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。     

基于经验模态条件生成对抗网络的短期负荷预测

针对双碳目标下传统负荷预测模型难以捕捉数据内部时序特征导致负荷预测精度不高的问题,提出一种基于经验模态条件生成对抗网络(CGAN)的短期负荷预测模型。该模型在保留CGAN结构的基础上,首先使用经验模态分解(EMD)将历史负荷数据分解为多个经验模态分量,并采用多个长短期记忆(LSTM)神经网络作为生成器、卷积神经网络(CNN)作为判别器。然后,以分解后的经验模态分量为输入、负荷影响因素为条件对模型进行训练,使生成器能够输出精确的预测负荷数据。最后,以某地区配电网实际负荷数据对模型进行验证。试验结果表明,相比于其他基于深度学习的负荷预测模型,所提模型具有更小的预测误差。未来可将该方法应用于配电网调度中,以提高调度的安全性和经济性。     

二次分解组合CNN-LSTM的短期负荷预测

短期电力负荷随机性强、波动性大。为提高负荷预测精度,文章提出一种基于二次分解的卷积神经网络（CNN）与长短期记忆（LSTM）神经网络组合的预测模型。其首先采用自适应噪声完备集合经验模态分解（CEEMDAN）方法将原始负荷序列分解为若干固有模态分量和残差;然后,引入样本熵与K均值（SEK-means, SK）,将分解得到的子序列重构为3个序列,并运用变分模态分解方法将重构分量中的强非平稳序列进行二次分解,建立CNN-LSTM模型,对分解得到的各个子序列分别进行预测;最后,将预测的结果叠加,以实现对负荷的有效预测。运用实际负荷数据从确定系数、平均绝对误差、均方根误差和平均绝对百分比误差这4种评价指标角度进行验证,结果表明,该模型与XGBoost、LSTM、CEEMDAN-LSTM和CEEMDANCNN-LSTM模型相比较,具有更高的拟合度和预测精度。     

VMD和混合深度学习框架融合的短期风速预测

风速预测是影响风电场效率和稳定性的重要因素.文中基于风速的时空特征,融合变分模态分解(VMD)和混合深度学习框架进行短期风速预测,即VHSTN (VMD-based hybrid spatio-temporal network).其中,混合深度学习框架由卷积神经网络(CNN)、长短时记忆网络(LSTM)以及自注意力机制(SAM)组成.该算法对原始数据清洗后,采用VMD将多站点风速的时空数据分解为固有模态函数(intrinsic mode functions, IMF)分量,去除风速数据的不稳定性;然后针对各IMF分量,应用底部的CNN抽取空域特征;再用顶层LSTM提取时域特征,之后用SAM通过自适应加权加强对隐藏特征的提取并得到各分量的预测结果;最后合并获得最终预测风速.在数据集WIND上进行实验,并和相关典型算法对比,实验结果表明了该算法的有效性和优越性.     

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PSO-CNN-LSTM的短期热负荷预测模型

为提高短期供热负荷预测精度,减少供热不均与供需失调所造成的能源浪费,提出一种基于粒子群(Particle swarm optimization, PSO)、经验模态分解(Empirical Mode Decomposition, EMD)、卷积神经网络(Convolutional Neural Network, CNN)和长短时记忆神经网络(Long Short Term Memory Network, LSTM)的混合预测模型。首先,针对供热负荷呈现非线性、复杂性等特点,采用EMD对供热负荷分解,从而实现弱化供热负荷复杂程度;其次,分别运用CNN与LSTM提取供热负荷空间特征与时域特征;最后,结合PSO算法对LSTM网络的超参数进行调整,寻找出最优参数。实验表明,结合EMD分解的PSO-CNN-LSTM网络相比LSTM、CNN-LSTM、EMD-CNN-LSTM平均误差分别降低了44%、34%、24%、21%,拥有更高的预测精度和拟合效果。所提模型为集中供热负荷预测提供了一种新的思路,对于制定集中供热能源分配提供了参考意义。     

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。     

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CNN-BIGRU-ATTENTION的短期电力负荷预测

电价的实时波动,会对负荷预测精度产生一定影响,增加预测的复杂性.针对这一问题,本文构建基于注意力(AT-TENTION)机制的卷积神经网络(CNN)和双向门控循环单元(BIGRU)混合模型对短期电力负荷进行预测.首先用CNN对负荷及电价数据特征进行抽取;其次,利用BIGRU对潜藏的时序规律进行提取;最后结合ATTENT...     

基于横纵向集成学习的短期负荷预测方法

为进一步提高预测的准确度和普适能力,并降低组成算法的复杂度,对负荷的固有特性进行横纵向二维化分析,结合误差分布的特点,提出基于横纵向剖析负荷特性的集成预测方法。初级模型采用互信息提取横向特征,通过长短期记忆网络(LSTM)感知负荷波动;采用变分模态分解(VMD)提取纵向特征,通过Elman神经网络预知负荷趋势;然后基于改进的Stacking融合构建横纵向集成学习模型。最后,采用中国东部某地区的负荷数据验证模型的有效性,算例表明改进的Stacking充分融合了横纵向模型的优势并具备强大的学习小样本能力,横纵向集成预测方法有效提高了模型的预测精度和泛化能力。     

