运用相似日和LSTM的短期负荷双向组合预测

为了提高短期电力负荷预测精度,提出了运用相似日选择与长短期记忆的短期负荷双向组合预测方法.首先,以关联度大小为标准,根据归一化后的待预测日气象因素序列确定数据集;然后,使用长短期记忆神经网络分别进行横向预测和纵向预测,利用最小方差法计算每一个采样点的横向、纵向预测值的权重,得出双向组合预测结果;最后,充分考虑气象因素对...     

基于约束并行LSTM分位数回归的短期电力负荷概率预测方法

负荷概率预测能准确量化负荷的不确定性,为电力系统运行决策提供全面的预测信息.针对负荷的时序性特点以及现有分位数回归方法存在的分位数预测值交叉问题,提出了一种基于约束并行长短期记忆神经网络分位数回归的短期电力负荷概率预测方法.该方法结合长短期记忆神经网络与分位数回归,并行生成预测负荷的多个分位数结果,并加入考虑分位数预测...     

基于FHNN相似日聚类自适应权重的短期电力负荷组合预测

提出一种有效的组合预测新模型进行电力负荷短期预测。不同预测模型在不同情况下的预测结果和精度有所变化,因此组合预测模型的权重应随着预测情景的变化而变化。文中将原始负荷数据分为训练集、验证集和测试集3类,并选择4种单一预测模型,即自回归滑动平均(ARMA)模型、广义自回归条件异方差(GARCH)模型、人工神经网络(ANN)和支持向量机(SVM)分别进行模型预测。对于需要预测的负荷,根据历史数据,将一年的数据先按照季度分类,再分别按照月、日、小时,利用模糊神经网络(FHNN)将其聚类。根据不同单一预测模型在不同情景下的误差计算出组合权重,从而获得组合预测模型。算例分析验证了所提出的组合预测模型的有效性和精确性。     

基于证据理论加权的电力负荷组合预测

为了提高电力负荷的预测准确度,提出了一种基于证据理论加权的电力负荷组合预测模型。首先分别采用自回归移动平均模型、灰色模型和BP神经网络对电力负荷进行预测,分别得到电力负荷的线性、周期性和非线性预测结果;然后采用证据理论确定自回归移动平均模型、灰色模型和BP神经网络的预测权值;最后进行加权得到电力负荷的预测结果,并将该模型应用于具体的电力负荷建模与预测中。实验结果表明,该模型可以描述各单一模型对电力负荷预测结果的贡献,更加准确地描述电力负荷的变化特点,预测准确度能够满足实际应用的要求。     

基于Dropout-ILSTM网络的短期电力负荷预测

针对传统BP神经网络难以处理电力负荷数据间关联的问题,提出了一种基于Dropout的改进的长短期记忆神经网络结构用于短期电力负荷预测。这种改进的长短期记忆神经网络(Improved LSTM,ILSTM),通过将长短期记忆网络的多个时间步输入与输出矢量进行全连接,增强了对目标系统中线性成分的表征;使用Dropout对ILSTM网络进行优化,提高了网络的泛化能力,同时减少了模型的训练时间;以日期、温度、电价和电力负荷数据作为输入构建了Dropout-ILSTM电力负荷预测模型。以AEMO提供的新南威尔士州电力负荷数据作为测试用例,实验结果表明,相较其它神经网络模型,文中所提出的Dropout-ILSTM模型预测精度更高、泛化能力更强,适用于不同预测宽度的电力负荷预测。     

基于互补集合经验模态分解和长短期记忆神经网络的短期电力负荷预测

随着电力行业的不断发展,负荷预测的重要性也不断彰显,作为负荷预测的重要组成部分,短期负荷预测对于电力系统的调度运行、市场交易都有着重要的意义,精确的负荷预测有助于提高发电设备的利用率和经济调度的有效性。由于影响负荷数据的随机因素太多且具有较强非线性的特点,提出一种基于互补集合经验模态分解和长短期记忆神经网络的短期电力负荷预测方法。通过对某市负荷数据进行仿真,将仿真结果与其他传统预测方法结果相对比,最终证明长短期记忆神经网络模型的误差更低,具有较高的预测精度。同时将互补集合经验模态分解下的长短期记忆神经网络方法与其他分解方法下的长短期记忆神经网络模型预测结果进行对比,验证互补集合经验模态分解方法对提升预测精度的有效性。     

