基于CNN-BIGRU-ATTENTION的短期电力负荷预测

电价的实时波动,会对负荷预测精度产生一定影响,增加预测的复杂性.针对这一问题,本文构建基于注意力(AT-TENTION)机制的卷积神经网络(CNN)和双向门控循环单元(BIGRU)混合模型对短期电力负荷进行预测.首先用CNN对负荷及电价数据特征进行抽取;其次,利用BIGRU对潜藏的时序规律进行提取;最后结合ATTENT...     

基于多层融合神经网络模型的短期电力负荷预测方法

针对传统的短期电力负荷预测模型存在的预测精度不高和滞后性的问题,本文提出一种基于卷积神经网络、长短时记忆网络和注意力机制下的混合神经网络模型来进行预测。利用卷积层对多维的电力数据影响特征进行提取,过滤筛选其非重要影响因子,完成电力数据相关特征的映射变换,再通过长短时记忆网络层的循环,对时序性电力数据特征选择性提取,最后利用注意力机制添加重要特征的权重,经Adam算法优化后输出电力负荷预测的结果。依靠GPU强大的算力支撑来解决预测数据时的实时性问题,凭借多融合神经网络的手段来提高其预测精度。经由算例验证,所提出模型真实可靠,预测质量显著优于其他传统模型。     

基于NWP-LSTM的短期供热负荷预测方法

为提高短期供热负荷预测精度,提出了一种基于数值天气预报（NWP）和长短期记忆神经网络（LSTM）的短期供热负荷预测方法。该方法首先对NWP数据和历史供热负荷数据进行Pearson相关性分析,得出对供热负荷影响较大的天气因素,与历史供热负荷数据一起组成神经网络的输入,并通过反复实验设计出最优结构的NWP-LSTM神经网络模型。通过与其他常见供热负荷预测方法比较,提出的NWP-LSTM模型可以获得更精确的预测结果,适合实际工程应用。     

基于BP神经网络电力负荷短期预测研究

电力负荷预测是电力系统一项重要的工作。本文应用了BP神经网络对南方某地区短期电力负荷进行了预测。首先介绍了BP神经网络结构,其次是利用BP神经网络结合南方某地区电力负荷数据进行实证研究,并且在设计BP神经网络结构时考虑了气象因素对负荷的影响。     

基于模糊逻辑和神经网络的短期电力负荷预测

本文分析了天气和节假日对电力负荷的影响 ,建立了神经网络和模糊逻辑相结合的综合预测模型进行短期负荷预测。预测结果经两步得出 ,首先训练神经网络 ,令其预测基本日负荷曲线 ,然后利用模糊逻辑根据天气因素以及是否节假日等情况对负荷曲线进行修正 ,使其在天气突变等情况下也能达到较高的预测精度。采用此模型对石家庄电力系统负荷进行预测分析 ,取得了令人满意的结果。     

基于LSTM神经网络的区域微网短期负荷预测

针对大电网负荷预测的研究较多而微电网相对较少,因此建立合适的微电网负荷预测模型提高预测的准确度非常重要。本文针对输入变量较少的情况,分析并选用温度、日类型以及多个历史负荷量作为模型的输入变量,选用基于循环神经网络基础下的长短期记忆神经网络进行建模,构建基于LSTM神经网络的微网负荷预测模型。最后,为增强结果的可靠性,采用2组不同时间段的负荷数据分别进行预测,将LSTM神经网络的预测结果与BP神经网络、径向基函数神经网络、Elman神经网络的预测结果进行对比。实验结果表明,LSTM神经网络的预测结果要优于BP神经网络、径向基函数神经网络及Elman神经网络,采用LSTM神经网络负荷预测模型在微电网背景下具有比较好的推广前景。     

基于神经网络的电力负荷预测方法研究

电力负荷预测易受到高频、低频和超低频振荡干扰,导致预测准确性不高,提出基于神经网络的电力负荷预测方法。在无线ZigBee组网协议下进行电力负荷传感器信息组网,构建电网负荷数据采集模型并进行模型修正。根据电力负荷数据采集结果,去除高频、低频和超低频振荡干扰因子。进行神经网络样本数据训练,去除冗余数据,输出电网负荷数据集合。对获得的数据集采用神经网络分类器进行分类融合处理,根据电力负荷数据的融合结果实现电力负荷预测。仿真结果表明,采用该方法进行电力负荷预测的准确性较高,预测过程的抗干扰性较好,在电力负荷的实时监测和信息调度中具有很好的应用价值。     

基于双时间序列神经网络的短期电网负荷预测

短期电网负荷预测是电网安全运行和经济调度的基础。现有预测方法存在对节假日预测不准确,不利于系统化等问题。根据短期负荷周期性变化的特点,创造性地提出双时间序列神经网络模型。同时为了克服实际温度数据缺失问题,提出一种新的温度量化方法。在广东省某地区的实际应用表明,该方法对于普通日和特殊日都取得了有较好的预测精度。     

