并行多模型融合的混合神经网络超短期负荷预测

针对输入数据特征多时负荷预测模型精度提升难的问题,文章提出一种并行多模型融合的混合神经网络超短期负荷预测方法。将卷积神经网络(convolutional neural network,CNN)与门控循环单元神经网络(gated recurrent unit neural network,GRU-NN)并行,分别提取局部特征与时序特征,将2个网络结构的输出拼接并输入深度神经网络(deep neural network,DNN),由DNN进行超短期负荷预测。最后应用负荷与温度数据进行预测实验,结果表明相比于GRU-NN网络结构、长短期记忆(long short term memory,LSTM)网络结构、串行CNN-LSTM网络结构与串行CNN-GRU网络结构,所提方法具有更好的预测性能。     

基于ARMA-GABP组合模型的电网大停电事故损失负荷预测

损失负荷作为衡量大停电事故风险的重要指标,如何对其进行准确预测对于电网的安全运行具有十分重要的参考意义。选取1981—2016年东北电网和西北电网的大停电事故损失负荷作为实验数据进行分析,为消除电网发展对数据分析产生的影响,采用相对值法对电网大停电事故损失负荷进行处理。根据实验数据的特点,将损失负荷相对值的数据结构分解为线性和非线性残差部分,建立自回归滑动平均(ARMA)模型和遗传算法(GA)优化的误差反向传播(BP)神经网络组合模型,对东北电网大停电事故进行综合分析与预测。将所提模型的预测结果与单一模型和ARMA-BP模型的预测结果相对比,结果表明,所提模型的预测精度更高,预测效果较为理想。为进一步验证该预测模型的有效性,将西北电网大停电事故数据代入预测模型,实验结果表明该预测模型在电网大停电事故损失负荷方面具有良好的预测效果。     

一种采用记忆神经网络和曲线形状修正的负荷预测方法

针对分布式电源和新型负荷的容量累积造成负荷影响因素多元化和不确定性特性增强的问题，提出一种采用记忆神经网络和曲线形状修正的负荷预测方法。在负荷峰值预测中，采用最大信息系数计算负荷峰值与影响因素的非线性相关性，实现对输入特征的筛选；综合考虑负荷峰值序列的长短期自相关性和输入特征与负荷峰值的不同程度相关性，结合Attention机制和双向长短时记忆神经网络（Bidirectional long short-term memory, BiLSTM）建立负荷峰值预测模型。在负荷标幺曲线预测中，通过误差倒数法组合相似日和相邻日建立负荷标幺曲线预测模型；针对预测偏差的非平稳特征，利用自适应噪声的完全集成经验模态分解和BiLSTM网络建立误差预测模型对曲线形状进行修正。应用中国北方某城市的区域电网负荷数据为算例，验证了所提模型的有效性。     

基于CEEMDAN-LSTM-CNN网络的短期电力负荷预测

短期电力负荷随机性和波动性较强，传统的负荷预测方法难以掌握短期负荷变化的规律。为提高短期电力负荷预测精度，提出一种融合自适应噪声完备集合经验模态分解(CEEMDAN)、长短时记忆(LSTM)网络、卷积神经网络(CNN)的短期电力负荷预测方法。从数据集中提取原始负荷序列，利用CEEMDAN将其分解为多个固有模式函数(IMF)，降低其非稳定性；采用LSTM网络分析各分量时序特征，获得多个预测结果 ；将各预测结果叠加后通过CNN和全连接层分别进行特征提取和数据特征学习，获得最终负荷预测结果。将所提方法分别与基准模型及其他文献方法通过实际算例进行对比分析，结果表明，所提方法能够准确掌握负荷变化的规律，且在一天负荷预测问题中精度达到97.32%。     

