首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到16条相似文献,搜索用时 171 毫秒
1.
针对输入数据特征多时负荷预测模型精度提升难的问题,文章提出一种并行多模型融合的混合神经网络超短期负荷预测方法。将卷积神经网络(convolutional neural network,CNN)与门控循环单元神经网络(gated recurrent unit neural network,GRU-NN)并行,分别提取局部特征与时序特征,将2个网络结构的输出拼接并输入深度神经网络(deep neural network,DNN),由DNN进行超短期负荷预测。最后应用负荷与温度数据进行预测实验,结果表明相比于GRU-NN网络结构、长短期记忆(long short term memory,LSTM)网络结构、串行CNN-LSTM网络结构与串行CNN-GRU网络结构,所提方法具有更好的预测性能。  相似文献   

2.
针对电动汽车充电站充电功率随机性大的难题,本文建立了ELMAN反馈式神经网络预测模型,然后采用粒子群算法对其进行优化,接着将优化之后的模型与模糊控制相结合,最终建立3种模型相结合的组合预测模型,并以青岛地区某一充电站的实际负荷数据为算例,验证了组合预测模型的有效性,提高了电动汽车充电站短期负荷预测的精度。  相似文献   

3.
为提升电动汽车充电站短期负荷预测的效率和精度,提出了基于核主成分分析(kernel principal component analysis,KPCA)和非劣排序遗传算法II(non-dominated sorting genetic algorithm II,NSGAII)优化卷积神经网络(convolutional neural network,CNN)的充电站短期负荷预测方法。应用KPCA对模型输入变量进行降噪处理,简化了网络结构,加快了预测速度;通过多次负荷预测测试比较误差的方式确定卷积神经网络模型中卷积层和子采样层的最佳神经元个数,保证了预测方法的准确性;利用NSGAII对卷积神经网络的参数进行优化,提高了预测方法的运算速度和预测精度。通过算例分析以及和其他方法的对比,验证了文中方法具有较高的效率和精度。  相似文献   

4.
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。  相似文献   

5.
电网的可靠运行及持续发展离不开对短期电力负荷的高效、准确预测。针对表征电网负荷变化的历史数据具有复杂性和时序性等特点,且现有的机器学习预测方法仍存在依据经验选取关键参数的不足,利用卷积神经网络(CNN)提取表征负荷变化的多维特征向量,构造成时间序列输入到门控循环单元(GRU),并使用改进麻雀搜索算法(ISSA)对GRU网络中的超参数进行迭代寻优。预测试验样本来自云南某地区的负荷数据,所提方法的预测精度达到了98.624%,与循环神经网络(RNN)、GRU和长短期记忆(LSTM)等神经网络预测方法进行对比,算例表明,所提方法克服了依据经验选取关键参数难题的同时具有更高的预测精度。  相似文献   

6.
现有的电网调度方法对电动汽车充电负荷需求的预测效果较差,预测的负荷变化趋势与实际情况相差较大,因此基于电动汽车充电负荷需求预测提出电网调度优化方法。根据电动汽车到达充电站的起始和终止时间,计算得到充电时长,电网调度再根据此时间段执行充放电活动。对历史负荷数据标记季节和假期属性,得到属性相似的初步样本,使用充电负荷数据的最值和平均值作为负荷属性,经过AP算法聚类后,利用CNN模型对样本负荷进行预测,其通道值分别为负荷值、温度和车流量,输出充电负荷需求值。根据充电负荷预测信息和剩余容量确定电网调度优化目标和调度约束条件,改变电动汽车的充电时刻,实现电网负荷优化。测试结果表明,该设计方法使用有序的充电策略保证了良好的优化调度效果,满足充电负荷需求。  相似文献   

