基于多负荷特征和TCN-GRU神经网络的负荷预测

传统负荷预测未深入考虑负荷序列对模型预测精度的影响。为提高预测精度,提出了多负荷特征组合(multi-load feature combination, MLFC),并结合时间卷积网络(temporal convolution network,TCN)和门控循环单元(gated recurrent unit,GRU)构建了负荷预测框架。首先,引入负荷变化率特征和基于集合经验模态分解的负荷分量特征,并与负荷、日期特征构成MLFC;其次,选取TCN和GRU进行特征提取和预测,基于MLFC搭建MLFC-TCN-GRU预测框架;最后,采用不同模型验证所提方法。结果表明：MLFC有助于预测精度提升,且适用于不同模型。同时,MLFC-TCN-GRU相较于其他模型有着较高预测精度。     

基于贝叶斯优化的VMD-GRU短期风电功率预测

为提高风电功率预测精度,提出了一种基于贝叶斯优化的变分模态分解(variationalmodedecomposition,VMD)和门控循环单元(gatedrecurrentunit, GRU)相结合的风电功率预测方法。首先使用VMD算法对风电功率序列进行分解,并根据排列熵(permutation entropy, PE)的大小来确定序列分解的最佳模态数。然后将分解后得到的子序列分量与关键气象变量数据结合构成模型输入特征。使用GRU网络对各个子序列分量分别进行预测,并将各个子序列分量的预测结果进行重构得到风电功率预测结果。最后采用贝叶斯优化方法对各个子序列预测模型的网络初始超参数进行优化。采用某风电场的风电数据对所提模型进行验证,并与其他6种模型进行性能对比。结果表明,基于贝叶斯优化的VMD-GRU预测模型明显优于其他模型,具有较好的泛化能力,能够有效提高风电功率预测精度。     

基于经验模态分解与动态神经网络的短期负荷预测

提出了采用经验模态分解(EMD)、动态神经网络与BP型神经网络相结合的混合模型进行电力系统短期负荷预测的方法。首先运用EMD将非平稳的负荷序列分解,然后根据分解后各分量的特点构造不同的动态神经网络对各分量分别进行预测,最后对各分量预测结果采用BP网络进行重构得到最终预测结果。仿真结果表明基于该方法的电力系统短期负荷预测具有较高的精度。     

基于残差修正的小水电高渗透率地区网供负荷预测

针对小水电高渗透率地区网供负荷预测准确率较低的问题,提出一种基于人工智能和残差修正的网供负荷预测模型,对蕴含在网供负荷中的周期分量和随机分量进行预测和结果修正。采用集合经验模态分解(EEMD)提取网供负荷中不同频段的分量,构建基于模态分量的多层次门控循环单元(GRU)网络模型,通过提升网络模型的复杂程度提高测试集上预测结果的准确率。此外,引入费歇值表征降雨对小水电出力的累积效应影响,在预测结果输出环节加入费歇信息加权的马尔科夫(FI-WMC)残差修正步骤,降低小水电出力不确定性导致的预测结果偏差。仿真验证的结果表明,多层级EEMD-GRU-FIWMC模型可以更好地适用于小水电高渗透率地区的网供负荷预测,在小水电渗透率为20%以上的地区,相对于传统的GRU模型和无残差修正模型,其预测准确率分别提升7.61%、3.85%。     

基于模态分解及注意力机制长短时间网络的短期负荷预测

短期电力负荷受多种因素影响,具有波动性大、随机性强的特点,使得高精度的短期负荷预测比较困难。为充分提取负荷数据中的特征,提升短期负荷预测精度,提出了一种基于模态分解及注意力机制长短时间网络(long and short-term temporal networks with attention,LSTNet-Attn)的短期负荷预测模型。首先该模型采用自适应白噪声的完整经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)对包含大量高频分量且频率成分复杂的原始负荷时间序列进行处理,经频率分离后得到若干个包含不同频率成分的本征模函数(intrinsic mode functions,IMF)。其次,在采集特征的基础上构建日期特征,并通过Boruta算法优化输入数据维度冗余问题。然后,在上述基础上构建LSTNet-Attn预测模型,模型包括卷积模块、循环跳过模块、自回归(autoregressive,AR)模块和注意力机制模块。卷积模块和循环跳过模块提取输入负荷数据中高度非线性的长...     

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EMD和相关向量机的短期负荷预测

为提高电力负荷预测的准确性,提出一种基于经验模态分解EMD(empirical mode decomposition)与相关向量机RVM(relevant vector machine)的短期负荷预测方法。该方法利用EMD将目标负荷序列分解为若干个不同频率的固有模态分量I MF(intrinsic mode function),通过分析各个分量的特征规律,构造不同的RVM模型对各分量分别进行预测,再将各分量预测值通过RVM组合得到最终预测值。仿真结果表明,通过EMD分解,预测效果有显著改善,而RVM模型较之BP神经网络模型与SVM模型具有更高的预测精度。     

