基于SVR算法的短期负荷快速预测研究

将支持向量回归(SVR)算法引入短期负荷预测,为提高预测速度,根据负荷预测的特点,提出了一种SVR的在线训练算法,该算法通过不断输入新的负荷数据来更新回归函数,以获得更快的计算速度和较好的预测结果。和传统的SVR算法比较,它能在保证精度的同时大大减少支持向量的数目,具有更快的收敛性。仿真结果表明了算法的有效性。     

基于SVR算法的短期负荷快速预测研究

将支持向量回归(SVR)算法引入短期负荷预测,为提高预测速度,根据负荷预测的特点,提出了一种SVR的在线训练算法,该算法通过不断输入新的负荷数据来更新回归函数,以获得更快的计算速度和较好的预测结果.和传统的SVR算法比较,它能在保证精度的同时大大减少支持向量的数目,具有更快的收敛性.仿真结果表明了算法的有效性.     

基于多视角时间特征的短期电力负荷预测

外部因素对电力负荷具有周期性影响,且这些影响直接反映在电力负荷值上。基于多视角表示学习思想,使用历史电力负荷预测值的不同视角作为外部因素的隐藏表示。通过对历史电力负荷数据进行特征提取,并将电力负荷分为分钟、小时和天三个时间视角,分别采用了适应性的神经网络模型进行特征提取,并引入了一个多视角特征合并模块,融合不同时间尺度上的信息来提高负荷预测准确性。实验证明,所提出的方法在西南某地区的电力负荷数据集上表现出较好的预测性能,与单一时间视角的模型相比,平均绝对误差和均方误差分别降低了12.21%和11.12%。     

基于Dropout-ILSTM网络的短期电力负荷预测

针对传统BP神经网络难以处理电力负荷数据间关联的问题,提出了一种基于Dropout的改进的长短期记忆神经网络结构用于短期电力负荷预测.这种改进的长短期记忆神经网络(Improved LSTM,ILSTM),通过将长短期记忆网络的多个时间步输入与输出矢量进行全连接,增强了对目标系统中线性成分的表征;使用Dropout 对...     

基于并联时序卷积神经网络的电力负荷短期预测

电力负荷的短期预测可以合理地确定机组运行方式,安排日调度计划,提高计量精准度,对实现系统功率平衡和保障系统的安全经济运行具有重要意义。在利用神经网络进行负荷短期预测时,若训练数据不足,模型的学习能力会大大降低。同时,由于电力负荷数据存在小时周期、日周期、周周期、季节周期特性,常规神经网络训练模型无法反映负荷的不同周期特性,对预测结果的准确性也会造成一定的影响。为此,首先提出一种数据增强方法,有效解决电力负荷预测中训练数据不足的问题。其次,针对负荷的周期性特征,进一步提出使用不同周期特征的并联时序卷积神经网络模型的融合方案,有效反映负荷数据的多周期特征,从而提升电力负荷短期预测的准确度。通过对某地市不同电压等级线路负荷数据的建模和训练,验证所提方法在短期预测方面的有效性和优越性。     

基于极端梯度提升和时间卷积网络的短期电力负荷预测

电力负荷预测是实现电力系统智能化的基础。准确的负荷预测可以保证电力系统安全稳定地运行。针对短期负荷波动大,随机性强的特点,提出一种基于极端梯度提升和时间卷积网络的短期电力负荷预测方法。首先,利用变分模态分解(variational mode decomposition, VMD)对负荷序列进行平稳化预处理,将原始负荷拆分成若干个模态分量负荷。同时,为了减少预测模型训练所需的时间,利用样本熵来评估各分量的复杂度,将复杂性相近的负荷分量归为一类用于训练同一模型。最后,结合极端梯度提升和时间卷积网络的优点,利用极端梯度提升模型来预测趋势负荷,时间卷积网络模型来预测随机扰动负荷,并在模型训练过程中,利用树状Parzen估计来调节模型的超参数,得到最优的预测模型。为验证本文所提方法的有效性,在EUNITE竞赛数据集上进行了仿真实验,分别预测未来24 h的短期负荷和每日峰值负荷。实验结果表明,相比于支持向量回归(support vector regression,SVR),长短时记忆(longshort-term memory, LSTM),门控循环单元(gated recurrent unit,...     

基于LSTNet模型的配电台区短期电力负荷预测研究

短期电力负荷预测作为电力系统运行规划的重要依据,对电力系统的安全经济运行有重要意义。提出一种长期和短期时间序列网络（LSTNet）模型对配电台区的短期负荷变化进行预测。该模型用卷积神经网络（CNN）提取负荷数据间的局部依赖关系,用长短时记忆（LSTM）神经网络提取负荷数据长期变化趋势,再融合传统自回归模型解决神经网络对负荷数据极端值的不敏感问题,最后将某一配电台区的电力负荷数据用于网络的训练和预测过程中。通过仿真实验案例发现,相较于以往LSTM、双向长短时记忆神经网络（Bi-LSTM）和CNN-LSTM的预测模型,LSTNet模型在短期负荷预测方面更具优势、预测精度更高。     

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SARIMA-GRNN-SVM的短期商业电力负荷组合预测方法

针对短期商业电力负荷预测准确性与周期难以满足现有电力现货市场的问题,提出了一种基于SARIMAGRNN-SVM(seasonal autoregressive integrated moving average-generalized regression neural network-support vector machine)的商业电力负荷组合预测模型。首先,对商业电力负荷变化的周期规律与随机因素的复杂影响进行了分析;然后,结合以上分析,选用SARIMA和GRNN为单一预测模型对商业电力负荷进行预测,并利用SVM进行组合,实现日前商业电力负荷预测;最后,通过某商业综合体的电力负荷数据进行验证。所提组合预测模型较单一预测模型拥有更优的预测精度与鲁棒性,可以为短期商业电力负荷预测提供借鉴。     

