基于VMD-ARIMA-DBN的短期电力负荷预测

针对短期电力负荷预测精度不足的问题,提出一种基于变分模态分解、深度信念网络、差分自回归移动平均模型的组合预测模型。首先选取电力负荷影响较大的相关参数,采用变分模态分解将负荷数据分解为低频和高频两种分量;然后利用差分自回归移动平均模型和深度信念网络分别对低频和高频两种分量进行预测,为克服深度信念网络参数随机化的缺陷,采用粒子群优化算法优化模型以进一步提高精度;最后组合各模型结果得到最终预测值。实验结果表明,该组合模型较其他模型具有更好的预测性能。     

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SARIMA-GRNN-SVM的短期商业电力负荷组合预测方法

针对短期商业电力负荷预测准确性与周期难以满足现有电力现货市场的问题,提出了一种基于SARIMAGRNN-SVM(seasonal autoregressive integrated moving average-generalized regression neural network-support vector machine)的商业电力负荷组合预测模型。首先,对商业电力负荷变化的周期规律与随机因素的复杂影响进行了分析;然后,结合以上分析,选用SARIMA和GRNN为单一预测模型对商业电力负荷进行预测,并利用SVM进行组合,实现日前商业电力负荷预测;最后,通过某商业综合体的电力负荷数据进行验证。所提组合预测模型较单一预测模型拥有更优的预测精度与鲁棒性,可以为短期商业电力负荷预测提供借鉴。     

基于MA-LSTM的短期负荷预测方法

精准的预测电力系统短期负荷对电力系统智能化和可靠运行有重要意义。为了提高负荷预测的精度,采用了一种基于蜉蝣优化算法和长短期记忆神经网络的短期负荷预测方法。将影响负荷的温度、日期类型、湿度作为输入特征;对长短期记忆神经网络中的参数使用蜉蝣算法不断地优化以确定最优参数;最后建立MA-LSTM模型对短期负荷进行预测。算例结果表明,和BP、LSTM、PSO-LSTM及SSA-LSTM方法相比,所提方法具有更高的预测精度,为电网安全稳定运行提供了有力保障。     

基于LSTNet模型的配电台区短期电力负荷预测研究

短期电力负荷预测作为电力系统运行规划的重要依据,对电力系统的安全经济运行有重要意义。提出一种长期和短期时间序列网络（LSTNet）模型对配电台区的短期负荷变化进行预测。该模型用卷积神经网络（CNN）提取负荷数据间的局部依赖关系,用长短时记忆（LSTM）神经网络提取负荷数据长期变化趋势,再融合传统自回归模型解决神经网络对负荷数据极端值的不敏感问题,最后将某一配电台区的电力负荷数据用于网络的训练和预测过程中。通过仿真实验案例发现,相较于以往LSTM、双向长短时记忆神经网络（Bi-LSTM）和CNN-LSTM的预测模型,LSTNet模型在短期负荷预测方面更具优势、预测精度更高。     

基于超参数优化的短期电力负荷预测模型

准确预测短期电力负荷在精细化电网规划、减少发电成本和提高用电质量等方面具有重要作用。为了大幅度的提高短期电力负荷预测的准确性,采用改进粒子群算法(IPSO)优化长短期记忆网络(LSTM),构建了一种新的电力负荷预测模型(IPSO-LSTM)。该模型采用能有效寻找全局最优解的IPSO,解决了LSTM预测电力负荷时超参数难以选取的问题。考虑到粒子群算法(PSO)中惯性权重和学习因子是固定不变的,这容易导致粒子群在前期掉入局部最优而错过全局最优,模型将惯性权重和学习因子由固定值改为非线性变化,以平衡其全局搜索能力和局部寻优能力。通过实际案例数据进行仿真分析,并与粒子群优化的长短期记忆网络(PSO-LSTM)、LSTM以及反向传播(back propagation, BP)神经网络算法的预测结果进行对比,验证了方法的预测效果更佳。实验表明,所提电力负荷预测模型具有较好的精度和稳定性。     

