基于多尺度跳跃深度长短期记忆网络的短期多变量负荷预测

近年来,以循环神经网络（RNN）为主体构建的预测模型在短期电力负荷预测中取得了优越的性能。然而,由于RNN不能有效捕捉存在于短期电力负荷数据的多尺度时序特征,因而难以进一步提升负荷预测精度。为了捕获短期电力负荷数据中的多尺度时序特征,提出了一种基于多尺度跳跃深度长短期记忆（MSD-LSTM）网络的短期电力负荷预测模型。具体来说,以长短期记忆（LSTM）网络为主体构建预测模型能够较好地捕获长短期时序依赖,从而缓解时序过长时重要信息容易丢失的问题。进一步地,采用多层LSTM架构并且对各层设置不同的跳跃连接数,使得MSD-LSTM的每一层能够捕获不同时间尺度的特征。最后,引入全连接层把各层提取到的多尺度时序特征进行融合,再利用该融合特征进行短期电力负荷预测。实验结果表明,与单层LSTM和多层LSTM相比,MSD-LSTM的均方误差总体下降了10%。可见MSD-LSTM能够更好地提取短期负荷数据中的多尺度时序特征,从而提高短期电力负荷预测的精度。     

二次分解组合CNN-LSTM的短期负荷预测

短期电力负荷随机性强、波动性大。为提高负荷预测精度,文章提出一种基于二次分解的卷积神经网络（CNN）与长短期记忆（LSTM）神经网络组合的预测模型。其首先采用自适应噪声完备集合经验模态分解（CEEMDAN）方法将原始负荷序列分解为若干固有模态分量和残差;然后,引入样本熵与K均值（SEK-means, SK）,将分解得到的子序列重构为3个序列,并运用变分模态分解方法将重构分量中的强非平稳序列进行二次分解,建立CNN-LSTM模型,对分解得到的各个子序列分别进行预测;最后,将预测的结果叠加,以实现对负荷的有效预测。运用实际负荷数据从确定系数、平均绝对误差、均方根误差和平均绝对百分比误差这4种评价指标角度进行验证,结果表明,该模型与XGBoost、LSTM、CEEMDAN-LSTM和CEEMDANCNN-LSTM模型相比较,具有更高的拟合度和预测精度。     

光伏影响下考虑气象负荷分解和LSSVM的负荷预测

随着光伏电源并网规模的不断扩大,光伏电源出力的波动性使得负荷预测难度加大,气象因素又对电力系统负荷有显著的影响。考虑剥离光伏电源对电网负荷预测的影响后,研究实时气象因素对电力系统净负荷的影响,然后将净负荷分解为基础负荷和气象敏感负荷,采用灰色模型GM(1,1)和最小二乘支持向量机算法分别对二者进行预测。之后采用主导气象因素辨识方法分析影响净负荷的主要气象因素,合理选取预测模型的输入向量,实现了考虑光伏影响与气象敏感负荷分解的LSSVM负荷预测。实验证明所提出的模型能够明显提高负荷预测的准确度。     

数据驱动下的综合能源系统短期多元负荷预测

精准可靠的多元负荷预测对于综合能源系统规划运行具有重要的实用价值,针对园区综合能源系统多元负荷预测问题,提出一种数据驱动下的短期多元负荷预测方法。概述园区综合能源系统多能耦合的运行特点,提出适用于多元负荷相关性分析方法。基于长短时记忆网络(longshort-term memory,LSTM)、极端梯度提升(extreme gradient boosting,XGboost)模型,采用误差倒数法对LSTM、XGboost模型预测结果进行加权组合构建短期多元负荷预测模型。采用园区实际运行数据验证了组合模型的有效性,实验结果表明,相较其它两种单一预测模型,LSTM-XGboost组合模型的预测精度更高。     