基于综合预测模型和蒙特卡洛的电动汽车保有量及负荷预测方法研究

电动汽车的规模化发展及其充电设施的持续性建设严重威胁电力系统的稳定性,但是目前尚缺简便有效的电动车保有量和负荷预测方法。因此,建立基于综合预测的电动汽车保有量预测模型,应用灰色预测、反向传播(BP)神经网络以及长短时记忆(LSTM)网络3种预测模型对电动汽车保有量进行预测,获得单预测模型的预测结果,并利用熵权法对单预测模型预测结果分配权重,计算得到综合预测结果。建立基于蒙特卡洛算法的电动汽车负荷预测模型,在保有量预测的基础上,模拟电动汽车电池特征参数和用户出行习惯,对电动汽车无序充电行为进行预测,形成电动汽车日负荷曲线。最后,以某市电动汽车保有量及充电负荷数据验证所提模型的有效性。算例分析表明,所提综合预测模型比单预测模型具有更高的预测精度,负荷预测结果表明规模化电动汽车并网将给电力系统带来新的挑战。     

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。     

基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法

短期电力负荷的精准预测可以有效指导机组组合调度、经济调度与电力市场运营。针对输入数据特征量受限时负荷预测的低精度问题,提出一种基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法。通过建立融合局部特征预提取模块的LSTM（long short term memory）网络结构,并将其与XGBoost（eXtreme boosting system）预测模型并行结合,之后结合MAPE-RW（mean absolute percentage error-reciprocal weight）算法进行模型融合初始权重设置,对最佳权重进行搜索,构建最佳融合模型。通过运用电力负荷数据对所提方法进行预测实验,结果表明CNN-LSTM- XGBoost模型的MAPE（mean absolute percentage error）与RMSE（root mean square error）分别为0.377%与148.419 MW,相比于单一网络模型与融合模型结构实现了误差指标的显著降低,验证了基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法具有较快的模型训练速度、较高的预测准确度与较低的预测误差。     

基于并行膜计算的短期电力负荷组合预测

提出一种并行膜计算(Parallel Membrane Computing,PMC)的电力负荷短期组合预测方法。将线性回归模型、趋势外推模型、改进灰色模型和粒子群优化参数的支持向量机分别放入膜系统的基本膜中,同时并行预测,然后把预测结果输出到表层膜。在表层膜中组合得出最终预测值,组合优化以各种方法预测结果的几何平均数与加权组合结果之差的平方值最小为目标函数,并采用改进粒子群算法分时段优化出权重系数。此外,在进行预测前对历史数据进行了改进滑动平均处理,并采用系统聚类法选出计算输入的历史数据。并行膜计算可以极大地提高组合预测速度,以多种方法预测结果的几何平均数代替真实值确立组合预测模型的目标函数更具实用性。最后,仿真结果验证了所提方法的合理性和有效性。     

基于Prophet-LSTM组合模型的短期负荷预测方法

针对短期负荷预测精度问题,提出一种基于Prophet加法模型和长短期记忆LSTM(long-short term memo?ry)网络的组合模型的短期负荷预测方法.首先分别建立Prophet预测模型和LSTM预测模型,然后采用最小二乘法对两种方法取不同的权重组合,得到新的模型并进行预测.以2014年全球能源预测竞赛(GEFCom2014)的电力负荷数据作为算例验证.实验结果表明,与ARIMA模型预测方法、随机森林模型负荷预测模型方法和标准Prophet和LSTM负荷预测方法相比,所提负荷预测方法所得结果具有更高的预测精度.     

基于Spark和IPPSO_LSSVM的短期分布式电力负荷预测算法

为了提高电力负荷预测的精度,应对单机运算资源不足的挑战,提出一种改进并行化粒子群算法优化的最小二乘支持向量机短期负荷预测模型。通过引入Spark on YARN内存计算平台,将改进并行粒子群优化(IPPSO)算法部署在平台上,对最小二乘支持向量机(LSSVM)的不确定参数进行算法优化,利用优化后的参数进行负荷预测。通过引入并行化和分布式的思想,提高算法预测准确率和处理海量高维数据的能力。采用EUNITE提供的真实负荷数据,在8节点的云计算集群上进行实验和分析,结果表明所提分布式电力负荷预测算法精度优于传统的泛化神经网络算法,在执行效率上优于基于Map Reduce的分布式在线序列优化学习机算法,且提出的算法具有较好的并行能力。     

