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。     

基于改进Q学习算法和组合模型的超短期电力负荷预测

单一模型在进行超短期负荷预测时会因负荷波动而导致预测精度变差,针对此问题,提出一种基于深度学习算法的组合预测模型。首先,采用变分模态分解对原始负荷序列进行分解,得到一系列的子序列。其次,分别采用双向长短期记忆网络和优化后的深度极限学习机对每个子序列进行预测。然后,利用改进Q学习算法对双向长短期记忆网络的预测结果和深度极限学习机的预测结果进行加权组合,得到每个子序列的预测结果。最后,将各个子序列的预测结果进行求和,得到最终的负荷预测结果。以某地真实负荷数据进行预测实验,结果表明所提预测模型较其他模型在超短期负荷预测中表现更佳,预测精度达到98%以上。     

基于极端梯度提升-长短期记忆神经网络组合模型的短期电力负荷预测

为了提高短期电力负荷预测的精度,提出一种基于极端梯度提升和长短期记忆网络的组合预测方法。首先采用Spearman相关系数法对负荷与气象因素进行相关性分析,提取模型输入特征。然后分别建立XGBoost、LSTM预测网络,并采用遗传算法优化网络的参数。最后利用模拟退火算法对各网络的预测结果分配最优权重系数,通过加权组合得到最终的集成预测结果。实验结果表明,XGBoost和LSTM组合模型对短期电力负荷预测的平均绝对百分比误差为0.88%,与XGBoost模型、LSTM模型相比,误差分别降低了2.17%、1.99%,在负荷预测领域更具有优势。     

基于GRA-EGA-LSTM模型的短期光伏功率预测

对光伏发电功率进行预测可为电力系统调度提供参考,有利于电网的安全稳定运行。为了提高光伏发电功率预测精度,采用灰色关联度分析法(Grey Relation Analysis, GRA)寻找待预测日的相似日作为训练样本;采用精英保留遗传算法(Elitist Model of Genetic Algorithm, EGA)对长短期记忆网络(Long Short-Term Memory, LSTM)的超参数进行寻优;将相似日的光伏功率和气象因素数据作为训练样本代入超参数寻优后的长短期记忆网络进行预测。通过仿真测试,基于GRA-EGA-LSTM组合预测模型的短期光伏功率预测精度要优于传统的LSTM模型。     

基于CNN-BiLSTM的短期电力负荷预测

短期电力负荷预测能准确评估地区整体电力负荷变化情况,为电力系统运行决策提供准确参考。电力负荷参数受多维因素影响,为充分挖掘电力负荷数据中的时序特征,提升电力负荷预测精度,该文提出一种基于特征筛选的卷积神经网络—双向长短期记忆网络组合模型的短期电力负荷预测方法。以真实电力负荷数据作为数据集,通过对多维输入参数的优化筛选,选取高相关性特征向量作为输入,构建预测模型。通过与添加注意力机制的组合模型对比验证了输入参数优化分析的可行性和优越性。最后利用实际算例将该方法与利用自动化模型构建工具构建的梯度增强基线模型及常用预测模型相比,该方法构建的组合模型可以提升多维电力负荷数据的短期预测精度。     

考虑特征重要性值波动的MI-BILSTM短期负荷预测

在短期负荷预测中,含有循环单元的深度学习模型应用广泛,但训练时采用的权值共享结构具有时不变性,忽略了输入特征(气象、日期、历史负荷值等)在不同时刻下给负荷变化带来的不同影响,即权值共享结构无法追踪输入特征的重要性值波动.针对此问题,提出一种考虑特征重要性值波动的互信息(MI)-双向长短期记忆(BILSTM)网络预测方法...     

基于组合深度学习的光伏功率日前概率预测模型

为准确量化复杂场景下光伏预测功率的不确定性,提出了一种基于时序卷积网络-注意力机制-长短期记忆网络组合的光伏功率短期概率预测方法。首先,基于多种相关性分析方法选出与光伏功率强相关的气象因素;然后,基于时序卷积网络的特征提取能力和长短期记忆网络的时序特征建模能力,并结合注意力机制和分位数回归,建立组合深度学习预测模型;最后,采用核密度估计方法生成连续概率密度函数。以实际集中式和分布式光伏电站为案例进行分析,结果表明：与长短期记忆网络、时序卷积网络、时序卷积网络-注意力机制和时序卷积网络-长短期记忆网络相比,所提方法在确保最优预测区间的同时,可以提升概率密度预测的性能。     

基于改进LSTM的区域综合能源系统多元负荷短期预测研究

冷热电负荷短期预测是区域综合能源系统优化调度的基础.针对区域综合能源系统多元负荷关联性和非线性的特点,本文构建了基于改进的长短期记忆神经网络的区域综合能源系统多元负荷短期预测模型,该模型采用灰色关联度法分析多元负荷之间和气象因素之间的耦合性,以此为依据,在改进长短期记忆神经网络预测模型中加入注意力层和dropout层,注意力机制可赋予模型隐含层不同的权重,dropout层可对模型正则化,并采用粒子群优化算法对预测模型参数进行优化.算例仿真结果表明,本文提出的预测模型具有较好的预测精度.     