计及光伏及风电并网的电力系统短期负荷预测

为提升光伏、风电等分布式能源大量接入电网后短期电力负荷的预测精度,促进电网消纳能力提升,本文对光伏出力及短期用电负荷采用小波——径向基函数(RBF)神经网络预测方法;对风力发电首先利用总体平均经验模态分解(EEMD)方法对其功率数据分解,再采用BP神经网络、RBF神经网络、小波神经网络、ELMAN神经网络四种神经网络预测方法进行预测,并用粒子群算法(PSO)和灰色关联度(GRA)修正。最后,利用等效负荷的概念,分析光伏、风力发电并网对于短期电力负荷预测的影响,并将三种模型有效结合,得到了考虑光伏及风力发电并网的电力系统短期负荷预测的等效负荷预测模型。实例分析表明,本文所提方法相较于其他方法在该预测项目上具有相对更高的预测精度。     

基于注意力机制的Encoder-Decoder光伏发电预测模型

影响光伏发电系统出力的天气因素具有很大的波动性和不连续性,因此需要创建合适的预测模型来对光伏出力特性进行精准预测,从而保证电网系统的有效运行。本文通过最大信息系数选择合适的历史光伏发电数据,将其作为特征之一进行输入数据重构,并在由LSTM神经元构建的Encoder-Decoder模型上引入注意力机制,最终得到结合注意力机制的Encoder-Decoder光伏发电预测模型。经实际光伏电厂算例分析,验证了所提模型在光伏发电预测方面的准确性和适用性。     

基于改进BP神经网络的分布式光伏系统短期出力预测方法

为减小分布式光伏系统短期出力预测值与实际值的偏差,提高出力预测精度,保证光伏系统稳定运行,设计基于改进反向传播（Back Propagation,BP）神经网络的分布式光伏系统短期出力预测方法。首先,建立分布式光伏系统发电模型,获取分布式光伏系统的短期光伏出力衰减性特征与理论出力情况。其次,计算样板站出力相关系数,选择具备预测估算条件且能够代表分布式光伏系统集群出力特征的预测样板站。最后,进行实验分析。实验结果表明,该方法的短期出力功率预测值与出力功率实际值更接近,偏差较小,能够更加精确地预测出分布式光伏系统的短期出力情况。     

基于LSTM-XGBoost的短期电力负荷预测研究

随着电力系统的快速发展,针对短期电力负荷预测的人工智能方法研究已经取得了显著成就。由于长短期记忆(LSTM)神经网络能够拟合电力负荷数据时序性和非线性的特点,基于LSTM的短期电力负荷预测效果显著。但基于LSTM的预测方法存在预测精度低、泛化能力差等问题。为此,利用贝叶斯优化后的极限梯度提升(XGBoost)集成学习方法训练得到多个LSTM的强预测模型,提出基于LSTM-XGBoost的短期电力负荷预测的方法,并采用宁夏地区的电力数据进行算例分析。试验结果表明,对比基于LSTM和基于粒子群优化(PSO)-反向传播(BP)的短期电力负荷预测方法,基于LSTM-XGBoost的短期电力负荷模型预测精度、稳定性更高。该方法对于电力系统智能化发展有一定的应用价值。     

结合LSTM和自注意力机制的图卷积网络短期电力负荷预测

针对现有电力负荷预测模型建模工作量大、时空联合表征不足、预测精度低等问题,提出了一种结合长短期记忆（LSTM）网络和自注意力机制的图卷积网络（GCN）的短期电力负荷预测模型GCNLS-STLF。首先,利用LSTM和自注意力机制将原始多维时间序列数据转化为包含序列间关联关系的电力负荷图;然后,通过GCN、LSTM和图傅里叶变换（GFT）对电力负荷图进行特征提取;最后,使用全连接层对特征进行重构,并利用残差进行多次预测,以增强原始电力负荷数据的表达能力。在摩洛哥与巴拿马某电站的真实历史电力负荷数据上进行的短期电力负荷预测实验结果显示,与支持向量机（SVM）、LSTM、混合模型CNN-LSTM和基于注意力的CNN-LSTM(CNN-LSTM-attention)等预测模型相比,GCNLS-STLF在摩洛哥全部电力负荷测试集上的平均绝对百分比误差（MAPE）分别降低1.94、0.90、0.49和0.37个百分点;在巴拿马电力负荷测试集上的3月份MAPE分别降低1.39、0.94、0.38和0.29个百分点,6月份MAPE分别降低1.40、0.99、0.35和0.28个百分点。实验结果表明,GC...     