7.
本文以某电动汽车充电站的实测充电功率数据和天气预报数据为理论依据,分析了电动汽车充电站的负荷特性。构建了基于粒子群优化脉冲神经网络的电动汽车充电站短期负荷预测模型,脉冲神经网络采用脉冲发放时间进行信息的编码及处理,具有计算能力强、信息容量大和实时性好的特点。通过仿真算例对比可知,本文提出的预测模型比传统BP-NN预测模型的预测误差在四个季节的测试日分别降低了8.59%、9.28%、12.06%和8.72%,证实所提出的模型具有较高的预测精度。  相似文献   

8.
为了充分利用郑州南五里堡电动汽车充电站容量,开发了电动汽车充电站负荷预测可视化系统.首先建立 了基于小波神经网络算法的电动汽车充电负荷预测模型;然后利用Excel软件建立了数据系统,用以访问和储存系统 数据,实现负荷预测功能以及历史数据查询功能;最后利用MATLABAppDesigner设计用户界面,对郑州南五里堡 电动汽车充电站的负荷预测系统进行了功能测试,测试结果表明该算法具有较高的预测精度,验证了充电负荷预测模 型的正确性.  相似文献   

9.
电力系统负荷预测实质是对电力市场需求的预测,短期电力负荷预测是电力部门的重要工作之一。目前主要的负荷预测方法有传统预测、灰色预测、混沌理论预测、智能技术预测、优选组合预测等,其中智能预测中最典型的就是人工神经网络。人工神经网络是一个极其复杂的非线性动力学系统。它的自学习功能对预测有着重要的意义,能通过学习历史负荷数据来反映出输入变量和输出变量之间的非线性关系。由于很多因素都会对电力负荷造成影响,因此可以把神经网络算法引用到负荷预测中,提高电力负荷的预测精度。基于宁夏电网短期电力负荷预测的实际需求,提出了一种基于Attention机制优化CNN-GRU混合神经网络的短期负荷预测技术。该技术通过引入Attention机制对CNN-GRU模型进行改进,有效提升了预测精度和可解释性。在宁夏电网实际数据集上进行的仿真实验表明所提出的模型具有较高的预测准确性和可靠性。  相似文献   

10.
电动汽车(electric vehicle,EV)用户充电行为在时间和空间上的随机性增加了EV充电站负荷预测的难度,为此以提高负荷预测的准确度为目的,通过改进深度学习中的栈式自编码器提出栈式自编码器-极限学习机(SAE-ELM)的混合模型,并深入研究EV与电网的交互模式;综合考虑影响充电站负荷量的关键因素,如历史负荷、环境、日类型等,对某地充电站进行短期负荷预测并验证;最后与SAE-BP、ELM算法做对比实验,实验结果表明SAE-ELM对充电站的短期负荷预测更加有效准确,更有利于电网稳定运行。  相似文献   

11.
电动汽车充电站负荷波动的不确定性与长时间预测任务给提升充电负荷预测精度带来巨大的挑战。文中提出一种基于动态自适应图神经网络的电动汽车充电负荷预测算法。首先,构建了一个充电负荷信息时空关联特征提取层,将多头注意力机制与自适应相关图结合生成具有时空关联性的综合特征表达式,以捕获充电站负荷的波动性;然后,将提取的特征输入到时空卷积层,捕获时间和空间之间的耦合关系;最后,通过切比雪夫多项式图卷积与多尺度时间卷积提升模型耦合长时间序列之间的能力。以Palo Alto数据集为例,与现有方法相比,所提算法在4种波动情况下的平均预测误差大幅降低。  相似文献   

12.
基于CNN-LSTM混合神经网络模型的短期负荷预测方法   总被引:5,自引:0,他引:5  
为了更好地挖掘海量数据中蕴含的有效信息,提高短期负荷预测精度,针对负荷数据时序性和非线性的特点,提出了一种基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合模型短期负荷预测方法,将海量的历史负荷数据、气象数据、日期信息以及峰谷电价数据按时间滑动窗口构造连续特征图作为输入,先采用CNN提取特征向量,将特征向量以时序序列方式构造并作为LSTM网络输入数据,再采用LSTM网络进行短期负荷预测。使用所提方法对江苏省某地区电力负荷数据进行预测实验,实验结果表明,文中所提出的预测方法比传统负荷预测方法、随机森林模型负荷预测模型方法和标准LSTM网络负荷预测方法具有更高的预测精度。  相似文献   

