基于变分模态分解和多模型融合的用户级综合能源系统超短期负荷预测

针对用户级综合能源系统(integrated energy system,IES)多元负荷波动性和随机性较强、精确预测难度较大的问题,提出了一种基于变分模态分解(variationalmode decomposition,VMD)和多模型融合的超短期负荷预测方法。首先采用VMD将IES各类负荷序列分解成不同的本征模态函数(intrinsicmodefunction,IMF);然后将各IMF结合气象信息构造不同的特征集,分别输入支持向量回归机(support vector regression,SVR)、长短期记忆(long short-term memory,LSTM)网络和一维卷积神经网络(one-dimensional convolutional neural network,1DCNN)进行预测;最后,将3个模型的预测结果输入SVR进行融合得到最终的预测值,并采用和声搜索(harmony search,HS)算法优化SVR的参数。通过某用户级IES的实际数据对所提方法的有效性进行了验证,结果表明,所提出的多模型融合方法优于单模型预测方法,对电、冷、热负荷均具有最好的预测精度。     

基于TCN-LSTM和气象相似日集的电网短期负荷预测方法

为充分挖掘不同气象因素的相似日信息和输入特征蕴含的信息以提升负荷预测精度,提出一种基于时间卷积网络和长短期记忆网络组合（TCN-LSTM）和气象相似日集的电网短期负荷预测方法。首先通过Pearson系数和最大信息系数,选出与负荷强相关的气象因素;然后根据该气象因素,选取最佳相似日组成气象相似日集,以气象相似日集负荷、历史负荷、气象因素和时间因素作为预测模型的输入特征;最后,搭建TCN-LSTM预测模型,用TCN进行特征提取后,再用LSTM网络完成短期负荷预测。以中国某地区的实际历史数据进行仿真验证,结果表明所提预测方法可有效提升负荷预测精度。     

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%。     

基于经验模态分解与特征相关分析的短期负荷预测方法

提出了一种基于经验模态分解与特征相关分析的短期负荷预测新方法。该方法从分解负荷序列入手,采用经验模态分解将原始负荷时间序列分解成不同频率的本征模函数(IMF)分量和残差分量,以弱化复杂影响因素环境下原始序列的波动性,获取更具规律性的分量。然后运用最小冗余度最大相关性标准(mRMR)技术分析各IMF分量和日类型、天气、电价等特征信息之间的相关性,获得最佳特征集。最后采用基于智能算法的最小二乘支持向量机(LSSVM)负荷预测模型对各经验模态分量进行预测,并将各分量预测结果叠加得到最终负荷预测值。以某电网实际数据进行算例分析,结果表明所提出的组合模型能够更准确地对外部因素敏感的短期负荷进行预测。     

基于多维气象信息时空融合和MPA-VMD的短期电力负荷组合预测模型

为提高电力负荷预测精度,需考虑区域内不同地区多维气象信息对电力负荷影响的差异性。在空间维度上,提出多维气象信息时空融合的方法,利用Copula理论将多座气象站的风速、降雨量、温度、日照强度等气象信息与电力负荷进行非线性耦合分析并实现时空融合。在时间维度上,采用海洋捕食者算法(MPA)实现变分模态分解(VMD)核心参数的自动寻优,并采用加权排列熵构造MPA-VMD适应度函数,实现负荷序列的自适应分解。通过将时间维度各分量与空间维度各气象信息进行融合构造长短期记忆(LSTM)网络模型与海洋捕食者算法-最小二乘支持向量机(MPA-LSSVM)模型的输入集,得到各分量预测结果,根据评价指标选择各分量对应的预测模型,重构得到整体预测结果。算例分析结果表明,所提预测模型优于传统预测模型,有效提高了电力负荷预测精度。     

基于EMD理论的短期负荷预测

提出将经验模态分解法(empirical mode decomposition,EMD)与自回归动平均(autoregressive and moving average,ARMA)时序分析相结合的短期负荷预测方法,利用EMD算法对负荷序列进行分解,再对分解得到的每一个基本模式分量(intrinsic mode function,IMF)分别进行ARMA预测,以改善短期负荷预测的效果。以我国某地区2008年夏季负荷高峰段的用电负荷预测为例,应用提出的预测方法对各负荷分量进行单独预测,得到的仿真结果表明,采用该方法进行短期负荷预测将显著改善预测的精度。     

