基于Attention-BiLSTM-LSTM神经网络的短期电力负荷预测方法

短期电力负荷预测是电力系统中的重要问题之一,准确的预测结果可以提高电力市场的灵活性和资源利用效率,对电力系统高效运行具有重要意义.为了提高预测精度,针对电网负荷数据的时序性特征,提出一种基于Attention-BiLSTM-LSTM神经网络的短期电力负荷预测方法.该方法首先针对电力负荷的影响因素(温度、节假日等)提取特征,并使用双向长短期记忆(BiLSTM)神经网络层进行双向时序的特征学习;将双向时序特征作为长短期记忆(LSTM)神经网络层的输入,用LSTM神经网络建模学习时序数据的内部变化规律;使用attention机制计算LSTM隐层状态的不同权重,以对隐层状态进行选择性地关注;结合注意力权重和LSTM神经网络进行负荷预测,最后使用全连接层输出负荷预测结果.使用EUNIT电力负荷数据集进行实验,采用提前单点预测模式,该方法的平均绝对百分比误差(MAPE)达到1.66％,均方根误差(RMSE)达到814.85.通过与单LSTM网络、基于attention机制的LSTM网络(Attention-LSTM)、前馈神经网络(FFNN)、卷积神经网络联合长短期记忆神经网络(CNN-LSTM)等4种典型的负荷预测模型结果对比,验证了Attention-BiLSTM-LSTM神经网络方法更加准确有效.     

基于VMD-GRU的电力短期负荷预测方法

针对电力短期负荷的非平稳性影响预测精度的问题,文中提出一种基于变分模态分解(VMD)和门控循环单元(GRU)的电力短期负荷预测方法。首先,利用VMD对电力负荷数据进行分解,得到一组比原始负荷数据更具有规律性的模态分量;然后,采用GRU网络学习每一模态分量动态变化特征,并对该分量进行预测;最后,将每一分量的预测结果叠加,得到最终的预测结果。采用LSTM、GRU、EMD-LSTM、EMD-GRU、VMD-LSTM、VMD-GRU预测模型进行对比实验,得出VMD-GRU模型的平均绝对百分误差仅为2.081%。实验结果表明,所提的基于VMD-GRU的方法可以有效地提升电力短期负荷预测精度。     

基于LSTM的时间特征短期电力负荷预测方法研究

新能源发展的规模越来越大，电力系统的需求也越来越大，准确的电力负荷预测有助于电力调度、能源规划。对此，提出基于LSTM的短期电力负荷预测多种方法。其中包括LSTM模型、CNN＿LSTM模型、Attention＿LSTM模型、CNN＿Attention＿LSTM模型。选择的数据集来自于马来西亚柔佛州供电公司提供的小时用电负荷数据。为了提高准确率，还加入了时间特征、温度、湿度等多维度去考虑对负荷预测的影响。实验结果显示，平均绝对百分比误差、平均百分比误差等评价指标均优于传统方法。     

强化数据预处理的BLSTNet-CBAM短期电力负荷预测

针对负荷数据复杂性、非平稳性以及负荷预测误差较大等问题,提出一种综合特征构建和模型优化的短期电力负荷预测新方法.首先采用最大信息系数(MIC)分析特征变量的相关性,选取与电力负荷序列相关的特征变量,同时,考虑变分模态分解(VMD)方法容易受主观因素的影响,采用霜冰优化算法(RIME)优化VMD,完成原始电力负荷序列的分解.然后改进长短期时间序列网络(LSTNet)作为预测模型,将其递归层LSTM更新为BiLSTM,并引入卷积块注意力机制(CBAM)进行预测.通过对比实验和消融实验的结果表明:经RIME-VMD优化后,LSTM、GRU、LSTNet模型预测的均方根误差(RMSE)均降低20%以上,显著提高模型预测精度,且能够适应于不同预测模型.所提出的BLSTNet-CBAM模型与LSTM、GRU、LSTNet相比, RMSE分别降低了35.54%、6.78%、1.46%,提高了短期电力负荷预测的准确性.     

