基于EEMD-GRU-MLR的短期电力负荷预测EI北大核心CSCD

针对电力负荷随机性较强,预测精度不高的问题,通过构建集合经验模态分解(ensembleempiricalmode decomposition,EEMD)以及门控循环单元神经网络(gated recurrent unit neural network,GRU)和多元线性回归(multiple linearregression,MLR)组合而成的EEMD-GRU-MLR(EGM)预测方法,有效提高了电力负荷短期预测精度。首先通过集合经验模态分解将电力负荷数据分解为频率由高到低的不同本征模态函数(intrinsicmodefunctions,IMF),不同频率的本征模态函数分量代表了电力负荷不同的部分特征,随后分别使用多元线性回归方法和GRU神经网络方法对低频部分和高频部分进行快速准确的预测,最后将所得各预测结果组合后得到完整的预测结果。EGM预测方法不但能够对电力负荷的变化趋势进行有效预测,而且能够准确预测随机性较强的局部特征。最后通过实验验证,该方法有效地提高了负荷预测精度。     

电力负荷短期预测

文章从调度运行和需求侧管理出发,分析电力负荷的构成特点和负荷值变化的原因;将负荷突变值和平稳值采用平均值的方法求出接近的真实值,建立负荷短期预测模型,再输入历史负荷(常规)数据、天气状况的历史数据和特别事件预测数据,得到负荷短期预测值。     

基于电力负荷模式分类的短期电力负荷预测

根据历史数据集的基本知识建立一个基于模糊规则的电力负荷模式分类系统,在考虑规则的分类准确性和可解释性的情况下,利用遗传优化算法挑选出Pareto最优模式分类规则集用于电力负荷模式分类.并在仿真试验中,将此分类系统用于电力负荷预测,结果表明此分类系统具有较好的分类性能,可为电力负荷预测提供更为充分有效的历史数据,从而改善其负荷预测性能.     

基于CNN-BiLSTM的短期电力负荷预测

短期电力负荷预测能准确评估地区整体电力负荷变化情况,为电力系统运行决策提供准确参考。电力负荷参数受多维因素影响,为充分挖掘电力负荷数据中的时序特征,提升电力负荷预测精度,该文提出一种基于特征筛选的卷积神经网络—双向长短期记忆网络组合模型的短期电力负荷预测方法。以真实电力负荷数据作为数据集,通过对多维输入参数的优化筛选,选取高相关性特征向量作为输入,构建预测模型。通过与添加注意力机制的组合模型对比验证了输入参数优化分析的可行性和优越性。最后利用实际算例将该方法与利用自动化模型构建工具构建的梯度增强基线模型及常用预测模型相比,该方法构建的组合模型可以提升多维电力负荷数据的短期预测精度。     

基于PSO-LSSVM的短期电力负荷预测

提出一种基于粒子群优化-最小二乘支持向量机(particle swarm optimization-least squares support vector machine,PSO-LSSVM)的短期负荷预测的方法。采用PSO算法对LSSVM的模型参数进行寻优,实现LSSVM参数的自动优化选取,进而得到比单一LSSVM更准确的短期负荷预测模型。实际算例结果验证了所提预测方法可行性,与其他方法预测结果的对比进一步突出了所提方法的有效性。     

基于VMD-ARIMA-DBN的短期电力负荷预测

针对短期电力负荷预测精度不足的问题,提出一种基于变分模态分解、深度信念网络、差分自回归移动平均模型的组合预测模型。首先选取电力负荷影响较大的相关参数,采用变分模态分解将负荷数据分解为低频和高频两种分量;然后利用差分自回归移动平均模型和深度信念网络分别对低频和高频两种分量进行预测,为克服深度信念网络参数随机化的缺陷,采用粒子群优化算法优化模型以进一步提高精度;最后组合各模型结果得到最终预测值。实验结果表明,该组合模型较其他模型具有更好的预测性能。     

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%。     

基于改进LSSVM的短期电力负荷预测

针对电力负荷随机性、波动性以及非线性因素所导致预测精度不高等问题,提出了一种基于变分模态分解(VMD)与麻雀搜索算法(SSA)优化的最小二乘支持向量机(LSSVM)短期负荷预测模型。该方法首先借助VMD将原始负荷时间序列分解成不同频率的本征模态函数(IMF)和残差分量(Res),然后对各分量建立不同的LSSVM预测模型并利用SSA进行参数优化,最后将各分量预测值组合得到最终的预测结果。以比利时蒙斯大学和中国河南省某地区两组真实数据为例进行预测分析,将预测结果与LSSVM、VMD-LSSVM、SSA-LSSVM模型预测值对比,得出本文方法的两组数据MAPE值分别为1.5016%、4.765%,远低于其他模型。结果表明本文组合预测模型在预测精度上具有一定的优越性。     

基于EMD-GRU的短期电力负荷预测方法

高效精准的短期负荷预测对电力系统安全稳定运行至关重要。提出一种基于经验模态分解（EMD）和门控循环单元（GRU）的组合预测模型。首先选取日期因素、气象因素和历史负荷因素构建输入特征集;再利用EMD算法将随机性强的历史负荷数据分解为有限个特征互异的固有模态函数分量和趋势分量,并和日期因素、气象因素一起作为GRU网络的输入;采用2层GRU循环网络增加网络深度,提升模型学习能力,对各分量数据分别预测并叠加重构输出预测值。以我国某地负荷数据为实际算例,实验结果表明,采用该方法预测误差仅为6.11%,相较于GRU网络模型和BP神经网络模型,预测精度得到巨大提升;相较于EMD-LSTM网络模型,在预测精度相差0.04%的情况下,预测时长缩短25.99%,训练效率得到显著提升。     