基于VMD-SSA-HKELM的超短期负荷预测

针对核极限学习机(kernel extreme learning machine, KELM)单一预测模型不稳定以及预测结果不准确,提出了一种变分模态分解(variational mode decomposition, VMD)与麻雀搜索算法(sparrow search algorithm, SSA)优化的混合核极限学习机(hybrid extreme learning machine, HKELM)模型。首先把预处理后的负荷序列依据变分模态技术分解为若干相对平稳的模态分量,然后同时对每个模态分量建立VMD-SSA-HKELM预测模型;再将负荷数据划分训练集和测试集;依据训练集分别用SSA算法优化HKELM的参数,将测试集代入每个模型,所测的结果叠加得出最终预测值。该模型采用麻雀算法优化的混合核极限学习机,使其在不同的参数下有良好的局部搜索能力,且能增强全局搜索能力。仿真结果表明,VMD-SSA-HKELM模型预测精度接近98.5%,为超短期负荷预测及电力系统稳定运行提供了决策的支持。     

基于模态分解及注意力机制长短时间网络的短期负荷预测

短期电力负荷受多种因素影响,具有波动性大、随机性强的特点,使得高精度的短期负荷预测比较困难。为充分提取负荷数据中的特征,提升短期负荷预测精度,提出了一种基于模态分解及注意力机制长短时间网络(long and short-term temporal networks with attention,LSTNet-Attn)的短期负荷预测模型。首先该模型采用自适应白噪声的完整经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)对包含大量高频分量且频率成分复杂的原始负荷时间序列进行处理,经频率分离后得到若干个包含不同频率成分的本征模函数(intrinsic mode functions,IMF)。其次,在采集特征的基础上构建日期特征,并通过Boruta算法优化输入数据维度冗余问题。然后,在上述基础上构建LSTNet-Attn预测模型,模型包括卷积模块、循环跳过模块、自回归(autoregressive,AR)模块和注意力机制模块。卷积模块和循环跳过模块提取输入负荷数据中高度非线性的长...     

基于相似日负荷修正的台风期间短期负荷预测

在台风期间现有的负荷预测方法的预测精度一般不高.在此背景下,以广东地区为例,首先分析了气象因子与系统负荷之间的相关性,从总负荷中分解出趋势分量、周期分量和气象敏感分量,在此基础上提出了基于相似日气象负荷修正的适用于台风期间的短期负荷预测方法.同时,为克服台风日样本较少所导致的预测困难,将近期及往年同期气象因素相似的历史日扩充到相似日样本中,并引入趋势相似度因子、气象相似度因子和时间相似度因子来评估历史日的相似性.用广东电力系统的实际数据做了测试,预测结果表明采用所发展的修正模型时台风日的负荷预测精度较现有方法有了较大提高.     

一种基于HHT的电力系统短期负荷预测模型

提出了一种基于HHT的电力系统短期负荷预测模型.针对EMD分解电力负荷时存在模态混叠及对高频IMF预测不准确的问题,采用一阶差分算法对EMD分解进行改进,得到消除模态混叠后的一系列IMF分量及余项.通过对各分量的频谱计算和观察,提取出低频分量,并将其进行重构,各分量选取合适模型进行预测.由于IMF1主要为负荷的随机分量,对其考虑天气、节假日因素,并采用粒子群算法对组合权值进行优化.仿真结果表明此种方法具有较高的预测精度.     

一种基于HHT的电力系统短期负荷预测模型

提出了一种基于HHT的电力系统短期负荷预测模型。针对EMD分解电力负荷时存在模态混叠及对高频IMF预测不准确的问题,采用一阶差分算法对EMD分解进行改进,得到消除模态混叠后的一系列IMF分量及余项。通过对各分量的频谱计算和观察,提取出低频分量,并将其进行重构,各分量选取合适模型进行预测。由于IMF1主要为负荷的随机分量,对其考虑天气、节假日因素,并采用粒子群算法对组合权值进行优化。仿真结果表明此种方法具有较高的预测精度。     

含有山区小水电负荷的气象回归短期负荷预测技术

将负荷分解为正常负荷及小水电负荷,进一步将其分别分解为气象负荷和长期趋势负荷分量,建立气象因素和气象负荷的回归关系,并以回归结果对历史负荷数据进行相似搜索,该方法可提高预测样本同被预测日负荷的相似度,从而增加预测结果的可信度和精确度。采用多种负荷预测方法以权重优化组合的方式进行负荷组合预测。应用实例证明,所提出的方法可体现不同地区、不同类型、不同气象敏感度的负荷特性,对于负荷总量较小,变动范围较大,受天气因素影响明显且含有山区小水电负荷的地区具有较好的精度。     

