基于自注意力编码器和深度神经网络的短期净负荷预测

随着新能源渗透比例的提高，新型电力系统的源荷平衡与稳定运行依赖于更精确可信的预测。净负荷是实际负荷减去新能源出力的负荷需求，其准确的预测结果能够有效提高电力系统运行经济性与安全性。该文采用直接预测策略，提出基于自注意力编码器和深度神经网络的净负荷预测模型，该模型包括提取原始不确定量特征信息的自注意力编码器模块和提取净负荷时序特征的长短期记忆神经网络模块，两个模块提取的特征信息输入残差神经网络后输出最终的预测结果。同时，由于净负荷集成了负荷、风光等多个不确定量，波动性较强，该文结合条件分位数回归有效实现非参数区间预测，来量化预测不确定性，评估净负荷波动范围。算例分析表明，所提模型相比常见的预测模型取得了更高的净负荷预测精度，给出的预测区间质量也优于基线模型，能够有效支持电网实时运行。     

基于深度数据感知的工业园区短期负荷预测

结合自动编码器的特征提取能力与长短期记忆(LSTM)良好的时序预测优势,提出一种基于LSTM自编码的短期负荷预测模型.首先,基于深度模型学习能力优势,构建自动编码器的工业园区负荷数据特征提取模型.其次,给出基于格布拉斯准则的异常值判断方法和拉格朗日样条插值的缺失值补全法.最后,利用Tensorflow架构调用Keras...     

基于LSTM网络的短期负荷预测

提出一种基于深度学习的LSTM的短期电力负荷预测方法,以减小负载预测模型所需的数据量的维度大小。基于某地电力公司的历史负荷数据,对比LSTM神经网络预测结果与BP神经网络算法预测结果,验证了所提算法的预测精度更高。     

基于深度神经网络的短期电网负荷预测模型研究

随着分布式光伏装机容量的增加，已对全网负荷变化产生影响，现有负荷预测模式尚未考虑分布式光伏并网影响，电网负荷变化日趋复杂，亟需提高预测精度。构建了一种短期用电负荷预测模型，为了进一步提升预测精度，提出了一种基于深度神经网络和ResBlock迭代的短期负荷预测方法，学习不同用电量之间行为，建立内在时空的相关性。仿真结果表明，所提的负荷预测算法相比于传统方式准确性有明显的提高，在未来能源预测方面有较好的应用前景。     

基于深度学习分位数回归的电力负荷区间预测方法

常规的短期负荷预测方法得到的都是确定的负荷预测序列,事实上,电力系统包含着各种不确定因素,决策工作因而面临着一定的风险。针对这一问题,提出一种基于深度学习分位数回归的电力负荷区间预测方法,预测结果能使决策者认识到未来负荷的不确定性和风险性。首先,将输入数据划分成负荷特征部分和时间天气特征部分,分别传入卷积神经网络和反向传播神经网络训练,再拼接输出后传入全连接层构成深度学习模型;然后,将该模型与分位数回归结合起来,并行生成预测负荷的多个分位数结果;最后,利用某地实际负荷数据进行了仿真。仿真算例结果表明该方法不仅可以获得更高精度(平均绝对百分误差小于1%),甚至可获得某一置信水平下的负荷预测曲线的包络线。     

采用长短期记忆深度学习模型的工业负荷短期预测方法

工业负荷不同于其他电力负荷, 受气温、时间、人口等外部因素的影响较小, 其功率需求主要由相关企业的生产计划来决定。在电力市场环境下, 准确的负荷预测有助于工业用户更好地制定电力交易策略, 从而增加收益。在此背景下, 基于改进的长短期记忆（long short term memory, LSTM）深度学习网络模型, 提出了一种工业负荷短期预测算法。首先,在网络层次上构建层数更多即网络层次更深的LSTM深度学习负荷预测模型。接着, 在每个LSTM单元构成的隐含层中, 采用Dropout技术对神经元进行随机概率失活, 并通过正则化有效避免深度学习过拟合问题并改善了模型性能。然后, 采用真实的工业用户历史负荷数据对所提算法进行测试, 并与已有的短期负荷预测算法进行对比, 包括自回归滑动平均模型 （auto-regressive and moving average model, ARMA）, 最邻近回归算法 （K nearest neighbor regression, KNN） 以及支持向量回归算法 （support vector regression, SVR）。仿真结果表明, 所提深度学习工业负荷短期预测算法相比于一些现有方法, 其预测准确度有明显提升,预测结果的平均绝对百分误差（mean absolute percentage error, MAPE）在9%以下。     

基于Spark和深度神经网络的短期电力负荷预测方法

针对单机计算资源不足和提高负荷预测精度,提出一种基于Spark和粒子群优化深度神经网络的短期负荷预测模型.通过引入Spark计算平台,将深度神经网络模型部署在平台上,对深度神经网络模型的网络结构和权重及阈值参数利用粒子群算法优化,再利用优化后的深度神经网络模型预测电力负荷.通过实验分析,结果表明提出的电力负荷预测方法不...     

