基于注意力机制的CNN-BiLSTM日前电价预测

日前电价预测结果的准确性对于存在多元化竞争格局的电力市场具有重要意义,因此提出一种基于注意力机制的CNN-BiLSTM日前电价预测模型。该模型考虑诸多因素对日前电价预测的影响,采用皮尔逊系数进行相关性分析,得到各因素对日前电价预测的影响;利用卷积神经网络提取历史电价序列中的特征;将提取的特征信息输入双向长短期记忆网络,充分挖掘特性的变化规律进行训练;然后引入注意力机制来突出重要信息的影响并赋予权重;最后在全连接层通过激活函数加权求和计算出最终预测值。通过实例验证了该模型的准确性,其中RMSE、MAPE、MAE分别减少了33.07%、28.39%、27.08%。     

基于注意力机制的CNN-LSTM短期电价预测

短期电价预测结果的准确性对存在多元化竞争格局的电力市场具有重要意义。为提高在电价跳跃点和尖峰点的预测精度及预测效率,针对多因素融合影响的电价序列与其影响因素间隐含的非线性关系,提出了一种基于ATT-CNN-LSTM的短期电价预测方法。首先,采用灰色关联度分析法分析负荷因素与电价之间的关联程度,筛选出关联度较高的数据作为最优模型输入。其次,通过注意力机制(Attention, ATT)自适应分配输入数据的权重,以权重大小区分强弱特征数据。再利用卷积神经网络(Convolution Neural Networks, CNN)对数据集进行二次特征提取及降维处理,优化输入长短期记忆神经网络(LongShort-TermMemory, LSTM)中的数据,从而提升LSTM网络的预测精度与训练速度。对澳大利亚电力市场的实测数据进行算例分析,通过与其他主流算法对比,验证了所提方法具有更高的预测精度和计算效率。     

基于Attention机制优化CNN-GRU混合神经网络的短期负荷预测技术

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。     

基于CNN-BiGRU-NN模型的短期负荷预测方法

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...     

基于多神经网络融合的短期负荷预测方法

为了利用不同深度神经网络的优势,提高深度学习算法对短期负荷的预测能力,提出一种基于多神经网络融合的短期负荷预测方法。以电力系统历史有功负荷、季节、日期类型和气象数据为输入特征,并行架构的深度神经网络和注意力机制网络为核心网络;以并行架构中的卷积神经网络通道提取静态特征,门控循环单元网络通道挖掘动态时序特征,采用注意力机制网络融合提取的特征并动态调整网络对不同特征的依赖程度;使用Maxout网络增强网络整体的非线性映射能力,通过全连接网络输出预测结果。与支持向量机、长短期记忆网络的算例结果对比表明,所提方法具有更高的预测平稳性和准确性。     

基于VMD-CNN-BIGRU的电力系统短期负荷预测

为提高负荷预测精度,考虑了历史负荷本身内在规律及外部影响因素,提出一种基于变分模态分解（variational modal decomposition,VMD）–卷积神经网络（convolutional neural networks,CNN）–双向门控循环单元（bi-directional gated recurrent unit,BIGRU）混合网络的短期负荷预测方法,改善了训练时长和预测效果。通过仿真分析验证了所提方法的有效性,且该方法与其他模型相比有更高的负荷预测精度和更强的鲁棒性,能够提高电力系统短期负荷预测的精确度。     

基于改进局部自注意力机制的VMD-GRU模型短期风电功率预测

较高的随机波动性使得风电功率的预测十分困难。为改善风电功率预测的效果,建立了一种基于变分模态分解（variational mode decomposition,VMD）、改进局部自注意力机制（Improved Local Self-Attention,ILSA）和门控循环单元网络（gated recurrent unit,GRU）的短期风电功率预测方法。使用VMD分解将原始风电功率序列分解为中心频率不一的子模态;对各子模态的中心频率分别建立具有不同高斯偏置优化窗口大小的ILSA模型,并改进其注意力分数公式以更有效地提取信息;采用GRU模型进行风电功率预测,并对各预测序列进行重组,得到最终的预测结果。实验结果表明,相比于各传统模型,所提改进方法能有效提高风电功率预测精度,且对于低频分量有更高的拟合度。     

