基于PSO的模糊神经网络短期负荷预测

针对短期负荷预测的特点,提出基于粒子群(PSO)优化的模糊神经网络短期负荷预测模型。将PSO与模糊优选人工神经网络进行融合,在对模糊优选神经网络训练中采取PSO算法和梯度下降算法相结合的方法,充分发挥PSO全局寻优的能力和梯度下降局部细致搜索优势。对广西某地区进行短期负荷预测,并与实际值进行比较分析,结果表明这一模型应用于短期负荷预测能获得较高的预测精度,是一种行之有效的短期负荷预测方法。     

基于量子加权GRU神经网络的电力系统短期负荷预测

为提升电力系统短期负荷预测精度,提出粒子群算法优化量子加权门控循环单元神经网络模型.首先,将量子加权神经元融入门控循环单元神经网络中,构建量子加权门控循环单元神经网络预测模型,利用量子信息处理机制,提高该神经网络的非线性逼近能力和泛化能力.然后,使用全局优化能力较强的改进粒子群优化算法对所提出模型的参数进行寻优,构建权...     

基于Bagging的双向GRU集成神经网络短期负荷预测

为了提高电力系统短期负荷的预测精度,提出了一种基于Bagging算法的双向加权门控循环单元GRU(gated recurrent unit)集成神经网络短期负荷预测模型.对双向门控循环单元BiGRU(bidirectional gated recur?rent unit)神经网络两个方向的隐含层状态进行加权求和处理,使得对负荷点的预测可以同时考虑过去和未来的信息.通过Bagging算法对双向加权GRU神经网络进行集成处理来提高模型的泛化能力.按照某地区真实负荷数据,并与反向传播BP(back propagation)神经网络、长短期记忆LSTM(long short-term memory)神经网络、单向GRU神经网络和双向GRU神经网络进行对比可以得出,所提模型有更好的预测效果.     

基于GRU神经网络的电力负荷预测∗

针对人工提取电力负荷特征困难,传统电力负荷预测方法预测时间序列效果较差等问题,提出了利用门控循环单元 (GatedRecurrentUnit,GRU)神经网络预测电力负荷的方法.利用Python编程语言在 TensorFlow 框架下 搭建 GRU 神经网络,利用第九届电工大赛电力负荷数据集,将清洗好的数据输入搭建的神经网络进行训练.对比 GRU 神经网络模型和循环神经网络 (RecurrentNeuralNetwork,RNN)模型,得出 GRU 神经网络模型的效果优于 RNN 神经网络模型的结论.     

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GRU-NN模型的短期负荷预测方法

目前基于统计分析和机器学习的预测方法难以同时兼顾负荷数据的时序性和非线性特点。文中提出了一种基于GRU-NN模型的短期电力负荷预测方法。该方法基于深度学习思想处理不同类型的负荷影响因素,引入门控循环单元(GRU)网络处理具有时序性特点的历史负荷序列,建模学习负荷数据内部动态变化规律,其输出结果与其他外部影响因素(天气、日类型等)融合为新的输入特征,使用深度神经网络进行处理,整体分析特征与负荷变化的内在联系,最后完成负荷预测。以美国某公共事业部门提供的公开数据集和中国某地区的负荷数据作为实际算例,该方法预测精度分别达到了97.30%和97.12%,并与长短期记忆神经网络、多层感知机以及GRU神经网络方法进行对比,实验结果表明所提方法具有更高的预测精度和更快的预测速度。     

基于粒子群模糊神经网络的短期电力负荷预测

为了从根本上提高短期电力负荷预测中神经网络的速度和预测精度,提出了将粒子群算法和BP算法相结合的短期负荷预测方法。用粒子群算法来训练网络参数,直到误差趋于一稳定值,然后用优化的权值进行BP算法,实现短期负荷预测。在构建网络模型时,考虑了气候、温度等因素的影响,并把它们进行模糊化处理后作为网络的输入。仿真结果表明基于这一方法的负荷预测系统具有较高的精度和实时性。     