基于CEEMD-GRU模型的短期电力负荷预测方法

针对电力负荷序列不平稳、随机性强,直接输入模型会导致拟合效果差、预测精度低等问题,本文提出了一种基于添加互补白噪声的互补集合经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)以及门控循环单元神经网络(gated recurrent unit neural network, GRU)融合的预测方法。首先,针对传统经验模态分解(empirical mode decomposition, EMD)分解方法处理干扰信号大的序列时,存在的模态混叠问题,提出了CEEMD分解方法,加入互补白噪声,将原始序列分解成不同尺度的子序列,随后使用GRU神经网络,并优化网络超参数,从而获得最好的预测结果。通过实验证明,该方法重构误差小,预测效果好。     

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,再将特征向量作为BiGRU-NN网络的输入,采用BiGRU-NN网络进行短期负荷预测。以2016年举办的全国第九届电工数学建模竞赛试题A题中的负荷数据作为实际算例,实验结果表明：该方法与DNN神经网络、GRU神经网络、CNN-LSTM神经网络短期负荷预测法相比,有更高的预测精度。     

基于模态分解及GRU-XGBoost短期电力负荷预测

精确的短期电力负荷预测能有效提高电力系统运营水平。针对电力负荷数据受多种因素影响,波动性和随机性强等问题,提出了一种基于模态分解及混合模型的负荷预测方法。首先,采用主成分分析法（principal component analysis,PCA）对负荷特征向量进行处理,去掉冗余信息,再用完全自适应噪声集合经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）将历史负荷分解为简化的几个子序列;其次,选择引入样本熵（sample entropy,SE）来计算子序列熵值,将相近的子序列重构得到随机、细节、低频和趋势分量后选用不同结构门控循环单元（gate recurrent unit,GRU）对不同分量类型进行预测,再使用极致梯度提升模型（extreme gradient boosting,XGBoost）对各分量残差进行拟合,各重组序列的预测值为GRU预测值与XBGoost拟合值之和,重组各序列得到最终预测值。选取3年时电力负荷数据进行实验,结果表明,所提模型的均方根误差（root mean square error,RMSE）、平均绝对百分比误差（mean absolutepercentage error,MAPE）和平均绝对误差（mean absolute error,MAE）分别为370.676 MW、99.07%和246.89 MW,与单一模型和混合模型相比,实现了评价指标的明显减少。     

基于NACEMD-GRU的组合型日前负荷预测方法

准确的日前负荷预测有助于降低电力成本,提高电力系统的安全性和稳定性.该文提出一种基于NACEMD-GRU的组合型日前负荷预测方法.首先,引入NACEMD(噪声辅助复数据经验模态分解)方法对日前负荷数据进行分解,得到具有不同时频特性的日前负荷分量;然后针对各日前负荷分量分别建立基于GRU(门控循环神经网络单元)的深度学习...     

基于VMD-ISSA-GRU组合模型的短期风电功率预测

为解决风速不确定性和波动性造成风电功率预测精度不高的问题,提出一种基于变分模态分解（VMD）、改进麻雀搜索算法（ISSA）和门控循环神经网络（GRU）的VMD-ISSA-GRU组合模型。首先,利用中心频率法确定采用VMD分解后的模态分量个数,这样有效避免了过分解或者分解不充分。其次引入混沌映射、非线性递减权重以及一个突变策略来改进麻雀搜索算法,用于优化门控循环神经网络,然后对分解得到的各个子序列建立ISSA-GRU预测模型,最后叠加每个子序列的预测值得到最终的预测值。将该模型用于实际风电功率预测,实验结果表明：VMD-ISSA-GRU组合模型的平均绝对误差、平均绝对百分比误差、均方根误差分别为1.211 8 MW、1.890 0及1.591 6 MW;相较于传统的GRU、长短时记忆（LSTM）神经网络、BiLSTM(Bi-directional LSTM)神经网络模型以及其他组合模型在预测精度上都有明显的提升,能很好地解决风电功率预测精度不高的问题     

基于麻雀算法优化的VMD-CNN-LSTM的短期风电功率研究

考虑相关风电场之间的影响因素可以有效提升新建风电场的风电功率预测精度，提出利用变分模态分解技术（VMD）将单风电场风电功率预处理分解为本征模态函数（IMF），然后将各风电场同频段分量，即低频分量、高频分量和残差分量，组合为二维特征矩阵作为卷积神经网络（CNN）的输入，利用卷积神经网络提取同分量子模态下空间特征信息，输入到长短时记忆网络（LSTM）提取时间序列中的长时依赖关系进行预测，最后将预测结果进行叠加，获得完整的预测结果。组合神经网络的超参数设置相较于单一模型对预测精度的影响更大，采用新型麻雀搜索算法（SSA）可以节省人工手动调制参数的时间、提高超参数设置的精度和效率。使用该方法对某风电集群中的新建基准风电场进行预测，预测结果表明经SSA优化的VMD-CNN-LSTM模型在预测风电集群数据上有较高的精度，预测效果好于对比模型LSTM,CNN-LSTM和SSA-VMD-LSTM。     

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EEMD-GRU-MLR的短期电力负荷预测EI北大核心CSCD