基于CNN-LSTM神经网络的电网调度火电厂短期存煤预测

采用传统的回归拟合进行发电厂存煤量单变量单步预测已无法满足电网优化调度的需求,针对该问题,提出卷积神经网络(CNN)与长短期记忆(LSTM)神经网络相结合的CNN-LSTM神经网络预测模型,利用CNN良好的特征提取能力以及LSTM神经网络特殊的记忆预测功能实现对未来电厂存煤量的精准预测.为了使预测结果更符合实际存煤量,在已有预测结果的基础上进行进一步优化.实例验证结果表明,相较于传统差分自回归移动平均(ARIMA)模型和单一LSTM神经网络模型,所提模型取得的效果更好,且经过优化后的预测精度得到了进一步提高.     

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 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。     

遗传神经网络在电力系统短期负荷预测中的应用

为了克服传统BP神经网络中存在的一些缺陷,实现准确、快速预测电力系统负荷的目的,作者通过将遗传算法与神经网络结合,构造了一种遗传神经网络来进行电力系统短期负荷预测,方法的思路是：首先,利用遗传算法有指导地计算神经隐层节点数,从而确定一个较合理的神经网络结构;其次,由遗传算法从初始权值的解群中选取出一个优秀的初始权值,克服初始权值选取的盲目性;最后,将得到的神经网络结构和优秀的初始权值结合起来,利用改进的BP算法进行电力系统短期负荷预测,仿真计算表明该方法达到了提高预测精度和改善网络性能的要求。     

基于神经网络和模糊理论的短期负荷预测

电力系统负荷预测是能量管理系统(EMS)的重要组成部分,它对电力系统的运行、控制和计划都有着非常重要的影响,提高电力系统负荷预测的准确度既能增强电力系统运行的安全性,又能改善电力系统运行的经济性,但负荷预测的复杂性、不确定性使传统的基于解析模型和数值算法的模型难以获得精确的预测负荷。为提高电力系统短期负荷预测准确度,构建了一种新型的负荷预测模型。该模型首先采用多层前馈神经网络,以与预报点负荷相关性最大的几种因素作为输入因子,以改进BP算法作为预测算法,来获得预报日相似日负荷曲线;然后引入自适应模糊神经网络,用于预测预报日的最大、最小负荷;针对模糊神经元的权值更新问题,采用一种新的权值更新算法———一步搜索寻优法,在获得预报日相似日各点负荷和最大、最小负荷的基础上,通过纵向变换,对预报日的负荷修正,进一步减小预测误差。用上述模型和算法预测某地区电网的短期负荷,取得了良好的预测效果。     

考虑数据周期性及趋势性特征的长期电力负荷组合预测方法

为解决长期电力负荷预测精度不足及模型适用性不强等问题,考虑将区域经济发展、社会发展等多项宏观指标与区域用电负荷的时间序列数据进行因素耦合。利用BP神经网络与差分整合移动平均自回归方法(ARIMA)整合改进预测模型,提高年度负荷预测模型的趋势预测能力。采用函数型非参数方法预测月度负荷数据中周期性负荷数据,将年度负荷预测与月度负荷预测相结合以提高模型整体预测精度。最后通过灰色预测等模型数据比对及MAPE误差分析方法验证,考虑数据周期性与趋势性组合的模型方法预测精度显著提升,适用于区域电力负荷的长期性预测。     

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。     

电力系统短期负荷预测的高木-关野模型研究

电力系统短期负荷预测在电力系统的运行设计中有重要的意义，利用模糊神经网络的方法进行电力负荷预测是国际上近年来很热门的一个方向。本文在传统的BP神经网络基础上，提出了一种短期负荷预测的模糊神经网络模型一高木一关野模型，以某供电局2000年的负荷实测值建立模型，进行了负荷预测，与实际值进行比较分析表明，这一模型应用于短期负荷预测能获得较高的预测精度，具有一定的研究价值。     

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。     

Short Term Load Forecast Using Wavelet Neural Network

This paper presents a wavelet neural network (WNN) model combining wavelet transform and artificial neural networks for short term load forecast (STLF). Both historical load and temperature data having important impacts on load level were used in the proposed forecasting model. The model used the three-layer feed forward network trained by the error back-propagation algorithm. To enhance the forecasting accuracy by neural networks, wavelet multi-resolution analysis method was introduced to pre-process these data and reconstruct the predicted output. The proposed model has been evaluated with actual data of electricity load and temperature of Hunan Province. The simulation results show that the model is capable of providine a reasonable forecasting accuracy in STLF.