基于数据驱动理念的电力日负荷曲线预测方法研究

针对短期日负荷预测的精度问题,本文提出一种基于数据驱动理念的电力负荷预测方法。在建立预测模型前对所给数据采取一定的预处理:首先提取所收集的海量数据的负荷特征,对负荷特征进行分析,然后进行负荷数据与影响负荷值的因素之间的相关性分析,以此确定对负荷影响较密切的因素,随后建立分类器得到各主要影响因素与各负荷类别之间的关系为后续预测模型奠定基础。对预处理后得到的不同类型的负荷数据采用最小二乘支持向量机方法建立不同的负荷预测模型。以南方某发达城市2008年的负荷数据作为算例验证数据,将本文所提负荷预测方法所得结果与未经数据预处理的负荷预测方法所得结果进行比较,结果表明本文提出的方法得到的预测结果精度较传统方法提高约6%。     

基于并行预测策略的公共楼宇 日前空调负荷预测

随着我国城市建设的推进,公共楼宇的用电能耗增长迅速。为加强能耗管理、降低能耗水平,对公共楼宇空调系统日前用电负荷进行预测是工作的基础。针对当前公共楼宇空调系统日前负荷预测累积误差大的现象,提出对日前24 h单独建立负荷预测模型的并行预测策略。然后融合主成分分析和模糊C均值聚类对数据进行预处理,形成合适规模及变量维度的训练数据,将其作为支持向量机预测模型的输入,并通过粒子群算法对SVM的模型参数进行自适应寻优。以实际公共楼宇空调负荷历史数据为基础,对比分析所提出的算法与串行预测策略及传统交叉验证试凑参数的SVM预测算法,结果表明提出的方法充分利用了公共楼宇空调负荷的特点,预测精度高、速度快。     

基于函数型非参数回归模型的中长期日负荷曲线预测

提出一种中长期日负荷曲线预测的新方法。该方法首先基于函数型数据分析理论,将日负荷曲线视为函数型数据,通过对历史负荷曲线样本自身规律的挖掘,建立基于历史负荷曲线样本的函数型非参数回归预测模型。在此基础上,通过构建二次规划模型对函数型非参数回归预测模型的预测曲线进行修正,使其满足待预测日负荷特性指标要求。利用某省级电网夏季典型日负荷数据和美国PJM电力公司冬季典型日负荷数据对所提方法进行测试,结果表明该方法具有较高的预测精度。     

基于云计算和极限学习机的分布式电力负荷预测算法

为了提高电力负荷预测精度,应对电力系统智能化所带来的数据海量化高维化带来的单机计算资源不足的挑战,提出了一种在线序列优化的极限学习机短期电力负荷预测模型。针对电力负荷数据特性,对极限学习机预测算法进行在线序列优化;引入分布式和multi-agent思想,提升负荷预测算法预测准确率;采用云计算的MapReduce编程框架对提出的算法模型进行并行化改进,提高其处理海量高维数据的能力。选用EUNITE提供的真实电力负荷数据进行算例分析,在32节点云计算集群上进行实验,结果表明基于该模型的负荷预测精度均优于传统支持向量回归预测算法和泛化神经网络预测算法,且提出的算法具有优异的并行性能。     

基于深度学习的电网短期负荷预测方法研究

深度模型通过学习一种深层非线性网络结构以实现复杂函数逼近,具有很强的自适应感知能力。本文为了提高电力负荷预测精度,提出一种基于栈式自编码神经网络的深度学习预测方法。该方法结合自编码器和逻辑回归分类器构建一个多输入单输出预测模型,并将重构后的历史负荷、气象信息等数据输入到预测模型中,用栈式自编码器逐层学习并提取深层特征,最后在网络顶层连接逻辑回归模型进行短期负荷预测。实例分析表明,所提预测模型能够有效刻画日负荷变化规律,泛化能力较强,其预测精度达到96.2%,比支持向量回归和模糊神经网络两种浅层学习模型更高。     