含有山区小水电负荷的气象回归短期负荷预测技术

将负荷分解为正常负荷及小水电负荷,进一步将其分别分解为气象负荷和长期趋势负荷分量,建立气象因素和气象负荷的回归关系,并以回归结果对历史负荷数据进行相似搜索,该方法可提高预测样本同被预测日负荷的相似度,从而增加预测结果的可信度和精确度.采用多种负荷预测方法以权重优化组合的方式进行负荷组合预测.应用实例证明,所提出的方法可体现不同地区、不同类型、不同气象敏感度的负荷特性,对于负荷总量较小,变动范围较大,受天气因素影响明显且含有山区小水电负荷的地区具有较好的精度.     

基于EMD和相关向量机的短期负荷预测

为提高电力负荷预测的准确性,提出一种基于经验模态分解EMD(empirical mode decomposition)与相关向量机RVM(relevant vector machine)的短期负荷预测方法。该方法利用EMD将目标负荷序列分解为若干个不同频率的固有模态分量I MF(intrinsic mode function),通过分析各个分量的特征规律,构造不同的RVM模型对各分量分别进行预测,再将各分量预测值通过RVM组合得到最终预测值。仿真结果表明,通过EMD分解,预测效果有显著改善,而RVM模型较之BP神经网络模型与SVM模型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CEEMD-GRU模型的短期电力负荷预测方法

针对电力负荷序列不平稳、随机性强,直接输入模型会导致拟合效果差、预测精度低等问题,本文提出了一种基于添加互补白噪声的互补集合经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)以及门控循环单元神经网络(gated recurrent unit neural network, GRU)融合的预测方法。首先,针对传统经验模态分解(empirical mode decomposition, EMD)分解方法处理干扰信号大的序列时,存在的模态混叠问题,提出了CEEMD分解方法,加入互补白噪声,将原始序列分解成不同尺度的子序列,随后使用GRU神经网络,并优化网络超参数,从而获得最好的预测结果。通过实验证明,该方法重构误差小,预测效果好。     

基于气象信息因素修正的灰色短期负荷预测模型

针对传统灰色模型应用于短期负荷预测的缺陷,改进了多角度数据组织策略,选择社会活动背景相似度较高的历史日作为相似日,建立了气象因素突变判别准则,以识别相似日中的气象突变,并采用回归法消除相似日负荷数据中的受气象敏感负荷分量.采用邻近趋势外推法和相似日替换法矫正灰色模型预测时容易产生的局部畸变点.实验结果表明,改进后的灰色模型预测精度提升明显,预测精度平均提高1％～2％,最高可达7％.该方法能同时考虑社会活动规律和气象因素对负荷的影响,克服了传统模型本身对不规律数据预测精度差的缺点.     

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。     

基于相似日和CNN-LSTM的短期负荷预测

为充分发掘历史信息,解决气象数据不足影响预测精度的问题,采用灰色关联分析(GRA)选取天气相似日和CNN-LSTM混合神经网络的方法来预测电力负荷。利用GRA计算每日各气象因素与日总负荷的灰色关联度,再计算各日与典型日的相同气象因素之间的欧氏距离,将各气象因素的欧氏距离分别乘以对应因素的关联度,并将同一天的结果累加,得到一个综合得分。选取待预测日之前分数最低的5天作为相似日,将相似日各时刻的负荷数据输入CNN-LSTM网络中,预测出待预测日的负荷,通过与其他模型对比,验证了该方法的有效性。     

一种时频尺度下的多元短期电力负荷组合预测方法

随机因素的增加导致电力负荷数据成分日渐复杂,使短期负荷预测的难度逐渐增大。针对该问题,提出一种时频尺度下的时间卷积网络与多元线性回归相融合的组合预测模型。利用自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)在时频域上将负荷数据分解为若干个频率特征不同的本征模态分量,在模糊熵准则下聚类为随机项和趋势项。采用皮尔逊系数从诸多影响因素中筛选出与电力负荷高度相关的特征,鉴于小时间尺度分析更易于挖掘局部细节特征,分别构建了随机项与趋势项的细颗粒度特征集。利用具有强非线性处理能力的时间卷积网络(temporal convolutional network, TCN)去预测随机项,利用结构简单及线性拟合效果好的多元线性回归(multiple linear regression, MLR)去预测趋势项,将二者的预测结果进行叠加重构后获得最终预测值。在新加坡和比利时两组数据集上的实验结果证明：所提模型具有较高的预测精度、较好的泛化性能及鲁棒性。