共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
为了保障电网安全稳定和电力市场高效运行,电网调度人员和电力市场参与者对电力负荷预测准确度提出了更高要求,分布式电源和间歇性负荷是影响负荷精准预测的关键因素。针对传统负荷预测方法无法同时对负荷本身变化规律及其影响因素进行建模的问题,提出基于长短期记忆单元(LSTM)的负荷预测方法。利用具备时序记忆功能的LSTM构建深度循环神经网络(RNN),综合考虑历史负荷和各类负荷影响因素建立负荷预测模型。该方法利用神经网络的特征提取能力和LSTM的时序记忆能力,能在更长的历史时间范围内辨识负荷内在变化规律及各类影响因素对负荷的非线性影响。基于实际负荷数据对不同历史时间窗口、不同网络架构的负荷预测性能进行验证,并与其他负荷预测算法进行比较,结果表明所提方法能有效提升负荷预测准确性。 相似文献
3.
在售电侧逐渐市场化的环境下,园区的电力负荷预测对电力市场及园区自身经济运行具有重要意义.为了提高科技园区负荷预测的精度和可靠性,提出采用K折交叉验证的LightGBM算法与LSTM算法的多特征融合算法.首先利用K折交叉验证的LightGBM算法训练第一层特征的预测模型,将其预测结果作为下一层LSTM模型训练的附加特征值.最后将两层模型预测的负荷值根据预测误差加权平均成最终的负荷预测值,结合数据算例表明,采用K折交叉验证的LightGBM算法提高模型的泛化能力,模型融合比单一的模型预测更具优势,能在一定程度上提高预测精度,减小预测误差. 相似文献
4.
为进一步提高电力负荷预测精度,提出了基于LSTM(longshorttermmemorynetwork,LSTM)和XGBoost(eXtremegradientboosting)的组合预测模型。针对电力负荷数据,首先建立了LSTM预测模型和XGBoost预测模型,然后使用误差倒数法将LSTM与XGBoost组合起来进行预测。采用2016年电工数学建模竞赛的电力负荷数据进行算例分析,结果表明所构建的LSTM和XGBoost组合预测模型的MAPE(mean absolute percentage error)为0.57%,明显低于单一预测模型。将上述方法与GRU(gated recurrent unit)和XGBoost两者组合的预测模型相比较,结果表明所提出的方法具有更高的超短期电力负荷预测精度。 相似文献
5.
电力负荷数据具备时序性和非线性特征,长短时记忆神经网络(LSTM,long short-term memory)可以有效处理上述数据特性。然而LSTM算法性能对预置参数具有极大的依赖性,依靠经验设定的参数会使模型具有较低的泛化性能,降低了预测效果。为解决上述问题,提出非线性动态调整惯性权重粒子群算法(NIWPSO,nonlinear dynamic inertia weight strategy particle swarm optimization)与LSTM相结合的预测模型NIWPSO-LSTM。利用非线性动态调整惯性权重的方法来提升PSO的全局寻优能力,再通过NIWPSO对LSTM的参数进行优化。实验结果表明,NIWPSO-LSTM预测精度要远高于其他模型,验证了所提方案的可行性。 相似文献
6.
7.
8.
9.
随着电力系统中分布式能源及可调控柔性负荷等的增多,电力系统负荷的随机性增强,且电力系统智能化发展,使得可获得数据急剧增长。为充分利用历史负荷数据,提高超短期负荷的预测精度,提出一种基于attention机制的LSTM超短期负荷预测方法。首先,通过分析负荷数据的自相关性,选取预测点前168 h的负荷数据作为网络输入,并针对坏数据进行辨识修正,随后通过Adam算法实现网络训练。最后,通过与标准BP神经网络的预测结果的MAPE指标进行对比,验证了所提方法的可行性及效果。 相似文献
10.
相对于系统级负荷,用户负荷具有基数小、波动性与随机性更强的特点,加大了用户负荷预测的难度。文章借助互信息与深度学习理论,提出了一种基于最大相关最小冗余(max-relevance and min-redundancy, mRMR)和长短期记忆网络(long-short term memory networks, LSTM)的用户负荷短期预测模型。首先,采用mRMR算法对特征变量进行排序并选取合适的输入变量集合,mRMR既可以保证输入变量与目标值间互信息值最大,又使得变量间冗余性最小。接着,对选取的输入变量集合建立LSTM预测模型,LSTM能较好处理和预测延迟较长的时间序列,且不会存在梯度消失和梯度爆炸现象。最后,通过算例验证了所提算法的有效性。 相似文献
11.
12.
当地区电力负荷中光伏电站并网和钢铁冲击性负荷占比较大时,不仅威胁电网的安全稳定,也会对电力系统的短期负荷预测造成显著影响。通过分析钢铁冲击性负荷的影响因素,提出一种基于深度学习算法的长短期记忆(Long Short-term Memory,LSTM)神经网络分别对钢铁冲击负荷不同占比下的母线负荷序列进行预测。实际计算结果表明:LSTM应用于钢铁工业地区母线短期负荷预测时,能够有效提升预测精度。 相似文献
13.
14.
15.
16.
近几年来,中国电力工业正在逐步进行电力体制改革,电力市场运营机制也逐步在我国建立。国内电力市场的逐步开放并投入运营,对电力系统负荷预测的研究也越来越引起人们的关注。负荷预测是从已知的用电需求量出发,在考虑经济、气候等相关因素的前提下,对未来的用电需求做出的合理预测。负荷预测包括两方面的含义:对未来需求量(功率)的预测和未来用电量(能量)的预测。电力需求量的预测决定发电、输电、配电系统新增容量的大小;电能预测决定发电设备的类型(如调峰机组、基荷机组等)。 相似文献
17.
18.
为提高对磨煤机故障的事前预知能力,结合深度学习方法的优势,在传统长短时记忆(LSTM)神经网络的基础上,提出基于卷积神经网络-长短时记忆神经网络(CNN-LSTM)的磨煤机故障预警方法。选择与磨煤机堵煤故障相关的测点作为模型的输入量,进行多元时间序列预测。得到模型输出预测值与磨煤机正常工作状态下的运行数据之间的偏离度函数,运用核密度估计方法确定预警阈值,实现磨煤机堵煤故障预警。以某660 MW火电机组的中速磨煤机为研究对象,建立CNN-LSTM模型并进行故障预警试验。试验结果表明,该模型可以精确预测磨煤机多个测点参数的变化趋势,相较于LSTM神经网络模型具有更高的精确度。该方法能够提前对磨煤机堵煤故障做出有效预警。 相似文献
19.