短期电力负荷的智能预测方法研究

为了提高电力系统短期负荷预测的精度,提出将基于模拟退火思想的改进粒子群优化（SAPSO）算法和误差反向传播（BP）算法相结合构成SAPSO—BP混合算法用于训练人工神经网络,对短期电力负荷进行预测。经实际算例验证,该混合算法能有效克服常规BP和PSO算法独立训练神经网络的缺陷,其收敛速度快于BP及PSO—BP算法,并且具有较高的短期电力负荷预测精度。     

基于EMD-IPSO-LSTM模型的短期电力负荷预测

准确地预测短期负荷为发电厂电力调度提供依据,提高电力系统的经济性。由于负荷数据的非线性非平稳性,提出一种经验模态分解-改进粒子群算法-长短期记忆(EMD-IPSO-LSTM)的预测模型。首先,利用EMD处理非线性的负荷序列,将序列分解为多个本征模态函数(IMF)以及残差(Res),引入非线性递减分配方法和正弦函数分别改进粒子群算法(PSO)的惯性权重和学习因子,可以更有效地寻找LSTM参数的最优解。其次,利用IPSO优化LSTM的第1层神经元个数、损失率、以及批量大小等参数,将所有IMF和Res分为高、中,低频三组分量,并代入优化后的LSTM网络进行预测,叠加获取最终的预测结果。最后,以GEFCom2014预测竞赛电力负荷数据集进行仿真实验,并且对LSTM、IPSO-LSTM、EMD-PSO-LSTM这3种模型作比较,结果表明所提的预测模型具有较高的预测精度。     

基于DBO-VMD和IWOA-BILSTM神经网络组合模型的短期电力负荷预测

新能源在现代电力系统中占比不断提高,其负荷不规律性、波动性远大于传统电力系统,这就导致负荷预测精度不高。针对这个问题,提出了蜣螂优化(dung beetle optimizer, DBO)算法优化变分模态分解(variational mode decomposition, VMD)与改进鲸鱼优化算法优化双向长短期记忆(improved whale optimization algorithm-bidirectional long short-term memory, IWOA-BILSTM)神经网络相结合的短期负荷预测模型。首先利用DBO优化VMD,分解时间序列数据,并根据最小包络熵对各种特征数据进行分类,增强了分解效果。通过对原始数据进行有效分解,降低了数据的波动性。然后使用非线性收敛因子、自适应权重策略与随机差分法变异策略增强鲸鱼优化算法的局部及全局搜索能力得到改进鲸鱼优化算法(improved whale optimization algorithm, IWOA),并用于优化双向长短期记忆(bidirectional long short-term memory, BILSTM)神经网络,增加了模型预测的精确度。最后将所提方法应用于某地真实的负荷数据,得到最终相对均方根误差、平均绝对误差和平均绝对百分比误差分别为0.0084、48.09、0.66%,证明了提出的模型对于短期负荷预测的有效性。     

多时序协同中期负荷预测模型

针对负荷预测中前馈神经网络无法记忆序列间关联信息,且长短期记忆网络容易出现过拟合、泛化能力差等问题,提出了加法自回归积分滑动平均ARIMA(auto-regressive integrated moving average)模型结合长短期记忆LSTM(long short-term memory)网络的多时序协同中期负荷预测ARIMA-LSTM模型。该模型考虑了季节、温度和节假日的影响,采用ARIMA提取负荷序列内部因素,用Adam算法优化ARIMA-LSTM模型的网络参数。最后将某地区实际负荷数据用于该模型,并与神经网络NN(neural network)模型和LSTM进行对比,其均方根误差分别降低了7.698%和2.154%,验证了该模型具有更高的预测精度。     

基于累积式自回归动平均传递函数模型的短期负荷预测

针对短期负荷预测,提出了累积式自回归动平均(auto-regressive integrated moving average,ARIMA)传递函数模型的简化建模方法。传递函数模型考虑了干扰因素对因变量的作用,体现了干扰因素中变量间相互影响的关系。其构造灵活,可用较少的参数建立阶数较高的模型;并且假定值较少,容易得到满足。该文还将温度因素考虑在内,通过算例将传递函数模型和ARIMA模型的预测结果与实际值进行了比较,结果表明采用传递函数改进后的ARIMA模型预测精度提高,预测误差减小,具有较强的实用性。     

