基于改进金豺算法的短期负荷预测

针对电力负荷序列波动性和预测精度不高的问题,提出一种基于变分模态分解、排列熵和改进金豺算法优化双向长短期记忆网络的预测模型。首先,利用变分模态分解重构原始负荷序列,再采用排列熵理论对分解后的子序列进行熵值重组;然后,利用改进金豺算法对双向长短期记忆网络的参数进行优化,并对每个子序列建立预测模型;最后,组合各模型结果得到最终预测值。实验结果表明,本文模型预测精度更高,与真实值拟合度更好。     

一种实用的短期负荷组合预测方法

组合预测理论的发展正逐渐趋向成熟,其在电力系统负荷预测的研究与实践也逐渐增多。文中分别应用简单平均组合与最优加权组合原理,建立了短期负荷预测的组合模型。模型通过对某省负荷样本数据的分析,采用多角度选取样本,充分利用有限历史数据;同时引入多种数学模型,吸收了各模型所具有的优点。该模型具有预测精度高,建模速度快的特点。某省实际负荷数据的测试证明了模型的实用性。     

基于SVMD-MASSA-NLSTM的台区短期负荷预测

为提高电力短期负荷预测的精度,提出了一种基于逐次变分模态分解、改进的自适应麻雀搜索算法和嵌套长短期记忆网络的混合深度学习模型。首先,使用SVMD将原始数据分解为一定数量的模态函数和残差分量。其次,采用混沌逆向学习技术增加种群多样性,利用动态自适应权重,平衡开采和勘探能力。采用自适应螺旋搜索方法修改了SSA的发现者和追随者的位置更新公式,拓宽了个体搜索空间,提高了算法的全局搜索能力。然后,利用改进的SSA优化NLSTM模型的参数,即隐藏神经元数和学习率,将优化后的NLSTM应用于分解后的模态分量。最后对各模态分量的预测结果进行汇总,得到负荷预测结果。实验结果表明,文中所提模型较其他模型拥有更好的预测性能。     

基于VMD-SSA-HKELM的超短期负荷预测

针对核极限学习机(kernel extreme learning machine, KELM)单一预测模型不稳定以及预测结果不准确,提出了一种变分模态分解(variational mode decomposition, VMD)与麻雀搜索算法(sparrow search algorithm, SSA)优化的混合核极限学习机(hybrid extreme learning machine, HKELM)模型。首先把预处理后的负荷序列依据变分模态技术分解为若干相对平稳的模态分量,然后同时对每个模态分量建立VMD-SSA-HKELM预测模型;再将负荷数据划分训练集和测试集;依据训练集分别用SSA算法优化HKELM的参数,将测试集代入每个模型,所测的结果叠加得出最终预测值。该模型采用麻雀算法优化的混合核极限学习机,使其在不同的参数下有良好的局部搜索能力,且能增强全局搜索能力。仿真结果表明,VMD-SSA-HKELM模型预测精度接近98.5%,为超短期负荷预测及电力系统稳定运行提供了决策的支持。     

基于经验模态分解法的短期负荷分层预测

电力系统短期负荷预测是电力系统经济调度中的重要内容.目前短期负荷预测的预测方法大多是从总负荷入手进行分析建模,未能充分关注负荷变化的各个组成成分.本文提出1种短期负荷分层预测法.首先,运用经验模态分解法自适应地将总负荷分解为若干个独立的内在模式;然后,对高频、低频和趋势分量分别采用正常日点对点倍比模型、多元回归模型和GM(1,1)模型进行预测;最后,将3个分量的预测结果叠加作为最终的预测值.实例研究表明,该方法有效地提高了短期负荷预测的准确度.     

基于ICEEMDAN-CNN-K-shape的智慧园区短期负荷预测研究

在“双碳”背景下,针对海量用户负荷预测场景,目前智慧园区用能存在受多重外界因素影响,人工调整参数和使用单一模型无法实现精确的负荷预测。因此,提出了一种基于改进的带有自适应噪声完备集合经验模态分解(ICEEMDAN)结合卷积神经网络(CNN)结合K-shape的智慧园区短期负荷预测方法。首先,基于改进的带有自适应噪声完备集合经验模态分解法将初始用能数据分解为若干分量,将负荷序列的特征在多尺度上剥离开,以减少负荷序列的复杂性。而后,使用卷积神经网络算法将分解后的数据进行特征提取,提取相似日不同时间段下智慧园区负荷特征曲线。最后,基于K-shape聚类筛选相似日历史负荷作为卷积神经网络的输入向量进行智慧园区短期负荷预测。以浙江省某智慧园区用能数据为例,将所提方法应用于典型的智慧园区,并与已有聚类评价指标比较,实验结果表明,所提方法能够很好地解决智慧园区短期负荷预测问题。     

最优加权几何平均组合预测在短期电价预测中的应用

准确的短期电价预测可为市场参与者的竞价策略提供指导,直接影响着参与者的利益。针对电价预测的精确度问题,引入了最优加权几何平均组合预测方法,它综合利用了二次指数平滑、自适应模糊神经网络和修正的灰色模型三种方法提供的有用信息,并且该组合预测模型的误差平方和小于各单一预测方法的误差平方和,因此进一步提高了预测结果的准确性。最后用算例验证了该组合预测方法的可行性。     

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。     

变权重组合应用于短期电力负荷预测的研究

依据变权重组合预测理论,提出了一种新的适用于电力系统短期负荷预测的变权重组合预测法。这一方法建立在最大信息利用的基础上,集多种单一模型所包含的信息。介绍了变权重组合预测模型,样本点组合预测优化模型,预测时样本点组合预测权系数的确定。并通过实例分析说明在多数情况下,这一方法可以提高短期预测的精度和可信度。     