一种基于混合模型的短期电价预测方法

针对电力现货价格存在的高波动性、非线性特征的问题,采用变分模态分解（VMD）和WOA-ATT-BiLSTM相结合的方法实现了短期电价预测。首先使用VMD将原始电价序列分解成多个相对平稳的子序列,然后采用结合注意力机制的ATT-BiLSTM来提取电价子序列中的特征信息并进行预测,同时引入鲸鱼优化算法（WOA）优化ATT-BiLSTM的超参数来提高预测精度,最后为验证方法的有效性,使用了法国电力市场的数据进行实验比较。结果表明,基于VMD和WOA-ATT-BiLSTM模型的平均绝对百分比误差（MAPE）为2.91%,均方根误差（RMSE）为1.65欧元/MWh,平均绝对误差（MAE）为1.29欧元/MWh,相较于其他对比模型具有更准确的预测效果。     

基于多头注意力机制和门控循环单元神经网络的居民充电桩容量预测

居民充电桩的容量预测可为其定容选址提供参考,助力实现“双碳”目标,为此提出了一种基于数据驱动的居民充电桩容量预测方法。首先,采集了居民充电桩的历史容量数据并进行预处理;其次,利用不同大小的时序窗口对其进行切片作为输入特征;最后,构建了结合多头注意力机制和门控循环单元神经网络的预测模型,将特征输入模型从而实现了对未来容量的精准预测。通过实例分析表明,该模型预测结果的平均绝对误差和均方根误差分别为33.19和102.14%,预测精度相较于其他模型有较大提升,为居民充电桩的容量预测提供了新思路。     

基于注意力机制的卷积神经网络-长短期记忆网络的短期风电功率预测

为了提高风电功率的预测精度,针对风电数据间歇性与时序性的特点,提出了一种基于注意力机制的卷积神经网络-长短期记忆(convolutional neural networks-long short-term memory,CNN-LSTM)网络预测模型.首先利用CNN提取风电数据动态变化的多维特征,然后将特征向量构造成时...     

基于SSA-CNN-BiGRU-Attention的超短期风电功率预测模型

针对风电功率预测精度较低的问题,提出一种融合奇异谱分析(SSA)、卷积神经网络(CNN)、双向门控循环单元(BiGRU)及Attention机制的组合预测模型。为抑制风电功率随机波动特性带来的预测功率曲线滞后性问题,采用SSA方法将原始数据序列分解为一系列相对平稳的子分量,并基于各分量模糊熵(FE)值完成各分解分量的有效重构;构建了CNN-BiGRU-Attention模型并用于各重构分量建模预测,其中,CNN网络用以实现各重构分量高维数据特征的有效提取,BiGRU网络用以完成CNN获取的关键特征向量非线性动态变化规律的有效捕捉,Attention机制的引入用于加强对功率数据关键特征的有效学习;通过叠加基于CNN-BiGRU-Attention模型的各重构分量预测值得到最终预测结果。以新疆哈密地区风电场实际运行采集数据为试验样本进行算例分析,结果表明,所提方法可有效缓解风电功率预测结果滞后现象,预测精度全面优于其他预测方法。     

基于奇异谱分析和卷积双向门控单元网络的超短期风电功率预测

精确的短期风电功率预测能有效提高电网供电可靠性.为降低风电数据中隐含噪声对预测结果的影响,采用奇异谱分析 (SingularSpectrum Analysis,SSA)将原始数据分解并重构为趋势、周期和高频噪声三个子序列,作为预测模型的输入.针对传统循环网络局限于时间相关性的前向提取,提出卷积双向门控循环单元网络 (Convolution NeuralNetworkＧBidirectionalGatedRecurrentUnit,CNNＧBiGRU)预测模型.前者提取重构子序列间特征的耦合关系,后者挖掘数据的双向时间相关性,以提高预测精度.为了研究该模型的预测性能,选取了其他模型进行对比,试验结果表明SSAＧCNNＧBiGRU 模型比其他模型更具有优越的预测性能。     