基于经验模态条件生成对抗网络的短期负荷预测

针对双碳目标下传统负荷预测模型难以捕捉数据内部时序特征导致负荷预测精度不高的问题,提出一种基于经验模态条件生成对抗网络(CGAN)的短期负荷预测模型。该模型在保留CGAN结构的基础上,首先使用经验模态分解(EMD)将历史负荷数据分解为多个经验模态分量,并采用多个长短期记忆(LSTM)神经网络作为生成器、卷积神经网络(CNN)作为判别器。然后,以分解后的经验模态分量为输入、负荷影响因素为条件对模型进行训练,使生成器能够输出精确的预测负荷数据。最后,以某地区配电网实际负荷数据对模型进行验证。试验结果表明,相比于其他基于深度学习的负荷预测模型,所提模型具有更小的预测误差。未来可将该方法应用于配电网调度中,以提高调度的安全性和经济性。     

基于深度学习的短时交通流预测模型

交通流预测在智能交通领域有着重要的现实意义。由于交通流数据受多种因素影响,平稳性差、随机性强,呈现出高度非线性的特征,使得交通流预测极为困难。针对短时交通流预测准确性的要求,本文提出一种基于互补集成经验模态分解(Complete Ensemble Empirical Mode Decomposition, CEEMD),并结合卷积神经网络(Convolutional Neural Networks, CNN)和长短期记忆网络(Long Short-Term Memory, LSTM)的短时交通流预测方法。模型通过CEEMD信号分解减少噪声对交通流数据预测的影响,采用CNN、LSTM充分挖掘数据的时空特征,使得模型做出更加准确的判断,从而提高神经网络的学习效率。在真实交通流数据上进行实验验证,结果表明,本文提出的模型可以有效提高交通流预测的准确性。     

CS算法优化VMD-BiLSTM-AM的光伏功率预测

针对光伏发电功率的波动性与随机性对调度部门的负荷预测以及电网安全运行带来的严峻挑战, 提出了一种基于变分模态分解(VMD)和布谷鸟搜索(CS)算法优化的双向长短期记忆网络(BiLSTM)光伏发电功率预测方法. 首先使用VMD将光伏功率序列分解成不同频率的子模态, 通过皮尔逊相关性分析确定影响各模态的关键气象因子. 其次分别构建注意力机制(AM)和BiLSTM混合的光伏发电功率预测模型, 利用CS算法获取网络最优的权重和阈值. 最后, 将不同模态的预测结果相叠加, 得到最终的预测结果. 通过对亚利桑那州地区光伏电站输出功率进行预测, 验证了所提模型的有效性.     

含高渗透率光伏的低压配电网电压控制方法

传统控制方法在配电过程中,无法保证低压配电网各时段的负荷值在一定范围内,导致控制效果不佳。为了解决这一问题,该文提出含高渗透率光伏的低压配电网电压控制方法。依据高渗透率光伏电源的工作原理,指出输出功率和输出电压之间的关系,分析高渗透率光伏特性。在此基础上根据高渗透率光伏的线路结构,估算最大允许电压的有功功率,以此分析电压过高或者电压过低异常控制,完成含高渗透率光伏的低压配电网电压控制方法的设计。在仿真实验中,以IEEE33节点系统为例,测试传统方法与所建方法各时段的负荷值是否在一定范围内。实验结果表明,所建方法输出有功功率和无功功率结果有一定的规律可循,且负荷值一直保持在0.7 kVA。通过上述数据表明,所建方法比传统方法控制效果更佳。     