基于QR-CBA特征解耦框架的日前负荷预测研究

高精度的短期电力负荷预测可以保证电力系统调度决策的准确性、缓解电力供需矛盾、保障电力系统运行的安全。由于短期电力负荷预测受气象、历史信息等因素影响且具有很强不确定性,因此对短期负荷预测进行精准的预测较为困难。为实现对日前电力负荷进行概率密度预测,提出一种基于引入注意力机制的卷积双向长短期记忆分位数回归网络（Convolutional bidirectional long short-term memory network with attention for quantile regression,QR-CBA）特征解耦框架。首先,将输入特征分为4个分支并通过解耦神经网络对其进行训练,以有效提高神经网络的计算效率和预测精度;然后,采用核密度估计（Kernel density estimation,KDE）方法作为后处理技术将预测结果生成为概率密度曲线,以有效量化预测的不确定性。以某公开负荷数据集作为实例进行验证,结果表明,所提方法的日前点预测精度达到了96.884%,与对比预测模型相比精度明显提高,区间预测的连续排名概率得分（Continuousrankedprobability sc...     

基于虚拟相似日与DA-LSTPNet的地区电网短期负荷预测

针对短期负荷预测精细化的需求,提出一种基于虚拟相似日与双阶段注意力机制的长短期时序神经网络(DA-LSTPNet)的地区级短期负荷预测方法.为获得与负荷相匹配的细粒度实时气象数据,首先基于粗粒度的气象数据,利用灰色关联度和关联度加权法获取含细粒度气象数据的气象虚拟相似日.然后,采用最大信息系数(MIC)对气象特征信息与负荷进行非线性关联性分析,构建MIC加权下的负荷虚拟相似日选取算法,解决选取历史日作为传统负荷相似日而导致的过分局部相似乃至非相似的问题.最后,针对过往预测模型缺乏考虑特征因素与局部负荷细粒度变化之间联系特性的问题,构建能够有效挖掘负荷特征数据长期宏观以及短期局部变化特性的DA-LSTPNet进行日前短期负荷预测.以中国南方某地区电网实际负荷数据为例,采用多种形式的仿真验证了所提预测方法具有更高的预测精度和普适性.     

风电预测方法与新趋势综述

风力发电作为一种技术成熟、规模较大的新能源发电形式,目前在世界各国得到了广泛应用和发展。风电具有不确定性的特点,必须对其进行准确的预测才能保证并网后电力系统的正常运行。针对风电预测的传统方法和新的研究趋势开展了综述。首先对物理方法、时间序列方法、人工智能方法和组合方法进行了总结,然后针对目前风电预测的几个重要的发展方向:空间相关性预测、集群预测、不确定性预测和爬坡预测的研究进展进行了重点阐述。对现有的风电功率预测方法进行综述后,进一步对这一领域的研究方向进行了展望。     

电力系统超短期负荷预测技术的应用与发展

从电力系统超短期负荷预测的定义及作用出发,概述超短期负荷预测的特点及方法。按照传统预测方法、现代预测方法及综合预测方法分类,对各种超短期负荷预测方法的原理、应用范围、改进及发展方向进行了综述。指出各类超短期负荷预测方法都有特定的适用场合,在实际应用时要充分考虑预测系统的实际运行特点,才能最大限度地发挥各类方法的优势。     

基于二分群体决策的水文预报择优组合方法

针对多种水文预报的组合问题,提出一种基于二分群体决策的水文预报择优组合方法。通过决策群体、决策断面、能力向量、预报收益等模型的建立,将水文预报择优问题转化为一个二分决策问题;根据决策质量给出择优求解和参数初值的率定方法,并将各参数对预报精度的影响加以分析。实验表明：该方法能够有效的从两种预报方案中选择出更加接近实测值的预报结果,且具有76%以上选择正确率和更高的预报精度。     

