基于TCN-GRU模型的短期负荷预测方法

为了进一步提高短期负荷的预测精度,为电力系统的稳定运行提供更加有力的保障,文中提出了一种将时间卷积网络(TCN)和门限循环单元(GRU)相结合的短期负荷预测方法TCN-GRU。首先,将采集的训练数据划分为时序数据和非时序数据;其次,将时序数据输入到TCN模型中以提取时序特征;然后,将提取出来的时序特征与非时序数据组合起来输入到GRU模型中对模型进行训练;最后,利用训练好的模型实现对短期电力负荷的预测。基于广东省佛山市某行业真实负荷数据验证了TCN-GRU模型的负荷预测能力,并通过对比多种深度学习模型的预测效果,验证该模型具有更高精度的短期负荷预测能力。     

基于BP神经网络的电力系统短期负荷预测

电力系统短期负荷预测直接影响电力企业的经济效益。对此,选择预测日前一天的电力负荷和阴晴、温度、湿度等气象特征数据作为网络的输入,预测日当天的电力负荷作为输出,建立了电力系统短期负荷BP神经网络模型。用历史负荷数据作为训练样本,对BP神经网络预测模型进行训练,用训练好的神经网络进行电力系统短期负荷预测。用真实历史数据对新疆某地区进行了电力系统负荷短期预测,结果表明,预测结果与实际值比较接近,1 d96个采样点的负荷预测平均准确率为98.45%。     

基于高速公路神经网络和注意力机制的短期负荷预测方法

有效的电力负荷预测为智能电网发展建设提供依据,为提高短期负荷预测精度,本文综合考虑用电负荷和实时天气影响因素,提出一种基于人工智能高速公路神经网络（highway neural network,HNN）和注意力机制（attention mechanism,Attention）的短期负荷预测方法。该方法采用Pearson相关性分析、主成分分析法以及K-means聚类完成输入序列的特征挖掘,并依据聚类结果将运行日分为3类。接着,针对现有模型可能存在的训练困难和预测效率低下等问题,对每类运行日分别建立Attention-HNN模型。该模型将能够给输入序列分配动态权重的Attention与能够选择性传递信息的HNN结合起来,可有效突出关键特征并优化预测效果。最后,通过山东省某地区实例验证并与不同方法进行对比,本文提出的Attention-HNN方法具有更好的预测效果,可有效降低预测误差。     

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。     

基于有偏最小最大概率回归的短期负荷预测

针对电力负荷的一些特性,提出了使用非线性数据分类学习机的理论来解决短期负荷预测问题。利用有偏最小最大概率机进行数据学习分类,对采集到的信息进行分类、特征提取,形成归一的数据类型;用得到的分类数据作为有偏最小最大概率回归模型的输入进行训练预测。该方法通过核函数将输入向量从低维空间映射到高维空间,在高维空间实现了基于高阶统计信息的负荷影响因数的特征提取,既全面考虑了影响负荷预测的历史时间序列、气象等各种因素,又避免了由于输入变量过多而导致模型结构复杂、训练时间长等不足。计算实例表明,文中提出的方法用于短期负荷预测,其预测精度较高,且训练时间较短,方法可行且有效。     

基于变分模态分解的卷积神经网络?双向门控循环单元?多元线性回归多频组合短期电力负荷预测

为了有效提高电力负荷预测精度,针对电力负荷非线性、非平稳性、时序性的特点,提出了一种卷积神经网络（convolutional neural networks,CNN）、双向门控循环单元（bidirectional gated recurrent unit,BiGRU）和多元线性回归（multiple linear regression,MLR）混合的多频组合短期电力负荷预测模型。该模型先利用关联度分析得到相似日,并将其负荷组成新的数据序列,同时使用变分模态分解（variational mode decomposition,VMD）将该数据序列进行分解,并重构成高低2种频率。对于高频分量,使用CNN-BiGRU模型进行预测;低频部分则使用MLR。最后将各个模型得出的预测结果叠加,得到最终预测结果。以2006年澳大利亚真实数据为例,进行短期电力负荷预测。仿真结果表明,相比于其他网络模型,该模型具有较高的预测精度和拟合能力,是一种有效的短期负荷预测方法。     

基于QR-CBA特征解耦框架的日前负荷预测研究

高精度的短期电力负荷预测可以保证电力系统调度决策的准确性、缓解电力供需矛盾、保障电力系统运行的安全。由于短期电力负荷预测受气象、历史信息等因素影响且具有很强不确定性,因此对短期负荷预测进行精准的预测较为困难。为实现对日前电力负荷进行概率密度预测,提出一种基于引入注意力机制的卷积双向长短期记忆分位数回归网络（Convolutional bidirectional long short-term memory network with attention for quantile regression,QR-CBA）特征解耦框架。首先,将输入特征分为4个分支并通过解耦神经网络对其进行训练,以有效提高神经网络的计算效率和预测精度;然后,采用核密度估计（Kernel density estimation,KDE）方法作为后处理技术将预测结果生成为概率密度曲线,以有效量化预测的不确定性。以某公开负荷数据集作为实例进行验证,结果表明,所提方法的日前点预测精度达到了96.884%,与对比预测模型相比精度明显提高,区间预测的连续排名概率得分（Continuousrankedprobability sc...     