基于多尺度跳跃深度长短期记忆网络的短期多变量负荷预测

近年来,以循环神经网络（RNN）为主体构建的预测模型在短期电力负荷预测中取得了优越的性能。然而,由于RNN不能有效捕捉存在于短期电力负荷数据的多尺度时序特征,因而难以进一步提升负荷预测精度。为了捕获短期电力负荷数据中的多尺度时序特征,提出了一种基于多尺度跳跃深度长短期记忆（MSD-LSTM）网络的短期电力负荷预测模型。具体来说,以长短期记忆（LSTM）网络为主体构建预测模型能够较好地捕获长短期时序依赖,从而缓解时序过长时重要信息容易丢失的问题。进一步地,采用多层LSTM架构并且对各层设置不同的跳跃连接数,使得MSD-LSTM的每一层能够捕获不同时间尺度的特征。最后,引入全连接层把各层提取到的多尺度时序特征进行融合,再利用该融合特征进行短期电力负荷预测。实验结果表明,与单层LSTM和多层LSTM相比,MSD-LSTM的均方误差总体下降了10%。可见MSD-LSTM能够更好地提取短期负荷数据中的多尺度时序特征,从而提高短期电力负荷预测的精度。     

基于极限学习机的市场需求侧短期电力负荷预测方法

为了优化市场需求侧短期电力负荷预测效果,减小负荷预测偏差,引入极限学习机,开展基于极限学习机的市场需求侧短期电力负荷预测方法研究。从缺失电力负荷数据补充、异常电力负荷数据识别与修正两个维度,对市场需求侧短期电力负荷数据进行预处理。在此基础上,建立基于极限学习机的负荷预测模型,预测市场需求侧短期电力负荷数据的动态变化。实验分析结果表明,应用文章提出的方法,短期电力负荷数据集的预测平均绝对百分比误差始终小于对照组,均未超过1%,预测精度较高。     

自适应变系数粒子群—径向基神经网络模型在负荷预测中的应用

为了提高短期电力负荷预测精度,提出了一种自适应变系数粒子群-径向基函数神经网络混合优化算法(AVCPSO-RBF).实现了径向基神经网络参数优化.建立了基于该优化算法的短期负荷预测模型,利用贵州电网历史数据进行短期负荷预测.仿真表明,该方法的收敛速度和预测精度优于传统径向基神经网络方法和粒子群-RBF神经网络方法及基于混沌理论的神经网络模型,该优化算法克服了径向基神经网络和传统的粒子群优化方法的缺点,改善了径向基神经网络的泛化能力,提高了贵州电网短期负荷预测的精度,各日预测负荷的平均百分比误差可控制在1.7%以内.该算法可有效用于电力系统的短期负荷预测.     

短期负荷预测方法综述

电力系统为电力用户提供可靠、优质、经济、环保电能的前提条件是能对电力负荷进行精确的预测。电网中的调度部门要根据短期负荷的预测结果来安排发电和供电计划,从而优化资源配置,提高经济效益。因此,短期负荷预测具有重大意义。为了提高负荷预测的准确性,较为全面的综述了短期负荷预测方法的研究状况。首先简述了短期负荷预测的意义、特点以及影响因素,综合叙述了短期负荷预测方法的历史发展。然后分别从数据预处理和组合预测两个方面总结了各个方法的研究现状和存在的问题。最后指出了当前短期负荷预测研究的主要问题以及下一步可能的研究方向。 得出的结论是对历史数据进行预处理后结合时下流行的机器学习算法能提高电力系统短期负荷预测的精度。     

基于尖峰消除及小波平滑的新型电力负荷数据清洗策略的研究

短期功率负荷预测是对电力系统进行优化调度的重要参考依据。但是在实际电力负荷预测中,取得的数据会存在大量的噪声以及错误记录,若直接使用这些数据进行模型训练会大大降低预测精度。因此对原始数据进行适当的清洗操作对提高数据的可用性、提高预测精度显得十分重要。研究提出了基于尖峰消除及小波平滑的电力负荷数据清洗策略,可以显著提高电力负荷数据的水平平滑性和垂直平滑性。使用实际负荷数据的SVM及NNet预测结果表明,使用该清洗策略后的预测精度相比于使用前有明显提高。     

