基于机器学习的短期电力负荷预测方法研究

针对短期电力负荷数据具有明显周期性的特点,将基于机器学习引入到短期电力负荷预测领域,提出一种基于岭回归估计的RBF神经网络短期电力负荷预测方法,该方法利用机器学习算法RBF在非线性拟合方面的优势,结合岭回归对RBF神经网络输出层权值进行参数估计,有效消除输入多重共线性问题,采用广义交叉验证法对构建的模型进行评估,寻找最优岭参数,提高了电力负荷预测精度。通过实际负荷预测案例,与传统BP神经网络负荷预测方法进行比对,验证了提出的电力负荷预测方法较传统方法具有较好的稳定性和较高的预测精度,为电力负荷预测提供了新思路。     

基于相似日与多模型融合的短期负荷预测

为提高负荷预测精度，以相似日思想为基础，构建了一种基于相似日与多模型融合的短期负荷预测框架。首先，通过Pearson相关系数确定负荷的气象影响因素，并结合气象因素及负荷日期类型进行相似日选取，构造历史数据集；其次，采用互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)技术将历史数据集分解为不同频率下的固有模态函数(intrinsic mode function,IMF)分量；然后，采用长短期时序网络(long short term time-series network,LSTNet)及极限学习机(extreme learning machine,ELM)模型分别对高频及低频IMF分量进行预测，经过结果的融合得到最终的负荷预测结果；最后，经过实际电力负荷验证，所提出模型具有较高的负荷预测精度。     

基于时间分解技术的中远期逐时负荷预测模型

中远期电力负荷预测对于引导电网规划建设和提升电力系统资源优化配置具有重要意义。为解决当前中远期负荷预测时间尺度过大、预测精度有限的问题,利用时间分解技术,对电力负荷的长期趋势与短期特征分别进行建模分析,从而提出一种新型预测方法,将中远期负荷预测的时间尺度缩短至小时,实现中远期逐时负荷预测。算例分析表明,所建模型在中远期逐时负荷预测方面的性能优于现有的同类模型,具有较高的全局精度和稳定性。同时,能够有效呈现电力负荷的概率密度特征和极值特性,有望为中远期电力规划提供参考。     

基于Holt-Winters指数平滑和时间卷积网络的短期负荷预测

为提升短期电力负荷预测的精度,着眼于特征组合的构建,提出了一种基于Holt-Winters指数平滑的特征组合(FCHW),并结合时间卷积网络(TCN)构建了FCHW-TCN负荷预测框架。首先,应用Holt-Winters指数平滑进行负荷序列预测,得到与负荷序列相关的级别分量和季节性分量。通过将上述分量用作输入特征,并与常规特征(历史负荷、日期)构成特征组合,构建了FCHW;其次,选择TCN作为预测模型,以FCHW作为TCN输入,搭建了FCHW-TCN预测框架;最后,采用2个不同负荷数据集和多个预测模型对FCHW和FCHW-TCN进行验证。结果表明,FCHW有助于模型预测精度的提升;与其他预测模型相比,FCHW-TCN预测框架有着最高的预测精度,具有优越的预测能力。     

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。     

一种新型短期电力负荷组合预测方法

短期负荷预测的准确性对电力系统的安全运行和生产安排起着至关重要的作用。针对单一负荷预测方法较难准确预测电力负荷的情况,提出了一种新颖的组合预测方法。该方法采用混沌时间序列和基于RBF-ARX模型的预测方法对日负荷进行加权组合预测,并通过与单个预测方法进行比较,证明了该组合预测方法精度更高,相对误差更小。     

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。     

电力负荷混沌动力特性及其短期预测

根据非线性动力系统理论进行负荷建模和预测,并将预测精度作为一种辨识工具,用于分析电力负荷变化的动力特性。分析结果表明,可将负荷的变化特性描述为低维混沌系统。根据负荷的混沌特性及一步向前预测的精度提出一种优选重构参数的方法,并采用基于相空间重构的加权一阶局域法多步预测模型进行了负荷预测。相空间模型能识别负荷序列的内部特性并进行预测,因此是分析和预测负荷的有效工具。     

