强化数据预处理的BLSTNet-CBAM短期电力负荷预测

针对负荷数据复杂性、非平稳性以及负荷预测误差较大等问题,提出一种综合特征构建和模型优化的短期电力负荷预测新方法.首先采用最大信息系数(MIC)分析特征变量的相关性,选取与电力负荷序列相关的特征变量,同时,考虑变分模态分解(VMD)方法容易受主观因素的影响,采用霜冰优化算法(RIME)优化VMD,完成原始电力负荷序列的分解.然后改进长短期时间序列网络(LSTNet)作为预测模型,将其递归层LSTM更新为BiLSTM,并引入卷积块注意力机制(CBAM)进行预测.通过对比实验和消融实验的结果表明:经RIME-VMD优化后,LSTM、GRU、LSTNet模型预测的均方根误差(RMSE)均降低20%以上,显著提高模型预测精度,且能够适应于不同预测模型.所提出的BLSTNet-CBAM模型与LSTM、GRU、LSTNet相比, RMSE分别降低了35.54%、6.78%、1.46%,提高了短期电力负荷预测的准确性.     

基于VMD-CNN-LSTM的农业大棚园区用电负荷短期预测

针对农业大棚用电负荷受农村供电能力、气象因素等的影响,具有强波动性和高非线性的问题,综合大棚短期负荷的气象特征和时序特征,提出了一种基于变分模态分解(variational mode decomposition, VMD)的长短期记忆(long short-term memory, LSTM)网络与卷积神经网络(convolutional neural network, CNN)相融合的VMD-CNN-LSTM的短期负荷预测模型架构。首先,基于VMD方法分解负荷序列,降低负荷波动性;其次,采用CNN方法提取负荷的气象特征,采用LSTM方法提取负荷时序特征,进行负荷分量预测,并将模态分量的预测结果重构;最后,以山东省寿光市农业大棚负荷数据为基础开展仿真实验。结果表明,VMD-CNN-LSTM模型与传统神经网络模型相比,可有效提高农业大棚短期负荷预测的精度。     

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。     

二次指数平滑多目标组合模型电力负荷预测

为提高短期电力负荷预测精度,提出一种二次指数平滑多目标组合模型ES-BiLSTM-LSTM预测方法。通过获取负荷目标预测值和残差目标预测值,实现多目标负荷预测;利用Pearson相关系数,选取与电力负荷相关性较高的影响因素;采用双向长短期记忆神经网络(BiLSTM)和长短期记忆神经网络(LSTM)串行学习负荷数据的时序性特征和周期性特征;利用二次指数平滑法平滑处理负荷数据,获得残差项,通过LSTM模型训练和迭代,提取残差数据的波动性特征;将负荷预测值与残差预测值融合得到修正预测值。实验结果表明,该方法在MAE、MSE和RMSE上,对比3种负荷预测模型均有提升。     

基于Attention-BiLSTM-LSTM神经网络的短期电力负荷预测方法

短期电力负荷预测是电力系统中的重要问题之一,准确的预测结果可以提高电力市场的灵活性和资源利用效率,对电力系统高效运行具有重要意义.为了提高预测精度,针对电网负荷数据的时序性特征,提出一种基于Attention-BiLSTM-LSTM神经网络的短期电力负荷预测方法.该方法首先针对电力负荷的影响因素(温度、节假日等)提取特征,并使用双向长短期记忆(BiLSTM)神经网络层进行双向时序的特征学习;将双向时序特征作为长短期记忆(LSTM)神经网络层的输入,用LSTM神经网络建模学习时序数据的内部变化规律;使用attention机制计算LSTM隐层状态的不同权重,以对隐层状态进行选择性地关注;结合注意力权重和LSTM神经网络进行负荷预测,最后使用全连接层输出负荷预测结果.使用EUNIT电力负荷数据集进行实验,采用提前单点预测模式,该方法的平均绝对百分比误差(MAPE)达到1.66％,均方根误差(RMSE)达到814.85.通过与单LSTM网络、基于attention机制的LSTM网络(Attention-LSTM)、前馈神经网络(FFNN)、卷积神经网络联合长短期记忆神经网络(CNN-LSTM)等4种典型的负荷预测模型结果对比,验证了Attention-BiLSTM-LSTM神经网络方法更加准确有效.     

