基于联合模型的短期电力负荷预测方法

为了准确预测电力负荷并提高电力系统调节和调度的灵活性、准确性,提出了基于差分自回归滑动平均和长短期记忆神经网络的短期负荷联合模型预测方法,以避免单一预测模型可能难以满足预测准确需求的情况。首先,使用差分自回归滑动平均和长短期记忆神经网络单一模型对短期电力负荷开展预测;然后,使用改进的粒子群优化算法对联合模型权重进行寻优;最后,利用最优权重将单一模型预测结果进行合并得到最终的预测结果。验证结果表明,所建立的联合模型能够对短期电力负荷进行准确的预测,且联合模型的预测精度要优于差分自回归滑动平均、长短期记忆神经网络和BP神经网络等单一模型,具有一定的工程应用价值。     

基于小波变换的风电场短期风速组合预测

针对风电场短期风速的预测提出一种基于小波变换的组合预测方法。首先利用Mallat算法对短期风速时间序列进行db3小波三层分解与重构,得到短期风速时间序列的近似分量和细节分量。针对近似分量和细节分量的不同特性,对近似分量利用粒子群算法优化的最小二乘支持向量机进行预测,对细节分量利用自回归求和滑动平均模型进行预测。最后各预测模型预测值组合叠加得到最终的短期风速预测值。仿真结果表明该方法具有较高的预测准确度。     

基于神经网络和ARIMA模型的冷热电短期负荷预测

冷热电负荷预测对终端供能系统的规划设计有重要意义,针对冷热电负荷预测方法中存在的变量多、时间开销大等问题,以5种典型建筑的冷热电负荷历史数据为基础,将Elman神经网络、自回归求和滑动平均ARIMA(autoregressive integrated moving average)模型和小波神经网络用于冷热电短期负荷预测。仿真结果表明:在冬夏典型日的冷热电负荷预测中,小波神经网络的最大平均绝对百分比误差为2.1%,计算速度适中,是较为合适的冷热电负荷预测方法;ARIMA模型的最大平均绝对百分比误差为4.1%,计算速度慢,但调试和确定参数的难度不大;Elman神经网络的最大平均绝对百分比误差为7.4%,但计算速度最快,网络参数少且调节简捷,适用于对预测精度的要求不太高,但需快速响应的场合。     

融合小波分解和LSTM的目标轨迹预测

随着目前空战武器装备的迅猛发展,对于高空高速大机动目标的轨迹预测越来越占据重要的战略地位。为了解决目前存在的目标轨迹预测不足的问题,本文提出了融合小波分解(wavelet decomposition, WD)和长短期记忆(long short term memory, LSTM)网络的模型来对机动目标的轨迹进行预测。首先,通过小波分解将输入的轨迹时间序列分解为1个低频分量(CD1)和3个高频分量(CA1,CA2,CA3)。然后,利用长短期记忆网络对时间序列处理的优势进行分量预测。最后,将分量预测结果进行重构并与原始轨迹进行对比验证,结果表明所提模型对于轨迹预测具有较高的精确度。为了排除实验结果的偶然性,本文用两组数据进行验证。通过对比实验显示,所提模型与其他两种模型相比预测误差更小。     

基于混合模型的超短期风速区间预测

准确的风速预测能够促进大规模的风电并网,保证电力系统的安全稳定运行。针对传统点预测方法难以表征预测结果概率可信度问题,提出一种基于模糊信息粒化、改进长短期记忆网络与差分自回归移动平均模型的混合区间预测模型。首先,采用自适应噪声的完全集合经验模态分解模型对原始风速数据进行分解,并依据模糊熵重构得到新序列。在此基础上,对每个序列依次进行模糊信息粒化,获得最大值、最小值及平均值。最后,利用改进长短期记忆网络模型预测高频序列,差分自回归移动平均模型预测低频序列与余项,并将所得上下界求和得到最终风速区间。算例分析表明,所提模型得出的风速预测区间能够准确覆盖实测风速,为电力系统调度提供更多有价值的决策信息。     

基于小波分解的神经网络组合风速预测

短期风速预测对于风电机组一次调频有着重要意义,而风速的随机性和波动性会直接影响到风速预测的精度.针对风速的上述特点提出了一种基于小波分解的神经网络组合风速预测方法.首先通过小波分解将不稳定的风速信号进行分解,从而得到不同频率的分量并进行重构;然后对高频分量分别采用Elman、BP神经网络预测并选取合适的权重比进行加权平...     

基于自适应组合模型的超短期风速预测

风电场的风速预测对电力系统的稳定及安全运行有着重大的影响.考虑到风速序列具有间歇性和随机性等特征,提出一种基于参数优化的变分模态分解及极限学习机的组合模型,将其用于超短期风速预测.首先,采用变分模态分解算法将风速序列分解为一系列的平稳分量.以正交性为适应度函数,利用网格优化算法搜索变分模态分解的关键参数值——分解层数和...     