基于CNN和SVR相结合的电力负荷预测分析

针对电力负荷预测提出了卷积神经网络和支持向量回归相结合的方法。首先将数据预处理成灰度图,作为算法输入数据;然后通过卷积神经网络进行特征提取,将电力负荷的影响因素重新混合,提取更高维的新特征;最后将新特征输入支持向量回归模型进行预测。通过试验对比,该方法实际效果良好。     

基于多分支门控残差卷积神经网络的短期电力负荷预测

短期电力负荷预测是电力部门进行电网规划和运行调度的重要工作之一,针对负荷数据的时序性特征,为提升电力负荷预测精度,建立了一种基于多分支门控残差卷积神经网络(residualgatedconvolutional neural network,RGCNN)的短期电力负荷预测模型。该模型首先采用多分支门控残差卷积神经网络对历史负荷的周周期特征、日周期特征、近邻特征进行深度特征提取;其次为增加模型的非线性拟合能力,采用注意力机制对权重进一步合理分配;最后通过归一化指数函数计算后输出负荷预测结果。使用2016年某电力竞赛数据进行实验,通过与4种常用模型对比,该模型预测结果的平均绝对百分误差（MAPE）评价指标下降了0.02%～0.70%,验证了该模型提高负荷预测精度的有效性。     

计及气象时空分布影响的短期负荷预测方法

短期负荷受气象变化影响明显,进行预测时需要考虑气象信息的时空分布特征。分析了气象时空分布特征对负荷产生的影响,采用相关性分析方法筛选出与负荷相关性较强的气象要素,并分析了负荷受降雨影响在时间维度上的滞后特性。研究了计及气象时空分布特性的相似日法、人工神经元网络法、决策树法等预测方法。     

基于PSO-SNN的电动汽车充电站短期负荷预测模型研究

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。     

基于免疫小波网络的短期负荷预测模型

为了克服传统BP神经网络在结构设计和学习算法中存在的缺陷,提出了一种免疫小波网络(IWN)来预测电力系统短期负荷.在IWN的设计中,根据共生进化和免疫规划原理,提出共生进化免疫规划算法,可以自动确定小波网络隐层神经元的数量和参数.电力系统短期负荷预测的算例计算表明,与传统的BP神经网络预测方法相比,该方法具有更高的预测精度.     

一种新型RBF短期负荷预测模型

针对RBF网络中心确定的常用方法K-均值聚类法的不足,引入了一种新的聚类算法—动态聚类法,解决了解的局部最优性问题和如何确定聚类数目的问题。对于网络参数的确定,设计了一种新的混合学习算法;在动态聚类和最小二乘初始化网络的基础上,采用蚁群优化算法调整网络参数。最后运用浙江和保定2个地区的实际负荷数据进行了测试,结果表明,该方法具有较高的预测精度和较强的适应能力。     

电力系统短期负荷预测的模糊神经网络方法

针对电力系统短期负荷预测问题 ,考虑到气象因素对负荷的影响 ,提出了一种模糊神经网络的短期负荷预测方法 ,首先根据评价函数选取相似日学习样本 ,然后利用隶属函数对影响负荷的特征因素向量的分量进行模糊处理 ,采用反向传播算法 ,对 2 4点每点建立一个预测模型 ,提高了学习效能。适合在短期负荷预测中使用 ,具有较好的预测精度     

智能化的短期负荷预测系统

应用模糊逻辑系统、人工神经网络和模糊专家系统等智能技术风云地某省电网设计出的具有自学习和自适应能力的短期负荷预测软件包,主要用于自负荷曲线的预测,指导生产计划制定和调度安排。该软件包是基于Ｗｉｎｄｏｗｓ的应用程序,具有开放式的结构和友好的人机界面。试用结果表明,该系统在进一步完善后,可望实际应用于地区和省网调度系统中。     

基于组合预测模型的电动汽车充电站短期负荷预测研究

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。     

基于灰关联分段优选组合模型的短期电力负荷预测研究

针对已有GM(1,1)灰色预测模型在数据波动、突变和转折等不确定情况下预测精度较低的问题,提出一种基于灰关联分段优选组合模型的短期电力负荷预测模型。基于GM(1,1)模型在平滑上升和下降区段预测效果好、而一天的用电负荷可划分为几个峰谷区段的特点,对预测日进行灰关联分段和优选组合,避免出现由于初始条件选择不当而将误差引入模型并被逐步放大的风险;同时,通过组合不同角度GM(1,1)模型,解决负荷的多因素影响。经广西贵港市实际工程验证,本模型预测平均误差在3%左右,预测精度有明显提高,完全可满足该地区短期电力负荷预测的实际要求。     

基于预测决策的组合短期负荷预测

以提高短期负荷预测精度为目的,首先选择五种预测模型分别对算例进行虚拟负荷预测,再利用决策理论知识,通过几率矩阵法来筛选预测模型,舍弃不符合要求的模型,最后以各时段残差平方和最小为目标函数确定各个模型权重系数.使用选中的模型进行组合短期负荷预测,并将预测结果与各单一模型的预测结果进行比较.说明了预测决策的可参考特性和实用特性,也说明了组合预测模型的拟合精度优于各种单一模型,得到了较好的预测效果.