基于黄金分割法优选的中长期负荷变权组合预测

为了提高中长期负荷预测的精度,避免单一的灰色模型预测和指数平滑法预测精度偏低的缺点,提出了基于黄金分割法优选的自适应变权组合预测方法。该方法首先对灰色预测方法和自适应三次指数平滑法进行了改进,以拟合值与实际值之间的相对误差绝对值之和最小为目标,利用黄金分割法优选出自适应三次指数平滑法的平滑系数,确定最优的三次指数平滑模型,然后以同样的方法确定灰色模型和自适应三次指数平滑法的权重。接着,对原始负荷数据进行新陈代谢,重复利用黄金分割法优选出新的平滑系数和各单一方法的权重,即可得到新的变权组合预测模型。仿真结果表明,所提出的自适应变权组合预测方法切实可行,与单一的灰色模型、三次指数平滑法及等权组合预测方法相比,有效地提高了中长期负荷预测的精度。     

基于VMD-NCWOA-LSSVM的短期电力负荷预测方法

准确的电力系统负荷预测对电力系统安全稳定运行具有重要意义,为提高负荷预测精度,采用变分模态分解(variational mode decomposition,VMD)预处理数据,将原始日负荷曲线分解为不同频率的子序列,降低数据不规律性对负荷预测带来的干扰。使用Piecewise模糊映射策略进行改进,解决鲸鱼优化算法(whale optimization algorithm,WOA)受初值影响容易陷入局部最优的问题。使用非线性收敛因子代替线性收敛因子,进一步提升WOA的全局寻优能力和局部探索能力,得到非线性收敛因子的混沌鲸鱼优化算法(nonlinear convergence factor of the chaotic whale optimization algorithm,NCWOA)优化最小二乘支持向量机(least square support vector machine,LSSVM)的组合预测模型(VMD-NCWOA-LSSVM)。测试结果表明本文所提模型可以降低预测值的最大相对误差和平均绝对百分误差,有效提高短期电力负荷预测的精度。     

基于VMD-IPSO-LSSVM的短期电力负荷预测研究

针对不规律的、波动性大的复杂原始负荷数据导致预测精度不高等问题,设计了一种使用变分模态分解 (VMD)与改进粒子群算法 (IPSO)来优化最小二乘支持向量机 (LSSVM)的短期负荷预测模型.针对原始负荷数据存在的波动性大等缺陷,首先使用 VMD法将其分解为多个各异的模态分量,然后将分解后的各组数据分别输入改进的动态自适应惯性权重粒子群算法优化后的 LSSVM模型,最后将得到的多个各异的模态分量分别经模型预测出的结果进行相加得到最后取得的预测结果.经江苏省某市真实负荷数据仿真,验证了该预测模型的有效性及优越性.     

基于长短期记忆网络和LightGBM组合模型的短期负荷预测

短期负荷预测是电网安全调度与平稳运行的基础,为进一步提升负荷预测的精度,提出了基于长短期记忆(LSTM)网络和轻梯度提升机(LightGBM)的组合预测模型.首先,根据LSTM网络和LightGBM模型的输入结构,将预处理后的负荷数据、温度数据、日期数据以及节假日信息分别输入2个模型中,通过训练得出各自的预测结果.然后...     

基于快照反馈的短期电力负荷组合预测方法

为提高短期电力负荷预测精度,本文提出了一种基于快照反馈机制改进的变分模态分解技术VMDSF(variational mode decomposition with a snapshot of feedback)和带有循环滑窗策略优化的长短时记忆网络CSLSTM(long short-term memory with c...     

基于变分模态分解和复合变量选取的短期负荷预测

精准的短期负荷预测是实现电网精益化运行和管理重要保障,但存在短期负荷波动性强、负荷预测关键影响因素选取困难等精准预测难题。本文利用变分模态分解将原始电力负荷数据分解为多个子序列,挖掘短期负荷波动特征的同时避免模态混叠问题,提出复合变量选取算法分析筛选影响负荷波动的关键因素,有效去除预测干扰信息并进一步简化预测模型的复杂度,通过兼顾数据短期依赖和长期依赖的长短时记忆神经网络对各子序列进行预测,并将各子序列预测结果进行叠加实现最终的短期负荷预测,据此建立基于变分模态分解和复合变量选取的短期负荷预测方法。选取2019整年长沙市实际数据验证结果表明,本文提出算法在复杂外部影响因素下,能准确筛选负荷预测的关键影响因素,相比传统预测模型,提出模型结构更简单、预测精度更高。     

基于最优加权法的煤炭市场价格组合预测模型

建立了基于自回归移动平均、灰色预测和BP神经网络三种单项预测方法的最优加权法组合预测模型.通过预测误差评价指标分析,最优加权法组合预测能有效降低预测误差,预测结果表明了预测模型的有效性.     

一种组合的短期负荷预测方法

提出一种基于指数平滑法和神经网络法的组合预测方法，电力系统短期负荷预测法。该方法对样本数据进行了预处理，以提高训练速度。预测仿真结果证明，使用该方法进行短期负荷预测是可行的。     

基于变分模态分解和深度学习的短期电力负荷预测模型

提升负荷预测的准确性对于指导电力系统的生产计划、经济调度以及稳定运行至关重要。提出一种基于变分模态分解(Variational Mode Decomposition, VMD)和长短期记忆(Long Short Term Memory, LSTM)神经网络的短期负荷预测模型。利用VMD算法将负荷序列分解成不同的本征模态函数(Intrinsic Mode Functions, IMF),每个IMF结合LSTM进行预测,将各部分预测结果叠加得到VMD-LSTM模型的预测结果。分析实验结果,相比单一LSTM和经验模态分解(Empirical Mode Decomposition, EMD)组合LSTM预测方法,该方法能有效的提升负荷预测的准确性。