采用长短期记忆深度学习模型的工业负荷短期预测方法

工业负荷不同于其他电力负荷, 受气温、时间、人口等外部因素的影响较小, 其功率需求主要由相关企业的生产计划来决定。在电力市场环境下, 准确的负荷预测有助于工业用户更好地制定电力交易策略, 从而增加收益。在此背景下, 基于改进的长短期记忆（long short term memory, LSTM）深度学习网络模型, 提出了一种工业负荷短期预测算法。首先,在网络层次上构建层数更多即网络层次更深的LSTM深度学习负荷预测模型。接着, 在每个LSTM单元构成的隐含层中, 采用Dropout技术对神经元进行随机概率失活, 并通过正则化有效避免深度学习过拟合问题并改善了模型性能。然后, 采用真实的工业用户历史负荷数据对所提算法进行测试, 并与已有的短期负荷预测算法进行对比, 包括自回归滑动平均模型 （auto-regressive and moving average model, ARMA）, 最邻近回归算法 （K nearest neighbor regression, KNN） 以及支持向量回归算法 （support vector regression, SVR）。仿真结果表明, 所提深度学习工业负荷短期预测算法相比于一些现有方法, 其预测准确度有明显提升,预测结果的平均绝对百分误差（mean absolute percentage error, MAPE）在9%以下。     

基于小波分解的电力系统短期负荷预测方法研究

为提高预测精度,提出一种基于负荷分解的电力系统短期负荷预测方法。即将负荷分成周期性不同的几部分,对分解后的各负荷序列通过相匹配的神经网络方法进行预测,并考虑温度因素的影响,采用线性回归模型对神经网络预测结果修正得到最终预测结果,预测结果与实际数据对比得出,预测方法更具准确性。     

基于组合预测模型的长沙市长期负荷预测

在长沙经济发展预测的基础上，采用回归分析法、趋势外推法、灰色预测方法和弹性系数法等多种方法预测长沙城区2005-2020年的负荷需求，并结合这些方法，提出了基于误差权重因子的多种方法组合预测的思路，对长沙市的长期负荷需求进行了优化组合预测．对预测结果的分析表明，该预测方法是合理、有效的．     

基于粒子群模糊神经网络的短期电力负荷预测

为了从根本上提高短期电力负荷预测中神经网络的速度和预测精度,提出了将粒子群算法和BP算法相结合的短期负荷预测方法。用粒子群算法来训练网络参数,直到误差趋于一稳定值,然后用优化的权值进行BP算法,实现短期负荷预测。在构建网络模型时,考虑了气候、温度等因素的影响,并把它们进行模糊化处理后作为网络的输入。仿真结果表明基于这一方法的负荷预测系统具有较高的精度和实时性。     

基于累积式自回归动平均法和反向传播神经网络的短期负荷预测模型

针对电力系统短期负荷的特点建立了将累积式自回归动平均法(autoregressive integrated moving average,ARIMA)和采用反向传播算法(back propagation,BP)的神经网络法相结合的短期负荷预测模型。该模型利用ARIMA方法对线性时间序列逼近能力强的特点首先对预测日负荷进行预测,然后应用BP神经网络方法对预测结果进行修正,因此克服了单一算法存在的不足。应用该模型对某地区电网进行负荷预测,结果表明该方法的预测效果较好     

基于周期自回归模型的短期负荷预测

通常，周期自回归（ＰＡＲ）模型适于处理短周期时间序列。故进行电力系统短期负荷预测时，由于周期长度大，阶数高，待估计的参数剧增，难以实现。本文在一定的假设条件下，建立了短期负荷的周期自回归预测模型，提出了相应的算法，并编制了计算分析程序。对一实际系统的负荷预测表明，本文的模型和算法具有很高的预测速度和良好的预测精度。