基于单步预测LSTM的短期负荷预测模型北大核心

针对目前智能电网下负荷数据存在特征相关性低与序列非平稳性的特点,为达到提高短期负荷预测精度的目的,提出一种单步负荷预测的双层LSTM模型的方法,除了考虑的地理区域的天气数据外,还使用负荷的时间序列。首先采用最大信息系数(MIC)对多源异构特征进行提取,随后使用随机森林和递归特征消除(RFE)用于特征选择,将对异常值敏感、鲁棒性好的Robust标准化方法应用于所选特征的预处理中,最后由单步预测的双层LSTM模型预测结果。文章所搭建的负荷预测模型具有数据强相关性特征、预测精度高的优点。依据数据实验结果,取得了1.38%的MAPE值。并且与其它预测模型相比,基于单步预测LSTM的短期负荷预测方法的预测精度提高效果明显。     

二次指数平滑多目标组合模型电力负荷预测

为提高短期电力负荷预测精度,提出一种二次指数平滑多目标组合模型ES-BiLSTM-LSTM预测方法。通过获取负荷目标预测值和残差目标预测值,实现多目标负荷预测;利用Pearson相关系数,选取与电力负荷相关性较高的影响因素;采用双向长短期记忆神经网络(BiLSTM)和长短期记忆神经网络(LSTM)串行学习负荷数据的时序性特征和周期性特征;利用二次指数平滑法平滑处理负荷数据,获得残差项,通过LSTM模型训练和迭代,提取残差数据的波动性特征;将负荷预测值与残差预测值融合得到修正预测值。实验结果表明,该方法在MAE、MSE和RMSE上,对比3种负荷预测模型均有提升。     

基于GA和SVM的电力负荷预测方法研究

提出一种基于支持向量机(SVM)技术和遗传算法优化技术(GA)的电力系统短期负荷预测算法。以历史数据、气象因素和日历因素等作为输入,建立预测模型,对未来1个小时的电力负荷值进行预测。该模型采用结构风险最小化原则替代传统的经验风险最小化,以充分提炼出原始数据和其它数据的一些信息,并采用遗传算法对支持向量机中的参数进行优化来提高预测模型的预测能力和训练速度,并具有良好的泛化能力。实验表明,使用上述方法进行短期电力负荷预测,具有良好的有效性和可行性,与BP网络法预测的结果相比具有更好的精度和较强的鲁棒性。     

结合LSTM和自注意力机制的图卷积网络短期电力负荷预测

针对现有电力负荷预测模型建模工作量大、时空联合表征不足、预测精度低等问题,提出了一种结合长短期记忆（LSTM）网络和自注意力机制的图卷积网络（GCN）的短期电力负荷预测模型GCNLS-STLF。首先,利用LSTM和自注意力机制将原始多维时间序列数据转化为包含序列间关联关系的电力负荷图;然后,通过GCN、LSTM和图傅里叶变换（GFT）对电力负荷图进行特征提取;最后,使用全连接层对特征进行重构,并利用残差进行多次预测,以增强原始电力负荷数据的表达能力。在摩洛哥与巴拿马某电站的真实历史电力负荷数据上进行的短期电力负荷预测实验结果显示,与支持向量机（SVM）、LSTM、混合模型CNN-LSTM和基于注意力的CNN-LSTM(CNN-LSTM-attention)等预测模型相比,GCNLS-STLF在摩洛哥全部电力负荷测试集上的平均绝对百分比误差（MAPE）分别降低1.94、0.90、0.49和0.37个百分点;在巴拿马电力负荷测试集上的3月份MAPE分别降低1.39、0.94、0.38和0.29个百分点,6月份MAPE分别降低1.40、0.99、0.35和0.28个百分点。实验结果表明,GC...     

基于IPSO算法的短期电力负荷预测模型研究

为有效减小短期电力负荷预测的预测误差，提高预测精度、缩短预测时间，应用改进粒子群优化(IPSO)算法建立了1种短期电力负荷预测模型。通过水平方向和垂直方向的平滑修正，对历史数据的异常负荷点进行识别并修正。利用相同日期类型正常负荷，计算缺失数据填充值。采用模糊化处理，计算日期类型、温度、天气隶属度函数，对短期负荷变化因素进行量化处理。将历史数据的负荷值和量化值作为训练数据。为避免粒子群优化(PSO)算法陷入局部最优，采用IPSO算法找到全局最优解，建立了短期负荷预测模型，实现了短期电力负荷预测。试验结果表明，所设计模型预测结果在休息日和工作日的最大相对误差值、平均相对误差值分别为0.97%、0.53%和0.99%、0.65%,能够有效减小预测误差、提高预测精度、缩短预测时间。该研究为电力系统相关人员进行负荷预测提供了参考。     