基于CNN-LSTM混合神经网络模型的短期负荷预测方法

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。     

基于长短期记忆神经网络组合算法的短期电力负荷预测

短期电力负荷具有不平稳、随机性强等特点,传统的负荷预测方法在建模中常表现出一定的局限性。为提高预测精度,提出了一种基于互补集合经验模态分解(complement-ary ensemble empirical mode decomposition, CEEMD)、长短期记忆(long short-term memory, LSTM)神经网络和多元线性回归(multiple linear regression, MLR)方法组合而成的CEEMD-LSTM-MLR短期电力负荷预测方法。首先将电力负荷数据通过CEEMD分解为高频分量和低频分量;将复杂的高频分量通过经贝叶斯优化的LSTM神经网络进行预测,周期性的低频分量通过MLR方法进行预测,最后将各分量叠加重构得到最终预测结果。通过算例分析,一方面将不同分解方法进行对比,一方面将不同模型进行对比并探究贝叶斯调参对结果的影响,验证了所提模型更具可靠性与准确性。     

基于小波分解与神经网络的光伏功率预测

对光伏发电预测模型的训练时间和网络精度进行综合分析,研究了影响光伏功率预测精度的因素.通过公式确定神经网络隐含层个数的范围,进而确定计及神经网络精度与网络训练时间的隐含层节点数,并提出一种将人工神经网络(Artificial Neural Network,ANN)与小波分解(Wavelet Decomposition,...     

基于小波分解与二阶灰色神经网络模型结合ADF检验的短期负荷预测方法

增强电力系统负荷预测的精度可以提高经济预测的准确性,但是由于负荷序列为波动的,故难以实现精准预测.该文提出了一种基于小波分解(WD)与二阶灰色神经网络相结合用以增强迪基-富勒(ADF)检验的负荷预测方法以实现对负荷的精准预测.首先,利用WD对负载序列进行分解,减少非平稳负载序列;然后,采用ADF检验作为各分解分量静载序...     

基于FHNN相似日聚类自适应权重的短期电力负荷组合预测

提出一种有效的组合预测新模型进行电力负荷短期预测。不同预测模型在不同情况下的预测结果和精度有所变化,因此组合预测模型的权重应随着预测情景的变化而变化。文中将原始负荷数据分为训练集、验证集和测试集3类,并选择4种单一预测模型,即自回归滑动平均(ARMA)模型、广义自回归条件异方差(GARCH)模型、人工神经网络(ANN)和支持向量机(SVM)分别进行模型预测。对于需要预测的负荷,根据历史数据,将一年的数据先按照季度分类,再分别按照月、日、小时,利用模糊神经网络(FHNN)将其聚类。根据不同单一预测模型在不同情景下的误差计算出组合权重,从而获得组合预测模型。算例分析验证了所提出的组合预测模型的有效性和精确性。     

基于并行机器学习的风功率超短期预测

针对风功率存在间歇性、随机性和波动性的特征及组合预测模型耗时长的问题,提出一种并行解决方案,建立集合经验模态分解（EEMD）与双向长短期记忆（BiLSTM）神经网络相结合的风功率并行组合预测模型。首先,利用EEMD将原始风功率序列分解为一系列本征模态函数;其次,借助多进程信息传递接口为本征模态函数构建并行BiLSTM神经网络子模型阵列,并采用贝叶斯优化算法率定各子模型超参数;最后,将并行子模型预测序列合成后便得到风功率预测结果。实例验证表明,所建模型在单步预测、多步预测和执行效率方面较五组对照模型均具备一定的优势。研究成果可为电网发电计划的制定及电力系统经济运行提供数据支撑和参考价值。     

基于机器学习的自适应光伏超短期出力预测模型

由于当前国内对太阳辐射强度和云量信息的预报能力较低,气象数据的引入对光伏直接预测法的预测精度提高有限。为解决此问题,基于历史出力数据自身特征的挖掘来提高预测精度,提出一种具有自适应能力的光伏超短期出力预测模型。该模型首先利用已有历史出力数据的小波分析和特征分析结果训练支持向量机(support vector machine,SVM)分类器,通过已建立的SVM分类器利用前30 min的光伏出力数据预测之后15 min的出力曲线类型,最后结合曲线类型从自回归与滑动平均模型(auto-regressive and moving average model,ARMA)和神经网络模型(artificial neural network mode,ANN)中选取出合适的方法对光伏出力进行预测。对ARMA、ANN和自适应模型进行了对比实验,结果表明:所提的自适应预测模型在均方根误差(root mean square error,RMSE)、平均绝对百分比误差(mean absolute percentage error,MAPE)和希尔不等系数(Theil inequality coefficient,TIC)上性能最好。     