基于TSNE-BiGRU模型短期电力负荷预测

短期电力负荷预测是电力系统合理调度与安全稳定运行的基础。为提高电力负荷预测精度,提出一种基于t分布邻域嵌入(t-SNE)算法和双向门控循环单元(Bi-GRU)网络的短期电力负荷预测方法。该方法首先通过多标签处理将电力负荷时序数据转换成高维时间戳数据,进而在维持数据信息完整性的前提下通过t-SNE算法对其降维,并结合实时电价数据,基于Bi-GRU网络学习时间戳数据、实时电价数据及实时负荷数据之间的非线性特性,最后经全连接输出层聚合相关信息给出预测结果。基于新加坡地区电力基准数据集进行试验,对比分析所建模型TSNE-BiGRU与基准模型Bi-GRU及GRU的预测性能。试验结果表明所建模型TSNE-BiGRU具有良好的鲁棒性,能有效提高短期电力负荷的预测精度。其平均百分比误差值为0.49%,相较Bi-GRU与GRU,分别降低了23.44%与32.88%;其平均绝对误差值为30.58,相较两基准模型分别降低了22.19%与32.84%;其均方根误差值为39.40,相较两基准模型分别降低了17.16%与27.88%。     

基于极端梯度提升-长短期记忆神经网络组合模型的短期电力负荷预测

为了提高短期电力负荷预测的精度,提出一种基于极端梯度提升和长短期记忆网络的组合预测方法。首先采用Spearman相关系数法对负荷与气象因素进行相关性分析,提取模型输入特征。然后分别建立XGBoost、LSTM预测网络,并采用遗传算法优化网络的参数。最后利用模拟退火算法对各网络的预测结果分配最优权重系数,通过加权组合得到最终的集成预测结果。实验结果表明,XGBoost和LSTM组合模型对短期电力负荷预测的平均绝对百分比误差为0.88%,与XGBoost模型、LSTM模型相比,误差分别降低了2.17%、1.99%,在负荷预测领域更具有优势。     

基于改进粒子群神经网络短期负荷预测

在电力系统的发展过程中,电力负荷充当着非常重要的角色,电力负荷预测的精度显得尤为重要。为了提高短期电力负荷预测的精度,提出了改进的粒子群-BP神经网络混合优化算法。采用自适应惯性权重改进的粒子群算法,使得粒子群算法的收敛速度和收敛精度有所提高,改进后的算法优化神经网络的过程中,对BP神经网络的初始权值和阈值等参数进行改善,并建立基于IPSO-BP算法模型对短期电力负荷进行预测。以某地的历史负荷数据进行训练仿真,结果表明,该模型的收敛速度和预测精度优于传统粒子群-BP神经网络模型。模型改善了粒子群算法和神经网络各自的缺点,提高了BP神经网络的泛化能力。该模型提高了短期电力负荷预测精度,平均相对误差在1%左右,模型可用于电力系统的短期负荷预测。     

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...     

基于相空间重构和随机配置网络的电力负荷短期预测

针对配电网负荷随时间空间变化的非线性特征导致短期负荷预测精度低和模型训练时间成本高的问题,设计了一种基于相空间重构(phase space reconstruction,PSR)和随机配置网络(stochastic configuration networks,SCN)的电力负荷短期预测模型.首先将配电网数据中与负荷相...     

基于PSO算法优化GRU神经网络的短期负荷预测

为了实现高精度的电力系统短期负荷预测,提出了基于粒子群优化(particle swarm optimization,PSO)算法优化门控循环单元(gated recurrent unit,GRU)神经网络的电力系统短期负荷预测模型。首先建立GRU神经网络,GRU神经网络采用了门控循环单元,与采用传统循环单元的传统循环神经网络相比,克服了传统循环神经网络中可能出现的梯度爆炸和梯度消失问题;继而采用具有较强全局优化能力的改进粒子群算法对GRU神经网络参数进行优化,有效提高模型的预测精度。通过实际算例仿真分析,并与传统的GRU神经网络预测模型以及反向传播(back propagation,BP)神经网络预测模型进行对比,验证了所提电力系统短期负荷预测模型具有较好的精度和稳定性。     