基于RBF神经网络的短期负荷预测

短期电力负荷预测是电力系统运行调度中一项重要的内容,传统的电力负荷预测方法都是建立在线性假设基础之上,由于预测精度低,难以满足现在电力部门的要求。人工神经网络己被应用在电力负荷预测中,并取得了较为理想的结果。主要基于神经网络的负荷预测模型,通过MATLAB仿真实验平台,构建RBF神经网络模型,并用历史电力负荷数据进行训练,成功的进行了电力系统的短期负荷预测,预测结果误差较小,取得了令人满意的结果。     

基于QPSO-WNN和模糊理论的电力系统短期负荷预测方法

电力系统的短期负荷预测是电力系统管理的一项重要方法,准确的负荷预测可以保证用户得到安全、经济的供电.针对负荷预测方法的多样性,在小波神经网络用于负荷预测的基础上,提出基于量子粒子群优化算法( QPSO)优化神经网络权值,并运用模糊理论进行修正.某电网负荷的拟合数据表明QPSO优化算法训练的神经网络不仅收敛速度明显加快,而且其预报精度也比较高.     

基于优化决策树的短期电力负荷预测

电力负荷预测是一项重要和具有挑战性的工作.从寻求准确预测电力系统负荷的目的出发,提出了基于优化决策树的短期负荷预测新方法,有效地考虑了非负荷因素对短期负荷预测的影响.文中先将样本数据进行预处理,利用粗糙集理论对决策树的测试属性进行优化约简,然后建立了短期负荷预测的决策树模型.良好的实例分析效果说明,该方法可提高短期负荷预测的精度,具有实用性和优越性.     

基于深度学习的热负荷预测研究

针对目前热负荷预测存在数据复杂程度高、预测精度低的缺陷,提出了一种混合式短期热负荷预测模型。首先,考虑到原始数据的属性具有不同的比例和分布,提出了一种局部重缩放策略。其次,提出了双层长短期记忆(LSTM)基础模型,并基于修正损失函数提高模型预测精度,从而有效学习历史天气预报和热负荷数据特征。在试验阶段,以某省电力公司提供的历史热负荷数据为例,对所提模型进行验证。验证结果表明,模型的测试集平均绝对百分比误差(MAPE)为3.08%,性能较基础网络提升约1.72%。仿真结果进一步验证了所提模型对热负荷预测具有较高的准确性。该模型为电力热负荷智能化服务发展提供了借鉴。     

基于VMD-CNN-LSTM的农业大棚园区用电负荷短期预测

针对农业大棚用电负荷受农村供电能力、气象因素等的影响,具有强波动性和高非线性的问题,综合大棚短期负荷的气象特征和时序特征,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)网络与卷积神经网络(convolutional neural network, CNN)相融合的VMD-CNN-LSTM的短期负荷预测模型架构。首先,基于VMD方法分解负荷序列,降低负荷波动性;其次,采用CNN方法提取负荷的气象特征,采用LSTM方法提取负荷时序特征,进行负荷分量预测,并将模态分量的预测结果重构;最后,以山东省寿光市农业大棚负荷数据为基础开展仿真实验。结果表明,VMD-CNN-LSTM模型与传统神经网络模型相比,可有效提高农业大棚短期负荷预测的精度。     

基于CNN-LSTM的短期风电功率预测

短期风电功率预测对电力系统的安全稳定运行和能源的优化配置具有重要意义。鉴于卷积神经网络(CNN)高效的数据特征提取能力,以及长短期记忆网络(LSTM)描述时间序列长期依赖关系的能力。为了提高短期风电功率预测的精度,设计了一种基于CNN和LSTM的风电功率预测模型。该模型利用卷积神经网络对风电功率、风速、风向数据进行多层卷积和池化堆叠计算,提取风电功率相关数据的特征图谱。为了描述风电功率序列的时序依从关系,将图谱特征信息作为长短期记忆网络的输入信息,计算得到风电功率的预测结果。采用西班牙某风电场的实测数据进行模型预测精度验证。结果表明,该模型较LSTM、Elman模型具有更好的预测性能。