基于最大偏差相似性准则的BP神经网络短期电力负荷预测算法

针对企业电力负荷随机性强、稳定性低、预测精度不理想等问题,提出了一种基于最大偏差相似性准则的BP神经网络短期电力负荷预测算法。首先对最大偏差相似性准则算法进行修改,并提出使用预测日的负荷特征向量与最大偏差相似性准则算法聚类之后的类中心负荷特征的距离来确定预测日的相似日类别;然后将聚类后的相似日类别负荷数据作为BP网络的训练数据,输出预测日起始的连续三天96整点负荷值。实验表明,该方法提出的短期电力负荷预测方法在精度和网络训练时间上都有较大的提升,具有较高的有效性和实用性。     

基于改进萤火虫算法的小波神经网络短期负荷预测方法

传统的小波神经网络以梯度下降法训练网络,而梯度下降法易导致网络出现收敛早熟、陷入局部极小等问题,影响网络训练的精度。文章将萤火虫算法用于训练小波神经网络,在全局内搜寻网络的最优参数。为了提高萤火虫算法参数寻优的能力,在训练过程中自适应调节γ值。同时利用高斯变异来提高萤火虫个体的活性,在保证收敛速度的同时避免算法陷入局部极小。将优化后的小波神经网络用于短期负荷预测,实验证明改进后的预测模型非线性拟合能力较强、预测精度较高。     

短期电力负荷预测的灰色-小波网络组合模型

短期电力负荷数据具有离散、无规则波动的特点,先利用灰色预测弱化其波动性,然后将负荷原始检测数据与其相对应的灰色预测数据进行重构后作为小波网络的训练样本,在此基础上建立基于灰色-小波网络组合模型的短期电力负荷预测新方法。该方法有效整合了灰色理论、小波分析和人工神经网络的优点,与传统BP网络相比,收敛速度更快,预测精度更高。仿真试验表明了该方法用于短期电力负荷预测的可行性和有效性。     

Short-term electric power load forecasting using feedforward neural networks

Abstract: This paper presents the results of a study on short‐term electric power load forecasting based on feedforward neural networks. The study investigates the design components that are critical in power load forecasting, which include the selection of the inputs and outputs from the data, the formation of the training and the testing sets, and the performance of the neural network models trained to forecast power load for the next hour and the next day. The experiments are used to identify the combination of the most significant parameters that can be used to form the inputs of the neural networks in order to reduce the prediction error. The prediction error is also reduced by predicting the difference between the power load of the next hour (day) and that of the present hour (day). This is a promising alternative to the commonly used approach of predicting the actual power load. The potential of the proposed method is revealed by its comparison with two existing approaches that utilize neural networks for electric power load forecasting.     

改进GA-BPNN在短期电力负荷预测中的应用

为了避免传统方法预测短期电力负荷建模复杂性,将改进遗传算法（GA）和误差反向传播（BP）算法相结合构成的混合算法用于训练人工神经网络,结合电力负荷历史数据,对短期电力负荷进行仿真预测。仿真结果表明,该混合算法有效地解决了常规BP算法学习网络权值收敛速度慢、易陷入局部极小和GA算法独立训练神经网络速度缓慢等问题,具有较快的收敛速度和较高的预测精度。     

社会情感算法优化神经网络的短时交通流预测

针对反向传播(BP)神经网络用于交通流预测易陷入局部最优且寻优速度慢的问题,采用了社会情感优化(SEO)BP神经网络的参数,以SEO中的个体为一个BP神经网络,以3种情绪为表现形式,通过个体间的合作竞争进行寻优.运用Levy、正态、柯西分布3种情绪随机选择策略,通过不同方式实现了以不同的概率选择不确定的情绪,使SEO中情绪更好地模拟人的正常心理变化.实验表明:该模型较其他模型更有利于搜寻全局最优解,能有效提高短时交通流的预测精度.     

基于集成BP神经网络的短期负荷预测

利用混沌相空间重构理论对负荷时间序列研究,用改进的C_C方法求得时间延迟τ和嵌入维数m,得到系统最大李雅普诺夫指数,证明其具有混沌特性.对样本数据相空间重构,构建多个BP神经网络的预测子模型,所有子模型同步预测的加权平均作为集成负荷预测值.在线采集负荷数据,利用增量式训练获取新的预测子模型,按“先入先出”顺序进行BP神经网络集成更新.将预测结果同普通BP神经网络预测结果进行对比,结果证明这种方法提高了预测精度.     

基于相空间重构小波神经网络的短期覆冰预测

针对输电线路覆冰问题,提出一种基于相空间重构小波神经网络的短期覆冰预测模型。以云南昭通某110 kV输电线路覆冰厚度监测数据为基础,首先求取覆冰时间序列最大李雅普诺夫(Lyapunov)指数,对覆冰厚度进行非线性的动力学分析,确定序列具有混沌特性;其次由C-C法对系统进行相空间重构,找出数据变化的局部规律性;最后采用小波神经网络对相空间轨迹进行预测,并通过蚁群算法优化预测模型参数。实验表明:模型具有良好预测能力,对抗冰工作具有实际指导意义。