基于KLPP-K-means-BiLSTM的台区短期电力负荷预测

随着智能电网的发展,各场景的用电更加多元化,而准确的台区负荷预测是确保相关电力部门制定合适检修任务的关键,同时为有序用电、电网经济运行提供重要参考。为了挖掘台区负荷的特征以提高台区负荷预测的精度,提出了一种基于核主元分析与局部保持投影降维、K均值聚类算法(K-means)以及双向长短时记忆网络(BiLSTM)的台区电力负荷预测方法。首先利用核局部保持投影（KLPP）对台区多特征负荷数据进行降维以提取主要特征信息;然后采取K-means聚类算法将相似特征的数据归类成各自的簇集;最后针对聚类后的各典型类型,有针对性地训练BiLSTM,并选取中国某高校低压台区负荷作为算例与其他经典预测方法进行对比分析,结果表明所提方法更拟合实际负荷走向,有效提升了预测效果。     

基于灰色模型的电力负荷短期预测

准确的负荷预测可以保证电网的安全稳定运行,提高电力系统运行的经济效益,为此,基于灰色理论建立了电力负荷预测模型,并结合陕西省汉中市区电力局某变电站2006年7月的实际负荷讨论了灰色模型在短期负荷预测中的应用,实例计算表明,该模型具有预测精度高、计算过程简单等特点。     

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PSO-WPESN的短期电力负荷预测方法

精确的短期电力负荷预测是电力生产优化调度和安全稳定运行的重要保证,是智能电网建设的重要一环。为提高模型的预测精度,提出了一种基于粒子群优化小波包回声状态神经网络的短期电力负荷预测方法。首先利用多分辨率小波包分解方法对负荷数据进行分解和重构,建立小波包回声状态网预测模型;然后,利用粒子群算法对预测模型储备池中的参数进行优化。实验结果表明:针对短期电力负荷动态时间序列数据,与BP、Elman、传统ESN等网络相比,PSO-WPESN网络的预测精度、稳定性和泛化能力都得到明显增强,尤其是能在一定程度上缓解由于输出矩阵过大造成ESN存在病态解的弊端。     

基于EIEMD-IMDE-XGBoost模型的短期电力负荷预测

为解决短期电力负荷精准预测问题,提出了基于EIEMD-IMDE-XGBoost模型的预测新方法。针对传统的经验模态分析方法存在的模态混叠及端点效应等问题,提出集合干扰重构经验模态分解算法对电力负荷监测数据进行预处理,可将原始数据分解为多个平稳分量。为避免传统多尺度散布熵算法计算不稳定的问题,提出改进多尺度散布熵算法用于刻画电力负荷监测数据的内在特征。结合各有效平稳分量的散布熵值构造特征向量,并输入到参数优化的XGBoost模型中实现负荷预测。实际案例验证表明,该方法具有较高的预测精度和较强的适应能力,对于电力系统负荷预测具有一定的参考借鉴价值。     

基于RBF神经网络的短期电力负荷预测

深入研究了温度、湿度以及风速等气象条件对电力负荷的影响,建立了基于径向基函数（RBF）神经网络进行短期负荷预测的模型。以广东省某地区月负荷数据作为原始数据,利用RBF神经网络的非线性逼近能力预测出日负荷曲线,并用实测数据对其进行了检验,同时与同等条件下建立的BP神经网络模型预测的结果进行了综合对比。结果表明,基于RBF神经网络模型预测的误差比BP神经网络模型预测的误差要小,其预测精度可以为供电企业对负荷进行合理的规划和准确的调度提供依据,具有一定的工程指导意义。     

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。     

基于智能集中器的短期电力负荷预测

随着智能电网的快速发展,新型智能集中器利用边缘计算技术实现用户侧负荷预测,可有效减轻主站压力,提高相应速度。本文针对智能集中器的负荷预测计算功能进行分析,在智能集中器的负荷预测算法模块,提出采用具有遗忘机制的在线贯序极限学习机(FOS-ELM)算法进行短期负荷预测,使用采集到的实时数据对预测模型进行训练,并通过算例进行仿真分析,仿真结果表明采用该算法的智能集中器能够实时更新训练样本,预测精度高,计算量小,计算速度快,并能够实现短期负荷的在线预测。     

基于数据挖掘技术的短期电力负荷预测

随着用电信息采集系统的广泛应用,电力公司获取了大量的用户负荷数据,短期电力负荷预测对电力系统的运行、控制和计划都有着非常重要的影响,但由于电力负荷受到诸多因素的影响,因此得到高精度的电力负荷预测结果是比较困难的。本文提出一种基于数据挖掘技术的负荷预测方法,首先对历史负荷数据进行聚类分析,根据待预测日的特征值选取相似日,在提取相似日的相关数据后,建立BP神经网络模型进行短期电力负荷预测。