针对电力负荷随机性较强,预测精度不高的问题,通过构建集合经验模态分解(ensembleempiricalmode decomposition,EEMD)以及门控循环单元神经网络(gated recurrent unit neural network,GRU)和多元线性回归(multiple linearregression,MLR)组合而成的EEMD-GRU-MLR(EGM)预测方法,有效提高了电力负荷短期预测精度。首先通过集合经验模态分解将电力负荷数据分解为频率由高到低的不同本征模态函数(intrinsicmodefunctions,IMF),不同频率的本征模态函数分量代表了电力负荷不同的部分特征,随后分别使用多元线性回归方法和GRU神经网络方法对低频部分和高频部分进行快速准确的预测,最后将所得各预测结果组合后得到完整的预测结果。EGM预测方法不但能够对电力负荷的变化趋势进行有效预测,而且能够准确预测随机性较强的局部特征。最后通过实验验证,该方法有效地提高了负荷预测精度。     

一种基于HHT的电力系统短期负荷预测模型

提出了一种基于HHT的电力系统短期负荷预测模型.针对EMD分解电力负荷时存在模态混叠及对高频IMF预测不准确的问题,采用一阶差分算法对EMD分解进行改进,得到消除模态混叠后的一系列IMF分量及余项.通过对各分量的频谱计算和观察,提取出低频分量,并将其进行重构,各分量选取合适模型进行预测.由于IMF1主要为负荷的随机分量,对其考虑天气、节假日因素,并采用粒子群算法对组合权值进行优化.仿真结果表明此种方法具有较高的预测精度.     

基于EEMD-GRU-MLR的短期电力负荷预测

针对电力负荷随机性较强,预测精度不高的问题,通过构建集合经验模态分解(ensembleempiricalmode decomposition,EEMD)以及门控循环单元神经网络(gated recurrent unit neural network,GRU)和多元线性回归(multiple linearregression, MLR)组合而成的EEMD-GRU-MLR(EGM)预测方法,有效提高了电力负荷短期预测精度。首先通过集合经验模态分解将电力负荷数据分解为频率由高到低的不同本征模态函数(intrinsicmodefunctions,IMF),不同频率的本征模态函数分量代表了电力负荷不同的部分特征,随后分别使用多元线性回归方法和GRU神经网络方法对低频部分和高频部分进行快速准确的预测,最后将所得各预测结果组合后得到完整的预测结果。EGM预测方法不但能够对电力负荷的变化趋势进行有效预测,而且能够准确预测随机性较强的局部特征。最后通过实验验证,该方法有效地提高了负荷预测精度。     

一种基于HHT的电力系统短期负荷预测模型

提出了一种基于HHT的电力系统短期负荷预测模型。针对EMD分解电力负荷时存在模态混叠及对高频IMF预测不准确的问题,采用一阶差分算法对EMD分解进行改进,得到消除模态混叠后的一系列IMF分量及余项。通过对各分量的频谱计算和观察,提取出低频分量,并将其进行重构,各分量选取合适模型进行预测。由于IMF1主要为负荷的随机分量,对其考虑天气、节假日因素,并采用粒子群算法对组合权值进行优化。仿真结果表明此种方法具有较高的预测精度。     

基于经验模态分解和基因表达式程序设计的电力系统短期负荷预测

提出将经验模态分解（EMD）和基因表达式程序设计（GEP）算法相结合的EMD&GEP预测法应用于电力系统短期负荷预测中,消除负荷样本中的伪数据,并对负荷样本序列进行经验模态分解得到不同频段的本征模态分量（IMF）和负荷剩余分量。运用基因表达式程序设计算法的灵活表达能力,把分解得到的不同频段的各负荷本征模态分量及负荷剩余分量中所对应的不同日、同一时刻的负荷序列作为样本,进行分时预测。把各负荷本征模态分量和负荷剩余分量中相对应的预测结果进行重构,作为各时刻负荷的最终预测值。EMD克服了小波分析中小波基选取困难的不足,结果表明各负荷本征模态分量能较准确反映负荷特征,而且经比较,EMD&GEP预测法比小波分析和GEP算法相结合的预测方法具有更好的预测效果。     

基于经验模态分解和基因表达式程序设计的电力系统短期负荷预测

提出将经验模态分解(EMD)和基因表达式程序设计(GEP)算法相结合的EMD&GEP预测法应用于电力系统短期负荷预测中,消除负荷样本中的伪数据,并对负荷样本序列进行经验模态分解得到不同频段的本征模态分量(IMF)和负荷剩余分量.运用基因表达式程序设计算法的灵活表达能力,把分解得到的不同频段的各负荷本征模态分量及负荷剩余分量中所对应的不同日、同一时刻的负荷序列作为样本,进行分时预测.把各负荷本征模态分量和负荷剩余分量中相对应的预测结果进行重构,作为各时刻负荷的最终预测值.EMD克服了小波分析中小波基选取困难的不足,结果表明各负荷本征模态分量能较准确反映负荷特征,而且经比较,EMD&GEP预测法比小波分析和GEP算法相结合的预测方法具有更好的预测效果.