的多尺度时间信息难以描述、现有方法未充分考虑气象因素对于风电功率动态耦合的影响而导致的预测性能下降等问题,提出了一种基于自适应时序表征和多级注意力的超短期风电功率预测方法。采用时序嵌入层对风电功率序列进行表征以获取其周期、非周期模式,并引入自注意力捕捉高维风电功率序列的自相关性;利用交叉注意力重构风电功率与气象因素,形成包含两者耦合关系的多维特征序列;利用一维卷积神经网络沿时间、特征方向分别挖掘多维特征序列的时间相关性和空间相关性,进而利用长短期记忆网络提取相应的时序特征,并将所得时序特征经全局注意力去噪和门控机制融合后输入全连接层,分别进行点预测和区间预测。实验结果表明,所提方法能够获得准确的点预测值和可靠的预测区间。     

基于改进Autoformer模型的短期电力负荷预测

针对短期电力负荷预测因受天气、温度、节假日等多重不确定性因素影响而造成精度低的问题,提出一种基于改进Autoformer模型的短期电力负荷预测模型。改变序列分解预处理的惯例,设计深度模型的内部分解模块,该模块提取模型中隐藏状态的内在复杂时序趋势,使得模型具有复杂时间序列的渐进分解能力;提出Nystrom自注意力机制,该机制利用Nystrom方法来逼近标准的自注意力机制。某地电力负荷预测实验结果表明,所提模型比基于标准Autoformer模型的短期电力负荷预测模型的时间复杂度更低,准确率更高。