基于GRU-NN模型的短期负荷预测方法

目前基于统计分析和机器学习的预测方法难以同时兼顾负荷数据的时序性和非线性特点。文中提出了一种基于GRU-NN模型的短期电力负荷预测方法。该方法基于深度学习思想处理不同类型的负荷影响因素,引入门控循环单元(GRU)网络处理具有时序性特点的历史负荷序列,建模学习负荷数据内部动态变化规律,其输出结果与其他外部影响因素(天气、日类型等)融合为新的输入特征,使用深度神经网络进行处理,整体分析特征与负荷变化的内在联系,最后完成负荷预测。以美国某公共事业部门提供的公开数据集和中国某地区的负荷数据作为实际算例,该方法预测精度分别达到了97.30%和97.12%,并与长短期记忆神经网络、多层感知机以及GRU神经网络方法进行对比,实验结果表明所提方法具有更高的预测精度和更快的预测速度。     

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。     

基于改进深度信念网络的短期电力负荷预测方法

随着社会经济结构的变化,仅依赖于负荷历史数据和少量气象等影响因素进行电力负荷预测会造成较大误差.本文提出了一种基于改进深度信念网络IDBN(improved deep belief network)算法的负荷预测方法.该方法充分挖掘历史负荷数据中的规律性,将数据特征向量输入到多个用于两层稀疏自编码神经网络中进行特征融合,利用神经网络模型进行负荷预测,并进行无监督训练对模型进行预训练,提升多类型实值输入数据的处理效率.最后,通过算例验证了本文所提方法的有效性.     

基于深度森林算法的电力系统短期负荷预测

为了提高电力系统短期负荷预测的精确度,解决目前基于机器学习算法的负荷预测需要人为凭经验对超参数进行大量设置和调整的问题,该文将深度森林算法引入了电力系统短期负荷预测领域。深度森林算法包含多粒度扫描阶段和级联森林阶段,具有表征学习的能力。与深度神经网络相比,深度森林算法能够进行高效并行训练,无须大量人为设置和调整超参数。该文选取了某地区实际电力负荷值以及气象因素数据,分别利用了前21天和前40天的数据对深度森林算法进行训练,并将其负荷预测结果与智能算法和传统分类算法的负荷预测结果进行了对比分析。试验结果表明深度森林算法具有高效的电力系统短期负荷预测的能力。     

基于降噪时序深度学习网络的风电功率短期预测方法

利用风电场历史功率数据预测未来一段时间内的风功率,对保障电网安全稳定运行具有重要的意义。本文提出一种基于奇异谱分析SSA(singular spectrum analysis)和长短时记忆LSTM(long-short term memory net⁃work)网络的时序特征预测框架用于短期风功率的预测。首先通过SSA对历史风功率原始数据进行降噪处理,然后经过数据转换之后,以LSTM网络为基础进行预测模型的训练,最后通过某风电场提供的两个风机的历史功率数据进行验证。实验结果表明,奇异谱分析对风电场的历史数据具有良好的降噪性,SSA+LSTM模型在测试数据上取得了较好的预测性能,能够有效进行短期风功率的预测。     

基于改进LS-SVM的短期电力负荷预测方法研究

针对电力负荷随机性强、稳定性差、预测精度不理想等问题,提出了一种基于粒子群优化PSO和最小二乘支持向量机LS-SVM的短期负荷预测方法.模型的输入因子是负荷数据和气象信息等.粒子群优化算法用于实现支持向量机参数的自动优化,建立了基于粒子群优化的最小二乘支持向量机短期负荷预测模型.通过仿真验证了改进前后预测模型的准确性和...     

基于深度学习的智能型负荷预测方法的研究

基于深度学习框架,提出了一种精确高效的智能型负荷预测方法。首先,梳理了影响负荷预测精度的因素;然后,引入核范数聚类算法对负荷样本进行聚类处理;最后,基于GRU神经元搭建Seq2Seq技术框架。以某区域实际的历史负荷数据为基础,对所提方法进行了验证。实验表明,所提的智能型负荷预测方法考虑了多种影响负荷变化的因素,适应性强,能够显著地提升负荷预测的准确率。     

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EEMD-CS-LSSVM的短期负荷预测方法研究

针对电力负荷具有非线性特征、预测精度不高的问题,提出一种基于集合经验模态分解和布谷鸟搜索算法优化最小二乘支持向量回归机的组合预测方法.首先,将历史负荷数据经集合经验模态分解为高频分量、随机分量和低频分量;其次,针对各分量特征采用具有不同核函数的最小二乘支持向量回归机预测模型进行电力负荷分量的预测,并且利用布谷鸟搜索优化...     

基于改进BP神经网络的短期电力负荷预测方法研究

针对短期负荷预测精度低、准确性差等问题,将猫群算法CSO和BP神经网络相结合用于短期负荷预测,模型的输入因子是负荷数据和气象信息等,利用猫群算法对BP神经网络的权值和阈值进行优化,得到BP神经网络预测模型的最优解,建立了短期预测模型。通过实例验证了预测模型的有效性和有效性,结果表明,改进模型能够有效降低BP神经网络模型的预测误差,提高预测精度,为我国电力系统短期负荷预测的发展提供了参考和借鉴。     

辽宁电网短期负荷预测方法研究

主要介绍了适于辽宁电网短期负荷预测的基本方法－－线性外推法。同时针对北方气候对负荷影响的特殊性,提出了温度与负荷的幂函数关系及降水量与负荷的关系,以此修正线性外推基本方法的计算结果,并阐述了一种在运行实践中总结出的节假日负荷预测方法。