混合模糊神经网络在短期负荷预测中的应用

为提高电力系统短期负荷预测精度,将模糊逻辑和神经网络的长处融合在一起,构建了混合模糊神经网络短期负荷预测模型,用于预测预报日的负荷。其中针对模糊神经元的权值更新问题,采用了一种新的权值更新算法——一步搜索寻优法,进一步减小了预测误差。实际算例证明了该模型的有效性。     

基于并联时序卷积神经网络的电力负荷短期预测

电力负荷的短期预测可以合理地确定机组运行方式,安排日调度计划,提高计量精准度,对实现系统功率平衡和保障系统的安全经济运行具有重要意义。在利用神经网络进行负荷短期预测时,若训练数据不足,模型的学习能力会大大降低。同时,由于电力负荷数据存在小时周期、日周期、周周期、季节周期特性,常规神经网络训练模型无法反映负荷的不同周期特性,对预测结果的准确性也会造成一定的影响。为此,首先提出一种数据增强方法,有效解决电力负荷预测中训练数据不足的问题。其次,针对负荷的周期性特征,进一步提出使用不同周期特征的并联时序卷积神经网络模型的融合方案,有效反映负荷数据的多周期特征,从而提升电力负荷短期预测的准确度。通过对某地市不同电压等级线路负荷数据的建模和训练,验证所提方法在短期预测方面的有效性和优越性。     

基于CNN-BiGRU-NN模型的短期负荷预测方法

为充分挖掘蕴含在大量采集数据中的有效信息,提高短期负荷预测精度,提出一种基于卷积神经网络（CNN）和双向门控循环单元（BiGRU）、全连接神经网络（NN）的混合模型的短期负荷预测方法,将海量的历史负荷数据、气象信息、日期信息按时间滑动窗口构造特征图作为输入,先利用CNN提取特征图中的有效信息,构造特征向量,再将特征向量作为BiGRU-NN网络的输入,采用BiGRU-NN网络进行短期负荷预测。以2016年举办的全国第九届电工数学建模竞赛试题A题中的负荷数据作为实际算例,实验结果表明：该方法与DNN神经网络、GRU神经网络、CNN-LSTM神经网络短期负荷预测法相比,有更高的预测精度。     

基于条件生成对抗网络的短期负荷预测

精准的短期负荷预测对电力系统制定合理生产计划、提高经济效益、保证电网安全运行具有重要意义.为学习非线性负荷数据中隐含的深层关系,提高短期负荷预测精度,文中提出一种基于条件生成对抗网络的短期负荷预测模型.所提模型使用卷积神经网络构建生成模型和判别模型,以负荷影响因素作为条件,并引入特征损失函数作为判别模型部分隐藏层的损失...     

基于模糊神经网络的电力负荷短期预测

针对电力负荷的特点,综合考虑了温度及日期类型等因素对日最大负荷的影响,提出了一种采用模糊神经网络进行短期负荷预测的方法,并详细介绍了该方法的实现过程。通过对EUNITE(the European Network of Excellence on Intelligent Technologies for Smart Adaptive Systems)网络提供的实际数据进行详细分析确定了影响日最大负荷的相关因素,进而选择了合适的模糊输入以建立相应的模糊神经网络预测模型,并取得了较为理想的预测结果。算例分析结果充分证明了模糊神经网络在短期电力负荷预测方面具有较好的应用前景。     

南京城市电网核心区短期负荷特性分析及预测

城市电网核心区负荷变化复杂,影响因素众多,对电网调度部门的安全运行提出了挑战。基于南京电网实际负荷数据,分析了负荷变化特性及各类影响负荷变化的因素,同时针对预测方法中存在的边缘效应等问题,通过改进训练策略,提出了一种新的人工神经网络短期负荷预测模型。该模型采用多隐含层和动态神经元个数的预测方法,对不同神经元预测结果进行比较,以达到预测负荷的目的。预测结果表明,基于该方法建立的预测模型适用性强且能获得较高的预测精度,可为城市核心区的短期负荷预测提供可行方案。     

基于机器学习的短期电力负荷预测方法研究

针对短期电力负荷数据具有明显周期性的特点,将基于机器学习引入到短期电力负荷预测领域,提出一种基于岭回归估计的RBF神经网络短期电力负荷预测方法,该方法利用机器学习算法RBF在非线性拟合方面的优势,结合岭回归对RBF神经网络输出层权值进行参数估计,有效消除输入多重共线性问题,采用广义交叉验证法对构建的模型进行评估,寻找最优岭参数,提高了电力负荷预测精度。通过实际负荷预测案例,与传统BP神经网络负荷预测方法进行比对,验证了提出的电力负荷预测方法较传统方法具有较好的稳定性和较高的预测精度,为电力负荷预测提供了新思路。