基于长-短时序特征融合的资源负载预测模型

高准确率的资源负载预测能够为实时任务调度提供依据,从而降低能源消耗。但是,针对资源负载的时间序列的预测模型,大多是通过提取时间序列的长时序依赖特性来进行短期或者长期预测,忽略了时间序列中的短时序依赖特性。为了更好地对资源负载进行长期预测,提出了一种基于长-短时序特征融合的边缘计算资源负载预测模型。首先,利用格拉姆角场（GAF）将时间序列转变为图像格式数据,以便利用卷积神经网络（CNN）来提取特征;然后,通过卷积神经网络提取空间特征和短期数据的特征,用长短期记忆（LSTM）网络来提取时间序列的长时序依赖特征;最后,将所提取的长、短时序依赖特征通过双通道进行融合,从而实现长期资源负载预测。实验结果表明,所提出的模型在阿里云集群跟踪数据集CPU资源负载预测中的平均绝对误差（MAE）为3.823,均方根误差（RMSE）为5.274,拟合度（R²）为0.815 8,相较于单通道的CNN和LSTM模型、双通道CNN+LSTM和ConvLSTM+LSTM模型,以及资源负载预测模型LSTM-ED和XGBoost,所提模型的预测准确率更高。     

浙江桐乡光伏电站临近区域净太阳辐射变化特征及预测技术研究

针对目前对太阳辐射变化特征及预测研究相对较少的现状,且太阳辐射对光伏发电具有最直接的影响,因此研究小区域太阳辐射时间变化规律、预测等,对光伏发电量准确估算缺乏一定指导意义。本文利用桐乡光伏电站临近区域1950-2020年净太阳辐射资料,分别采用最小二成分、M-K突变、EEMD周期分解、BP神经网络模型,对其整体、年代际时间变化特征、周期演变规律,并对比多种预测模型对该区域净太阳辐射预测的适用性。研究表明：净太阳辐射整体上呈递减趋势,每10年单位m2减少12.125MJ,且80年代、00年代递增趋势最为显著,1956年、2011年为净太阳辐射突变的年份;净太阳辐射存在多个时间尺度周期变化规律,分别为2-3年(短期)、10年(中期)、50年(长期);所建立BP神经网络模型,预测较LSTM、DNN等算法均较高,能较好的应用于对该光伏电站净太阳辐射预测业务中。本文研究结论,能够较好的揭示小区域净太阳辐射演变规律,对光伏电站发电量精准测算以及预测工作均具有重要意义。     

RF-BiLSTM神经网络在海浪预测中的应用

由于风浪数据的随机性, 复杂性, 影响因素多, 多为时间序列的特点, 造成了传统预测模型预测难度大, 精确率低, 构建了基于随机森林的注意力机制与双向长短期记忆神经网络相结合的海浪预测模型. 该模型对输入进行优化, 可以使用过去和未来的数据信息进行预测, 提高了海浪波高的预测精度. 该模型利用随机森林对输入变量筛选优化, 降低网络复杂度, 然后将注意力机制与双向长短期记忆神经网络相结合建立预测模型, 并利用实际数据进行验证. 结果显示, 和BP, LSTM, BiLSTM模型比较, RF-BiLSTM模型的预测精度更高, 拟合程度更好, 在海浪数值的预测预报中有重要意义.     

基于VMD与MOGOA-LSTM的短期负荷预测模型

为了提高短期负荷预测的准确度,降低非平稳信号对模型预测造成的影响,提出一种集数据挖掘和多目标优化网络于一体的短期负荷预测模型。该方法将电力负荷数据通过变分模态分解技术分解成若干个不同频率的模态分量,采用相间重构方法动态确定人工神经网络的训练测试比和神经元设置,采用长短期记忆神经网络对各分量进行模型搭建,并在长短期记忆神经网络的基础上加入多目标蝗虫智能优化算法来优化网络内部参数,累加所有分量模型预测的值,实现短期负荷预测。仿真结果表明,与统计学方和混合模型相比,本文提出的模型在短期预测方面的预测精度较高、泛化能力更强。     

基于机器学习的光伏输出功率预测方法研究

光伏发电机组容量在电力系统中的比重日益增大,预测光伏出力对电力系统调度具有极其重要的意义。因为影响光伏发电系统的许多因素随机性较高,使得预测工作难度加大。传统的预测方法对数据的依赖性较强,数据的完整性对预测过程影响很大,因此需要更严谨、便捷的方法使光伏功率的预测工作更加准确、实用。通过对光电站历史数据的探索性分析,对比多种回归预测模型,对影响功率的因素建立神经网络与非线性拟合的组合预测模型。仿真结果表明,组合分步法可以显著降低预测误差,对电网规划、提升新能源发电竞争力、优化调频具有一定的意义。