基于MA-LSTM的短期负荷预测方法

精准的预测电力系统短期负荷对电力系统智能化和可靠运行有重要意义。为了提高负荷预测的精度,采用了一种基于蜉蝣优化算法和长短期记忆神经网络的短期负荷预测方法。将影响负荷的温度、日期类型、湿度作为输入特征;对长短期记忆神经网络中的参数使用蜉蝣算法不断地优化以确定最优参数;最后建立MA-LSTM模型对短期负荷进行预测。算例结果表明,和BP、LSTM、PSO-LSTM及SSA-LSTM方法相比,所提方法具有更高的预测精度,为电网安全稳定运行提供了有力保障。     

基于小波包分解和改进Elman神经网络的风电场风速和风电功率预测

准确预测风电场风速和风电功率对做好风电场运行维护、合理安排开停机计划以及确保电力系统的安全稳定运行具有重要意义。提出了基于小波包分解和改进Elman神经网络的新型风电场风速和风电功率预测方法并给出了具体应用步骤。首先利用小波包分解理论对经过初步处理的历史风速数据进行分解处理,根据相关性剔除随机数据,保留最优分解树;随后提出带扰动的PSO训练算法用以提高Elman神经网络的训练速度,并解决PSO算法易陷入局部最优解的问题;最后利用不同结构的Elman神经网络寻找最优分解树不同频段下的风速规律进而获得风速和风电功率预测结果。南方某风电场算例表明该方法具有更高的预测精度,能够正确反映风速和风电功率规律。     

应用小波分析进行短期负荷预测

小波分析是一种新兴的数学工具，它能任意地提取短期负荷序列的细节。通过使用小波分析，可以在任何水平上分析短期负荷序列，它对信息成分采取逐渐精细的时域与频域处理，尤其对突发与短时的信息分析具有明显的优势。本文将小波分析引入了短期负荷预测，针对电力系统本身具有的负荷以天，周，年为周期发生波动的特点，使用周期自回归模型有选择的对分解序列进行预测，并对直接使用周期自回归(PAR)模型的预测结果及先使用小波分析处理的预测结果进行了比较，实例显示这种方法提高了预测的精度。     

基于小波包分解和改进差分算法的神经网络短期风速预测方法

风速预测在风电场的智能管理和安全并网中起着至关重要的作用,针对风速预测固有的波动性、间歇性和非线性等特点,以及常规BP神经网络和差分算法神经网络均存在容易陷入局部最优导致收敛过早、泛化能力不足等缺陷,提出一种综合WPD和IDE算法的短期风速预测神经网络方法。该方法首先利用WPD将风速的时间序列分解成多种不同频率的子序列,然后采用IDE算法优化后的神经网络对小波包分解后的每个不同频率的子序列进行单步预测,最后将预测后的各个子序列进行叠加,得出最终预测结果。为验证所提方法的有效性,将其分别与采用混合小波分解的BP神经网络风速预测方法和混合小波分解的差分算法风速预测神经网络方法进行对比,对某地区的实际风速数据进行实验仿真,结果表明,所提方法的预测精度明显优于其他算法。     

基于经验模式分解和神经网络的短期风速组合预测

风速时间序列具有很强的间歇性和随机性,属于非平稳时间序列。为提高预测精度,提出了经验模式分解法（EMD）和神经网络相结合的短期风速组合预测模型。该方法运用EMD将风速序列分解为一系列不同频率的相对平稳的分量,减少了不同特征信息之间的干扰;根据各个分量的变化规律,选择合适的神经网络模型来分别预测,对高频分量采用神经网络组合预测模型,低频分量采用合适的预测模型直接进行预测;将各分量预测值叠加得到最终预测值。算例结果表明,所提方法与单一的径向基神经网络模型（RBF）和支持向量机模型（SVM）相比,预测精度得到了大幅度的提高。     

基于变分模态分解和分位数卷积-循环神经网络的短期风功率预测

由于风力发电的随机性和间歇性,风功率预测不仅需要准确的点预测,而且需要可靠的区间预测和概率预测来量化风功率的不确定性。提出了一种基于变分模态分解（variational mode decomposition,VMD）和分位数卷积-循环神经网络的风功率概率预测模型。首先,使用VMD技术将原始风功率数据序列分解为一系列特征互异的模态分量,再通过卷积神经网络（convolutional neural network,CNN）提取反映各模态分量动态变化的高阶特征。然后,基于提取的高阶特征进行分位数回归建模,采用长短期记忆（long short-term memory,LSTM）循环神经网络预测未来任意时刻不同分位数条件下的风功率值。最后,利用核密度估计（kernel density estimation,KDE）得到风功率概率密度曲线。以中国某风电场数据作为算例测试,证明了所提出模型的有效性。