13.
光伏电站出力随机性易引发并网点电压大幅度波动,通过趋势预测提前调控是提高电压稳定性的有效途径。为了提升电压趋势预测精度,提出一种基于卷积神经网络(convolutional neural networks,CNN)和门控循环单元(gated recurrent unit,GRU)的电压轨迹预测方法。首先,通过采集单元提取电压数据构建时间序列;然后,计算电压时间序列的自相关系数及其与外部变量间的最大信息系数(maximal information coefficient,MIC),分析电压时间序列与外部变量在时序上的关联性;再通过CNN网络提取输入数据的高层特征;最后输入至GRU网络完成电压轨迹预测。通过某地光伏电站实测数据进行验证,结果表明:本文模型与GRU、长短期记忆网络(long short-term memory,LSTM)、CNN-LSTM、支持向量回归(support vector regression,SVR)等模型相比预测准确度更高。  相似文献   

14.
光伏电站出力随机性易引发并网点电压大幅度波动,通过趋势预测提前调控是提高电压稳定性的有效途径。为了提升电压趋势预测精度,提出一种基于卷积神经网络(convolutional neural networks,CNN)和门控循环单元(gated recurrent unit,GRU)的电压轨迹预测方法。首先,通过采集单元提取电压数据构建时间序列;然后,计算电压时间序列的自相关系数及其与外部变量间的最大信息系数(maximal information coefficient,MIC),分析电压时间序列与外部变量在时序上的关联性;再通过CNN网络提取输入数据的高层特征;最后输入至GRU网络完成电压轨迹预测。通过某地光伏电站实测数据进行验证,结果表明:本文模型与GRU、长短期记忆网络(long short-term memory,LSTM)、CNN-LSTM、支持向量回归(support vector regression,SVR)等模型相比预测准确度更高。  相似文献   

15.
针对目前城市电动汽车(electric vehicle, EV)充电站存在盲目建设、规划不合理导致的部分充电站利用率低、用户充电满意度低等问题,同时为适应“双碳”目标下发展大规模EV的充电站规划需求,提出一种基于蒙特卡洛模拟和回声状态网络(echo state network, ESN)拟合的城市EV时空充电负荷预测方法,进一步开展EV充电站规划研究。首先考虑城市交通路网结构和区域主要功能,将待规划区域进行网格划分并作为待建充电站备选位置;利用蒙特卡洛方法对各类EV进行多种模式的出行链模拟,获取各网格区域内的EV充电负荷数据集;为拟合各网格内EV充电负荷的多样化分布特征,建立基于回声状态网络ESN学习算法的EV时空充电负荷预测模型,实现一定EV保有量下待规划区内EV时空充电负荷的预测。进一步考虑待规划网格区域内的最大充电预测负荷等约束条件﹑以充电站的建设和运维成本、EV用户充电出行成本以及配网损耗的综合成本最小为目标,建立EV充电站的规划模型,利用粒子群算法进行模型求解得到待规划区的充电站建设位置、数量及容量;最后以某城区EV充电负荷预测及充电站规划为例进行计算,验证了所提方法及模型的...  相似文献   

16.
随着电动汽车的快速增长,大规模电动汽车充电具有随机性、时空耦合性的特点,对配电网运行电压造成越限风险.通过基于价格的需求响应,引导电动汽车在大时空范围有序合理地充电成为重要的技术手段.文章研究基于数据驱动的电动汽车充电站需求响应特性及其参与配电网运行优化调度问题,首先提出单体电动汽车充电模型和计及交通网络拓扑结构的电动...  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号