基于LSTM-XGBoost的短期电力负荷预测研究

随着电力系统的快速发展,针对短期电力负荷预测的人工智能方法研究已经取得了显著成就。由于长短期记忆(LSTM)神经网络能够拟合电力负荷数据时序性和非线性的特点,基于LSTM的短期电力负荷预测效果显著。但基于LSTM的预测方法存在预测精度低、泛化能力差等问题。为此,利用贝叶斯优化后的极限梯度提升(XGBoost)集成学习方法训练得到多个LSTM的强预测模型,提出基于LSTM-XGBoost的短期电力负荷预测的方法,并采用宁夏地区的电力数据进行算例分析。试验结果表明,对比基于LSTM和基于粒子群优化(PSO)-反向传播(BP)的短期电力负荷预测方法,基于LSTM-XGBoost的短期电力负荷模型预测精度、稳定性更高。该方法对于电力系统智能化发展有一定的应用价值。     

考虑频域分解后数据特征的空调负荷预测模型

针对空调负荷预测实际应用中容易存在数据散杂且可用信息匮乏的问题,从负荷序列的非线性、非平稳性和随机性出发,提出了一种基于变分模态分解(VMD)的负荷预测方法.对不同数据特征序列考虑不同算法的数据观测与训练原理差异,充分发挥各个模型优势.首先采用随机森林(RF)进行特征选择,利用VMD将负荷序列按趋势分量、平稳分量和噪声分量进行分类重构,并分别对非线性序列建立最小二乘支持向量机(LSSVM)预测模型,时序平稳序列建立极端梯度提升(XGBoost)预测模型,采用正态分布拟合随机误差,得到各子序列预测结果并进行叠加输出最终负荷预测结果.实验结果表明,所提方法能准确反映负荷的特性并具有更好的预测精度,能有效预测空调负荷,为空调节能优化控制策略提供依据.     

基于神经网络的配电网负荷预测方法

配电网接入高渗透率分布式光伏在一定程度上削减了配电网负荷。由于配电网负荷、光伏出力与气象因素耦合特性存在差异,且均具有较强随机性,致使配电网净负荷预测难度大、随机性高。为实现波动性配电网短时预测净负荷,基于长短期记忆（LSTM）,构建神经网络短期预测模型。通过LSTM构建光伏出力短期预测模型及小时前配电网负荷预测模型,并采用交叉验证,对各LSTM预测器结构超参数进行优化。将两者预测结果进行比较,得到配电网净负荷。由实验结果分析可知,LSTM方法可自适应挖掘光伏出力特征、历史负荷预测对象之间的相关性,较支持向量回归（SVR）方法,该方法预测精度高、过程简单。     

基于EMD和RBFNN的冷负荷组合预测模型

针对冷负荷预测问题,提出了一种基于相空间重构(PSR)、经验模态分解(EMD)和径向基神经网络(RBFNN)的冷负荷组合预测模型.该模型首先利用经验模态分解方法,把冷负荷序列分解为少数模态分量,然后利用分组分量法将其分为多个高频子分量、总低频分量和残余量,最后以PSR为基础对各分量利用RBFNN方法建模并将预测结果重构...     

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。     

基于长-短时序特征融合的资源负载预测模型

高准确率的资源负载预测能够为实时任务调度提供依据,从而降低能源消耗。但是,针对资源负载的时间序列的预测模型,大多是通过提取时间序列的长时序依赖特性来进行短期或者长期预测,忽略了时间序列中的短时序依赖特性。为了更好地对资源负载进行长期预测,提出了一种基于长-短时序特征融合的边缘计算资源负载预测模型。首先,利用格拉姆角场（GAF）将时间序列转变为图像格式数据,以便利用卷积神经网络（CNN）来提取特征;然后,通过卷积神经网络提取空间特征和短期数据的特征,用长短期记忆（LSTM）网络来提取时间序列的长时序依赖特征;最后,将所提取的长、短时序依赖特征通过双通道进行融合,从而实现长期资源负载预测。实验结果表明,所提出的模型在阿里云集群跟踪数据集CPU资源负载预测中的平均绝对误差（MAE）为3.823,均方根误差（RMSE）为5.274,拟合度（R²）为0.815 8,相较于单通道的CNN和LSTM模型、双通道CNN+LSTM和ConvLSTM+LSTM模型,以及资源负载预测模型LSTM-ED和XGBoost,所提模型的预测准确率更高。     

基于EMD-RVM模型的短期负荷预测方法

负荷可能受到各种外部影响因子的影响,因而准确的负荷预测是一个具有挑战的问题。针对这个问题,提出基于经验模态分解(EMD)和相关向量机(RVM)的短期负荷预测方法。通过EMD对负荷序列进行分解,通过RVM预测每一个本征模函数分量,通过信号重构得到最终的负荷预测值。应用浙江省某地区的负荷数据和气象数据进行仿真,并与WD-RVM模型、RVM模型和CNN-GRU模型的预测结果进行比较,验证了所提出的方法具有相对较高的预测精度。     

基于注意力机制的CNN-LSTM模型及其应用

时序数据存在时序性，并且其短序列的特征存在重要程度差异性。针对时序数据特征，提出一种基于注意力机制的卷积神经网络（CNN）联合长短期记忆网络（LSTM）的神经网络预测模型，融合粗细粒度特征实现准确的时间序列预测。该模型由两部分构成：基于注意力机制的CNN，在标准CNN网络上增加注意力分支，以抽取重要细粒度特征；后端为LSTM，由细粒度特征抽取潜藏时序规律的粗粒度特征。在真实的热电联产供热数据上的实验表明，该模型比差分整合移动平均自回归、支持向量回归、CNN以及LSTM模型的预测效果更好，对比目前企业将预定量作为预测量的方法，预测缩放误差平均值（MASE）与均方根误差（RMSE）指标分别提升了89.64%和61.73%。