基于XGBoost算法的新型短期负荷预测模型研究

针对目前电网在负荷预测中所采集到的数据普遍存在着特征维度较少;特征关系不明;有效数据量较少的特点,为了提高电网短期负荷预测精度,本文提出一种基于XGBoost算法的新型负荷预测模型。基于XGBoost算法的负荷预测模型采用CART树作为基学习器,输入预处理后的历史负荷和特征数据,通过构建多个弱学习器逐层训练模型并得到模型,最后向模型输入测试集特征得到最终的预测结果。本文所搭建的负荷预测模型具有避免对数据特征的标准化、处理字段缺失的数据、不用关心特征间是否相互依赖、学习效果好的优点。根据真实电网数据实验结果,基于XGBoost算法的负荷预测平均绝对误差百分比下降到3.46%,比本文所对比的基于BP、GRNN、DBN神经网络的负荷模型预测值精度更高,表明本文所提模型的优越性。     

基于改进Q学习算法和组合模型的超短期电力负荷预测

单一模型在进行超短期负荷预测时会因负荷波动而导致预测精度变差,针对此问题,提出一种基于深度学习算法的组合预测模型。首先,采用变分模态分解对原始负荷序列进行分解,得到一系列的子序列。其次,分别采用双向长短期记忆网络和优化后的深度极限学习机对每个子序列进行预测。然后,利用改进Q学习算法对双向长短期记忆网络的预测结果和深度极限学习机的预测结果进行加权组合,得到每个子序列的预测结果。最后,将各个子序列的预测结果进行求和,得到最终的负荷预测结果。以某地真实负荷数据进行预测实验,结果表明所提预测模型较其他模型在超短期负荷预测中表现更佳,预测精度达到98%以上。     

基于时空神经网络的充电桩时空动态负荷预测

电动汽车充电负荷的时空随机性,加大了电网的控制难度且影响了电能质量。因此,准确的预测充电负荷是解决此类问题有效方法之一。基于此,首先建立充电桩时空动态负荷矩阵,然后在时空神经网络的基础上提出一种时空动态负荷预测模型多步深度时空神经网络,该模型能够根据过去充电负荷规律多步预测未来负荷。经过实际数据的仿真验证,并与STN模型进行对比,结果证明了所提预测模型的有效性。     

多尺度特征提取与非线性融合的综合能源系统多元负荷短期预测

为提高综合能源系统多元负荷短期预测的精度，提出一种基于多尺度特征提取与非线性融合的综合能源系统多元负荷短期预测方法。首先，采用皮尔逊相关系数对气象数据进行关联因子优选；然后，通过嵌入式分解模块将输入的时间序列分解为周期分量和趋势分量，并将分解后得到的输入矩阵并行送入到具有不同尺度卷积核的时间卷积网络中，进行多尺度特征提取；接着，将多尺度时间卷积网络输出的特征向量输入到各自对应的注意力机制，以进行全局信息的学习与融合；最后，采用自适应非线性融合模块对各注意力机制的输出进行非线性融合，得到最终多元负荷预测结果。实验结果表明，所提方法具有较好的预测性能及泛化性。     

基于均衡KNN算法的电力负荷短期并行预测

为提高电力负荷预测精度,应对海量、高维数据带来的单机计算资源不足的问题,提出一种基于均衡KNN算法的短期电力负荷并行预测方法。针对电力负荷数据特征,采用K均值聚类算法进行电力负荷场景划分;为提高场景划分精度,采用反熵权法量化负荷特征的权重系数;针对不均衡的负荷场景,提出均衡KNN算法对待预测负荷进行精确的场景归类;采用BP神经网络算法对海量历史数据进行负荷预测模型的分场景训练与预测;采用ApacheSpark架构对提出的模型进行并行化编程,提高其处理海量、高维数据的能力。选取某小区居民用电数据进行算例分析,在30节点云计算集群上进行测试验证,结果表明基于该模型的负荷预测精度与执行时间均优于传统预测算法,且提出的算法具有优异的并行性能。