基于预测误差分布特性统计分析的概率性短期负荷预测

现有短期负荷预测方法一般只能给出确定性负荷预测结果,难以满足电力市场中不确定性风险分析决策的要求。文中提出了一种基于负荷预测误差特性的统计分析的概率性预测方法。该方法首先从时段与负荷水平2个联合维度上建立了对预测误差分布规律进行统计分析的模型,并提出了检验该统计规律有效性的原则和方法;将验证后的预测误差统计分布规律与确定性的负荷预测结果相结合,即可得到概率性的负荷预测结果。基于该结果,还能求取某一置信水平下的预测负荷曲线的包络线。结合实际电网数据验证了所提出方法的有效性和实用性,为概率性短期负荷预测提供了一条可行的新思路。     

Insolation forecasting by a multi-stage neural network

A single-stage neural network has been proposed to forecast next day insolation. In this paper, a multi-stage neural network is developed to reduce forecasting error further. A first-stage neural network forecasts average atmospheric pressure for the next day from atmospheric pressure data of the previous day. A second-stage neural network forecasts insolation level for the next day from the average atmospheric pressure and weather data of the previous day. A third-stage neural network forecasts next day insolation from the insolation level and weather data of the previous day. Meteorological data of Omaezaki, Shizuoka at April 1994 were chosen as input data. The insolation values forecasted by the multi-stage and the single-stage neural networks are compared with the measurement values. The results show that the forecasting error is reduced to 24% (by the multi-stage) from 33% (by the single-stage). © 1998 Scripta Technica, Electr Eng Jpn, 125(4): 26–33, 1998     

风电功率概率预测方法及展望

风电功率的概率预测能提供风电功率的预测区间或分布函数,国内相关的研究和应用尚处于起步阶段。文中对风电功率概率预测的基本框架、主要模式、难点和热点进行了综述。首先,明确了概率预测的概念及其适用问题。然后,对概率预测的建模方法提出了两种不同的分类方式:按照是否进行条件化假设或参数化假设进行分类,并介绍了概率预测中涉及的新型算法和概率预测的评价指标。最后,结合概率预测发展现状,针对误差分析不精细、概率预测与电力系统结合不充分等不足,总结了今后的发展方向和需要进一步探索的研究内容。     

含置信区间的改进ARIMA电价预测

电力市场环境下,电价已日益成为市场参与者关注的焦点。准确的电价预测能为各参与者提供重要的参考。国内外对于电价预测的方法有很多。引用国内外相关理论对现有ARIMA预测模型进行了改进。在现有ARIMA电价预测模型的基础上,采用游程检验法判断电价序列的平稳性,采用AIC准则确定ARMA模型的阶数,在误差预测中,借助统计学的区间估计理论,给出了一种含置信区间的电价预测方法,更好地确定了电价序列的上下限,为发电商的竞价提供参考。     

组合预测方法在电力系统负荷预测中的应用研究

组合预测方法是一种性能优越的预测方法。选择了电力负荷预测精度较高的两种单一预测模型——无偏灰色预测模型和时间序列预测模型,通过它们建立了三种不同的组合预测模型,对我国电力负荷进行了预测,验证了组合预测模型的优越性。最后,通过对三种组合预测模型的预测结果进行对比,选择一个最适合电力负荷历史数据的模型,通过该模型对我国社会用电量进行预测,获得了较好的预测效果。     

基于精准气象数据的地区电网短期负荷智能预测系统设计

基于分时分区精细化气象数据,研发地区电网短期负荷智能预测系统,实现功率曲线的日前精确预测。该系统的特点在于将网供负荷分解为多种功率分量的叠加,并针对各功率分量特点和影响因素,提供多种特征选择模式、预测方法以及历史参照日,以提高短期负荷预测的精度、自动化程度和工作效率。     

基于灰色预测和神经网络的电力系统负荷预测

负荷是电力系统运行和规划的依据,准确的负荷预测有利于提高电力系统运行的经济性和可靠性。章提出了一种基于灰色预测和神经网络组合的电力系统负荷预测方法。在灰色预测中通过对历史数据作不同的取舍并经累加生成后建立不同的模型;对于灰色预测的不同结果再使用人工神经网络进行组合。具体方法是：神经网络的输入为各种灰色模型（GM）的预测,神经网络的输出为组合预测的结果。学习样本选择与预测量量近的n个已知值,学习方法使用改进的BP算法。所提方法综合了GM预测所需原始数据少、方法简单、而神经网络具有非线性的拟合能力的特点,提高了预测精度。算例表明了所提方法是可行的和有效的。