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。     

基于最大互信息系数和小波分解的多模型集成短期负荷预测

为提高负荷预测精度,提出一种基于小波分解的多模型集成短期负荷预测方法.由最大互信息系数(MIC)选出与负荷相关性高的特征候选集;为获得平稳的负荷序列,将小波分解集成到多预测模型中;小波分解后的负荷序列由多种预测模型(最小二乘支持向量回归、长短期记忆循环神经网络和极限梯度提升树)进行训练,这些模型在同一小时内提供不同的预测;在集成过程中采用二次学习来组合各时段预测结果并得到最终输出.真实电网数据实验对比结果表明,该方法具有更高的泛化能力和预测精度.     

基于深度学习的热负荷预测研究

针对目前热负荷预测存在数据复杂程度高、预测精度低的缺陷,提出了一种混合式短期热负荷预测模型。首先,考虑到原始数据的属性具有不同的比例和分布,提出了一种局部重缩放策略。其次,提出了双层长短期记忆(LSTM)基础模型,并基于修正损失函数提高模型预测精度,从而有效学习历史天气预报和热负荷数据特征。在试验阶段,以某省电力公司提供的历史热负荷数据为例,对所提模型进行验证。验证结果表明,模型的测试集平均绝对百分比误差(MAPE)为3.08%,性能较基础网络提升约1.72%。仿真结果进一步验证了所提模型对热负荷预测具有较高的准确性。该模型为电力热负荷智能化服务发展提供了借鉴。     

基于高斯变异粒子群优化的短期负荷预测

针对现有短时预测方法精度不高及电网负荷数据不确定性变化的问题，提出一种基于高斯变异粒子群优化(GPSO)的长短时记忆神经网络(LSTM)负荷预测模型，实现对短时负荷数据的高精度预测。方案首先对负荷序列数据进行预处理，提升数据之间的相关性。进一步引入非线性惯性权重加速粒子收敛速度，同时结合自适应高斯变异操作减小粒子陷入局部最优的风险，从而提升了PSO算法的寻优能力。实验结果证明，改进的粒子群优化算法能够提升LSTM模型的预测性能，验证了提出方法的有效性。与已有的预测模型相比，GPSO-LSTM模型有着更优的预测能力。     

基于CNN-LSTM的短期风电功率预测

短期风电功率预测对电力系统的安全稳定运行和能源的优化配置具有重要意义。鉴于卷积神经网络(CNN)高效的数据特征提取能力,以及长短期记忆网络(LSTM)描述时间序列长期依赖关系的能力。为了提高短期风电功率预测的精度,设计了一种基于CNN和LSTM的风电功率预测模型。该模型利用卷积神经网络对风电功率、风速、风向数据进行多层卷积和池化堆叠计算,提取风电功率相关数据的特征图谱。为了描述风电功率序列的时序依从关系,将图谱特征信息作为长短期记忆网络的输入信息,计算得到风电功率的预测结果。采用西班牙某风电场的实测数据进行模型预测精度验证。结果表明,该模型较LSTM、Elman模型具有更好的预测性能。     

基于特征分解的短期电负荷组合预测模型研究北大核心

针对现有模型对于电力数据特征挖掘的不够全面,导致预测精度较低等问题,提出基于特征分解的短期电负荷组合预测模型。先深入挖掘电负荷变化的影响因素,运用小波分解(Wavelet Decomposition, WD)将单一信号分解为多频信号使特征多样化,经过相关度分析进行特征筛选,在分解中引入“影响因子”捕捉影响因素变化,引入“残差”降低分解造成的误差;根据筛选后子序列和残差序列特点分别使用带循环滑窗的时间卷积网络(Time Convolution Network, TCN)和长短时记忆网络(Long Short Term Memory, LSTM)模型预测,并对预测结果分权求和,最终得到组合预测结果。实验结果表明,上述模型有效提高了预测精度,降低了误差;在不同数据集下均表现出良好的优越性,证明了模型具有泛化能力。     

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。     

基于多通道稀疏LSTM的蜂窝流量预测研究

下一代蜂窝网络在网络管理和服务供应场景中发挥着重要的作用,对移动网络流量的预测分析正变得越来越重要.文中针对城市蜂窝流量的预测,设计了一个基于多通道稀疏长期短期记忆网络(Long Short-Term Memory,LSTM)的流量预测模型.相对于多层感知器网络或其他神经网络结构,LSTM非常适合处理时间序列数据问题.所设计的多通道方式能够有效捕获多源网络流量信息,其稀疏方式使其自适应地对不同的流量时间节点赋予不同的权重,提高了深度神经网络模型捕捉重要特征的能力.在意大利米兰城市蜂窝流量数据上进行了实验,评估了所提方法对单步和多步预测的性能.实验结果展示出所提方法比基准方法更精准.此外,实验还报告了蜂窝流量中不同持续时间采样设置对LSTM网络模型的可存储长度及预测精度的影响.     