基于PSO和曲线重迭算法的扩展短期负荷预测

精确的电力系统扩展短期负荷预测,有利于改善短期负荷预测效果和制定科学合理的滚动发电计划。根据历史负荷数据的内在规律性,提出了一种基于粒子群优化改进曲线重迭算法的扩展短期负荷预测方法。该方法由若干个同日类型日形成相关负荷集,并结合粒子群优化算法(PSO)的全局寻优能力对传统曲线重迭法中的参数进行了优化,有效克服了传统曲线重迭算法中依据经验选定参数的盲目性。研究结果表明,该预测方法较传统曲线重迭预测法有更高的预测精度。     

并行多模型融合的混合神经网络超短期负荷预测

针对输入数据特征多时负荷预测模型精度提升难的问题,文章提出一种并行多模型融合的混合神经网络超短期负荷预测方法。将卷积神经网络(convolutional neural network,CNN)与门控循环单元神经网络(gated recurrent unit neural network,GRU-NN)并行,分别提取局部特征与时序特征,将2个网络结构的输出拼接并输入深度神经网络(deep neural network,DNN),由DNN进行超短期负荷预测。最后应用负荷与温度数据进行预测实验,结果表明相比于GRUNN网络结构、长短期记忆(long short term memory,LSTM)网络结构、串行CNN-LSTM网络结构与串行CNN-GRU网络结构,所提方法具有更好的预测性能。     

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。     

基于特征挖掘的ARIMA-GRU短期电力负荷预测

针对短期电力负荷随机性较强、预测精度较低的问题,提出了一种基于混沌理论、变分模态分解VMD(variational modal decomposition)、整合移动平均自回归ARIMA(autoregressive integrated moving average)模型和门控循环单元GRU(gated recurr...     

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。     

基于门控循环单元网络与模型融合的负荷聚合体预测方法

随着智能电表的普及,以智能电表数据为基础,可按需求灵活划分不同规模的负荷聚合体并开展预测。由于负荷聚合体规模差异较大,并与用户负荷特性关系密切,传统预测方法不再适用。为此,提出了一种基于门控循环单元(GRU)网络与模型融合的负荷聚合体预测方法。首先,通过分布式谱聚类算法获得负荷特性相近的负荷群体,然后进行分组预测,采用GRU作为元模型,对时间序列进行动态建模,利用随机森林算法融合多个结构不同的GRU网络,实现对负荷群体的预测,最终将各群体预测值求和得到负荷聚合体预测值。算例表明,得益于分组预测、动态时间建模及模型融合技术,所述方法能充分利用不同模型的结构优势,发现时间序列动态规律,在不同时间尺度下预测精度更高,对不同规模的负荷聚合体适用性更强。     

基于神经网络的短期负荷预测

针对电力系统短期负荷的变化与影响因素间的复杂非线性关系,首先,提出用BP神经网络进行负荷预测,接着,在输入变量的选择上引入了负荷日期和气象温度,对于日期变量分为工作日和休息日,对于气温变量进行分段处理。最后通过实例仿真表明该方法可以取得较高的预测精度。     

优化动态递归小波神经网络短期负荷预测模型

提出了优化动态递归小波神经网络(dynamic recurrent wavelet neural network,DRWNN)短期负荷预测模型.与常规小波神经网络相比,DRWNN有两个关联层,关联层节点起存储网络内部状态的作用;模型构造过程中增强了网络的前馈与反馈联接,形成多层次的网络递归.采用分布估计算法和遗传算法相融合对DRWNN进行优化,融合实质是在解空间"宏观"和"微观"两个层面进行寻优,可克服DRWNN陷入局部最小,提高DRWNN的泛化能力.对两类不同负荷系统日、周预测仿真测试,验证了模型能有效提高预测精度.     

基于提升人工神经网络的短期负荷预测模型

本文提出了一种基于提升人工神经网络的短期负荷预测方法。该方法由一组经过训练的人工神经网络迭代组合而成。在每次迭代中,对新的人工神经网络模型进行了调整,使前期迭代的模型得到的估计值与真实值之间的误差最小化。通过仿真可知,当计算输出的模型个数大于20时,可以获得较低的预测误差,与现有方法相比具有更高的预测精度。