基于WOA-ELM的电力负荷预测模型研究

电力负荷预测是保障电力系统运行的关键技术。针对电力负荷受时间、温度、湿度、风速和电力需求等因素影响导致预测精度较差的问题,提出利用鲸鱼优化算法对极限学习机的连接权重和隐含层阈值进行优化,构建基于WOA-ELM的电力负荷预测模型。结合实例分析,与其他优化过的机器学习模型（GA-BP模型、PSO-SVM模型）及传统的ELM模型进行对比,结果验证了WOA-ELM模型的有效性,在电力负荷预测方面有较高的精度及较快的训练速度。     

基于差分分解和误差补偿的短期电力负荷预测方法

基于序列分解的方法能够提高短期电力负荷预测精度,但会带来误差的积累。同时,现有方法忽略了历史预测误差与当前预测结果的相关关系。提出了一种基于差分分解和误差补偿的短期电力负荷预测方法(differential decomposition-error compensation-gated recurrent unit,DD-EC-GRU)。首先,对原始负荷序列进行一阶差分,将负荷的预测问题转化为负荷变化量的预测问题。基于此,在一组实际预测负荷序列的基础上引入多组辅助预测负荷序列,应用门控循环单元(gated recurrent unit,GRU)构建多目标迭代预测网络。最后综合考虑各序列迭代预测误差的变化趋势与平稳性,构建基于序列相似度和人工神经网络集成模型的误差补偿网络,提升预测精度。在3个实际负荷数据集上对DD-EC-GRU各环节有效性进行验证,并与多种主流算法对比,结果表明本文所提方法有较高的预测精度和较强的适应能力。     

基于互信息属性分析与极端学习机的超短期风速预测

超短期风速预测对保证风电并网运行可靠性和维持电力系统安全稳定具有重要的意义,针对风速预测中不同因素对风速影响程度不同的特点,本文提出一种基于互信息属性分析与极端学习机的超短期风速预测方法。首先,选取与风速相关的68种候选属性因素,分别计算其相对于风速序列的互信息值,根据互信息,衡量属性对风速的影响程度,并选择输入属性;然后,由互信息值计算属性权值;之后,采用加权处理后的属性值来训练极端学习机,构建风速预测模型;最后,采用新模型预测未来4h内风速。采用北纬39.91°、西经105.29°的美国风能技术中心的实测数据开展实验,实验结果表明,新方法具有良好的预测精度,能够满足实际风速预测需要。     

基于相似日和多集成组合的短期负荷预测

针对短期电力负荷预测精度低、泛化能力弱等问题,提出了一种基于相似日选取与多集成组合的短期电力负荷预测模型.首先利用最大信息准则MIC(maximal information coefficient)选取高相关变量作为模型输入;然后综合考虑MIC与灰色关联度,对气象敏感性较弱地区的负荷进行相似日选取;最后引入集成随机子空...     

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EMD和ELM的短期负荷预测

为了快速、准确预测具有随机性的电力负荷,引入经验模式分解和极限学习机组合负荷预测算法。首先,利用EMD将非平稳负荷序列分解成一系列相对平稳的分量,减少不同负荷影响因素间的相互影响;然后针对各分量的不同特性,利用ELM具有预测能力强、计算时间短、计算准确性高等特点建立不同的预测模型,分别预测各分量值;最后组合ELM预测的各分量值,得到最终预测结果。仿真算例表明,EMD和ELM组合预测方法较传统单一神经网络方法在短期负荷预测精度和运算时间方面具有其独特的优势。     

基于切换模型极限学习机的超短期负荷预测

针对极限学习机算法中输出波动大与模型不稳定的问题,提出采用切换模型极限学习算法进行超短期电力负荷预测的方法。该算法通过切换模型准则,将建立的多个神经网络模型分为误差较小的保持模型和误差较大的更新模型两部分。保持模型无需进行在线更新,减低了模型输出的波动性;更新模型则需采取随机方法进行在线更新,使得训练误差达到最小,提高模型的泛化能力。通过对某地区电力负荷的预测仿真,结果表明了所提方法提高了预测速度,节省了计算时间,具有更佳的泛化能力和预测精度。     

基于Prophet与XGBoost混合模型的短期负荷预测

准确有效的预测电力负荷对电网的安全稳定运行具有重要的参考价值.通过对Prophet框架和XGBboost(eXtreme gradient boosting)机器学习模型的深度分析,提出了基于Prophet与XGBoost的混合电力负荷预测模型,针对大量的历史电负荷数据、日期信息、气象数据,分别构建Prophet电力负...     