基于GRU-LSTM组合模型的云计算资源负载预测研究

日益增多的应用部署在云端使得云数据中心的功耗波动剧烈,从而导致云数据中心资源利用率不平衡,高效的负载预测是解决该问题的关键技术。针对目前负载预测模型预测精度低、预测时间长的问题,建立一种基于门控循环单元（GRU）与长短期记忆（LSTM）网络的组合预测模型GRU-LSTM。该模型的网络结构包括3层,第一层采用GRU,利用GRU参数少、易收敛的特点减少模型训练时间,第二、第三层采用LSTM,结合LSTM参数多的优势提高模型的预测精度。在此基础上,对数据集作缺失值处理和标准化处理,使用随机森林算法对原始序列进行特征选择后得到一组新的序列值,将该序列值作为GRU-LSTM组合预测模型的输入,以对云计算资源进行高效预测。在集群公开数据集Cluster-trace-v2018上进行实验,结果表明,与传统的单一预测模型ARIMA、LSTM、GRU以及现有的组合预测模型ARIMA-LSTM、Refined LSTM等相比,GRU-LSTM模型预测结果的均方误差减少6~9,预测时间平均缩短约10%。     

基于HP-LSTM模型的股指价格预测方法

股指价格时间序列受到长期和短期不同因素的影响,且具有非平稳、非线性等特点,传统计量模型的预测精度较低。为提高预测精度,一些研究将人工神经网络模型用于金融时间序列预测,取得了比传统计量模型更好的效果。提出了一种融合了HP滤波（Hodrick-Prescott Filter）和LSTM神经网络模型的股指价格预测模型,模型使用HP滤波将股指价格时间序列分解为长期趋势和短期波动,利用LSTM神经网络模型分别学习长期趋势和短期波动序列的特征,并分别进行长期趋势和短期波动预测,将预测结果融合得出股指价格预测结果。实验结果表明,提出的HP-LSTM混合模型不仅可以有效捕捉到股指价格时间序列的长期趋势和短期波动的变化规律,提高了股指价格预测精度,并且长期趋势和短期波动都具有相应的经济含义,提高了模型的可解释性。     

基于LSTM的短时高速公路交通量预测北大核心CSCD

高速公路交通量预测中原始数据存在大量缺失值,为了挖掘高速公路交通量时间序列中的更多信息,提高交通量预测的精度,构建了缺失值修复方法、Dropout以及长短时记忆网络(long short term memory, LSTM)相结合的高速公路流量混合预测模型。通过缺失值修复方法对高速公路流量数据进行数据修复;在LSTM网络中非循环的部分加入Dropout机制来减少过拟合情况;通过实测交通量数据进行实验,实验结果表明考虑缺失值修复的Dropout-LSTM的高速公路流量预测模型相较于LSTM及常用高速公路预测模型,预测精度更高,验证了该模型在短时高速公路交通量预测中的有效性。     

深度学习在电力负荷预测中的应用

针对电力负荷预测中存在的随机性、不确定性的问题,结合深度学习算法具有很强的自适应感知能力等特点,采用目前较为主流的深度学习方法,如长短时记忆(LSTM)网络、门循环单元(GRU)神经网络和栈式自编码器(SAE),分别研究其应用于电力负荷预测时的效果。研究发现,将历史负荷数据作为三种深度学习预测模型的输入时,三种预测模型的负荷预测精度指标评估结果各有不同。因此,为了全面评估三种预测模型的预测效果,提出将不同时间段内的相同历史负荷数据作为预测模型输入对比各模型的负荷预测精度,从中找出最佳的预测模型。仿真结果验证了三种预测模型在电力负荷预测应用中的可行性,且发现在单输入因素时LSTM模型的预测精度相对较高。因此,在后续研究中,可以考虑以LSTM预测模型作为基础预测模型,结合更多的负荷影响因素进行改进,以提高负荷预测精度。     

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。     

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。