基于CNN-BiLSTM-Attention的超短期电力负荷预测

超短期电力负荷预测对电力系统的快速响应和实时调度至关重要,准确预测负荷能保障电力系统的安全并提高用电效率。为获得准确可靠的负荷预测结果,针对电网负荷数据非线性和时序性等特征,提出了一种基于CNN-BiLSTM-Attention(AC-BiLSTM)的新型超短期电力负荷预测方法。该方法首先将卷积神经网络(CNN)和双向长短期记忆(BiLSTM)网络相结合充分提取负荷数据本身的时空特征。然后引入注意力(Attention)机制自动为BiLSTM隐藏层状态分配相应的权重,以区分不同时间负荷序列的重要性,能够有效减少历史信息的丢失并突出关键历史时间点的信息。最后通过全连接层输出最终负荷预测结果。以某地区真实负荷数据为例进行了实验分析。通过两种实验场景对比,验证了该方法具有较高的预测精度,可以为电力系统规划和稳定运行提供可靠的依据。     

基于多层注意力机制的4DC-BGRU脑电情感识别

为了提高脑电情感识别的准确率,提取更丰富的特征信息,提升网络模型稳定性,提出一种改进的基于多层注意力机制的脑电情感识别模型。在特征提取方面,将原始脑电信号转换成四维空间 频谱 时间结构,提取丰富的脑电信息。在网络模型方面,构建双路卷积神经网络学习空间及频率信息,有效提取多尺度特征,增加网络宽度来学习更丰富的特征信息;在卷积层及池化层后融入批量归一化层,防止过拟合。最后,构建多层注意力机制 双向门控循环单元模块处理时间特征并配合Softmax分类。采用双向门控循环单元学习更全面的上下级特征信息。利用多层注意力机制使四维特征中不同时间切片与整体时间切片之间产生关联。该文在DEAP数据集唤醒度和效价两个维度进行了评估实验,二分类平均准确率分别为96.38%和96.73%,四分类平均准确率为93.78%。实验结果显示,与单路卷积神经网络及其他文献算法相比,该文算法的平均准确率有所提高,表明该算法可以有效提升脑电情感识别性能。     

基于CNN-ISSA-GRU模型的短期负荷预测方法

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。     

基于小波变换与BiGRU-NN模型的短期负荷预测方法

为更好地挖掘大量采集数据蕴含的有效信息,提高短期负荷预测精度,文中提出一种基于小波变换与双向门控循环单元(BiGRU)、全连接神经网络(NN)混合模型的短期负荷预测方法。文章利用小波变换将负荷特征数据分解为高频数据以及低频数据,再分别建立高频混合神经网络以及低频混合神经网络模型进行预测。在混合神经网络模型中,将负荷特征数据作为BiGRU-NN网络的输入,利用BiGRU-NN网络学习负荷非线性以及时序性特征,以此进行短期负荷预测。文中以丹麦东部地区的负荷数据作为算例,实验结果表明,该方法与GRU神经网络、DNN神经网络、CNN-LSTM神经网络相比,具有更高的预测精度。     

注意力机制下的VMD-IDBiGRU负荷预测模型

针对传统神经网络在负荷预测中精度欠佳、预测速度较慢的问题,提出一种基于注意力机制、变分模态分解和改进的深度双向门控循环单元短期负荷预测模型。该模型首先通过变分模态分解算法将负荷数据分解,以降低原始负荷数据的复杂度。然后：针对传统分解加预测组合模型存在参数多、模型复杂的问题,基于权值共享的思想建立改进的深度双向门控循环单元神经网络;引入注意力机制来突出关键因素的影响,通过注意力权重深度挖掘负荷数据存在的规律。最后,以中国某地区的负荷数据作为实例,通过与传统预测模型进行对比得出,本文所提模型在精度和速度方面均有一定的提升。     

基于CNN-GRU组合神经网络的变压器短期故障预测方法

为挖掘变压器运行状态参量间的关联关系,量化外部环境对变压器运行状态的影响,提出了一种基于卷积神经网络和门控循环单元组合神经网络的变压器短期故障预测方法。首先,通过关联规则挖掘变压器状态参量间的相关性,结合变权思想进行综合状态评估,引入指数函数建立表征变压器运行状态的故障率模型,并将其作为预测状态参量。其次,考虑外部环境对变压器运行状态的影响,分别从日期因素、气象因素和生产工艺因素构建变压器故障预测特征集。然后,利用卷积神经网络在高维空间提取特征集与故障率间的特征向量,将结果输入门控循环单元进行优化训练,从而预测变压器故障率的发展趋势。最后,通过某海上平台变压器的故障预测趋势分析,验证了所提方法的可行性与有效性。该方法与长短期记忆模型、GRU模型、CNN-LSTM模型和支持向量机模型相比,具有更高的预测精度与更高的预测效率。