基于机器学习与疫情关联特征的短期负荷预测

准确的电力负荷预测是电力系统正常运转的重要保障。针对新冠疫情期间负荷需求波动大、历史参考负荷难以建模等问题,提出了一种基于机器学习与静默指数、滚动焦虑指数的短期负荷预测方法。首先,利用谷歌流动性数据和疫情数据构建出静默指数、滚动焦虑指数来量化经济、疫情的发展对电力负荷造成的影响。然后,采用最大信息系数分析疫情期间电力负荷的强相关因素并引入疫情负荷关联特征。最后,将气象数据、历史负荷以及构建的疫情关联特征合并作为预测模型的输入变量,通过多种机器学习模型进行预测算例分析。结果表明,引入疫情关联特征的负荷预测模型能够有效地提高疫情期间负荷预测的准确性。     

基于改进ABC和IDPC-MKELM的短期电力负荷预测

为提高受外部因素影响敏感的短期电力负荷预测精度,提出了一种基于改进ABC优化密度峰值聚类和多核极限学习机的短期电力负荷预测方法。构建融合特征提取、人工蜂群算法（ABC）、密度峰值聚类（DPC）和核极限学习机（KELM）的短期电力负荷预测模型。针对ABC收敛效率不高的缺陷,设计新型蜜源搜索和蜜蜂进化方式,以提升改进ABC全局寻优能力;针对DPC截断距离与聚类中心人为设定的不足,定义邦费罗尼指数函数和聚类中心截断指标,并将改进的ABC应用于DPC参数优化过程,以实现DPC最佳聚类分析;针对KELM回归能力不强、参数选取难以确定的问题,设计多核加权KELM,并采用改进的ABC进行参数优化,以提高极限学习机预测精度。仿真结果表明,所提短期电力负荷预测方法更具有效性,平均误差低了约8.8%~39.8%。     

基于EWT-KELM方法的短期风电功率组合预测

针对短期风电功率预测,提出一种基于经验小波变换(Empirical Wavelet Transform,EWT)预处理的核极限学习机(Extreme Learning Machine With Kernels,KELM)组合预测方法。首先采用EWT对风电场实测风速数据进行自适应分解并提取具有傅立叶紧支撑的模态信号分量,针对每个分量分别构建KELM预测模型,最后对各个预测模型的输出进行叠加得到风速预测值并根据风电场风功特性曲线可得对应风电功率预测值,为验证本文方法的有效性,将其应用于国内某风电场的短期风电功率预测中,在同等条件下,与KELM方法、极限学习机(Extreme Learning Machine,ELM)方法、支持向量机(Support Vector Mmachine,SVM)方法以及BP (Back Propagation Neural Network)方法对比,实验结果表明,本文所提方法具有较好的预测精度和应用潜力。     

加权多分位鲁棒ELM的短期负荷预测方法

为获取足够精确的短期负荷预测值作为电力系统规划和运行的依据,提出一种加权多分位鲁棒极限学习机ELM(extreme learning machine)的短期负荷预测方法。首先融合分位回归与鲁棒ELM形成多分位鲁棒ELM基本预测模型,然后通过选取不同的分位值来模拟所有的可能性预测场景,以此得到不同分位场景下的预测值。最后按照“误差大、权值小;误差小、权值大”的误差反馈加权原则对上述不同分位下的预测值进行加权求和,以此得到最终的预测结果。实例证明该混合模型预测方法适用性强,且能取得较高的预测精度。