用于电力数据管理分析的负荷预测与异常检测

构建了一个电力数据管理分析系统,并设计了电力负荷预测算法和异常数据检测算法问题.首先,针对BP神经网络在预测电力负荷存在的因初始权值与阈值设置影响估计精度的问题,提出利用粒子群优化BP神经网络网络参数,提高了预测算法的收敛速度与预测精度;然后,针对电力数据异常检测算法效率较低的问题,提出了基于改进谱聚类的异常数据检测算...     

基于贝叶斯优化的CNN-GRU短期电力负荷预测

为了提高短期电力负荷预测精度,针对负荷数据时序性与非线性的特点,提出一种基于贝叶斯优化的CNNGRU短期电力负荷预测模型。首先,将电力负荷数据按时间滑动窗口构造连续特征作为输入,采用CNN对负荷数据进行特征提取,将特征以时序序列方式作为GRU网络输入;然后通过GRU网络进行短期负荷预测,构建CNN-GRU预测模型。针对CNN-GRU模型易陷入局部最优以及超参数寻找难的问题,利用贝叶斯优化寻找最优超参数组合,对模型进行超参数优化,构建贝叶斯优化的CNN-GRU短期电力负荷预测模型。实验结果表明,贝叶斯优化的CNN-GRU模型的MAE值比传统的CNN-GRU网络模型降低58%,精度提升1.23%,说明所提模型能够有效提高负荷预测精度,可作为短期电力负荷预测工具。     

基于EMD和神经网络的短期电力负荷预测

提出了采用经验模态分解（EMD）和神经网络结合的方法对短期电力负荷进行预测.通过EMD算法将电力负荷的时间序列分解为若干个固有模态函数,采用神经网络对各个固有模态函数分别预测,然后求和重构各个固有模态函数的预测值,最后得出总的负荷预测值.通过仿真分析,该方法相对于采用单一的神经网络预测降低了预测误差,改善了短期负荷预测的有效性.     

基于模糊时间序列的短期电力负荷预测

本文利用时变模糊时间序列模型预测未来一小时的负荷,给出了一种短期电力负荷预测新方法。同时,分析了时变模糊时间序列模型相关参数对预测精度的影响。应用模糊时间序列进行电力负荷预测,克服传统时间序列在建立离散的递推模型时需要准确的数据的缺点,消除了病态数据对模型的影响。应用山东省某电力公司的数据进行仿真研究取得了较好的预测精度。     

基于混沌时间序列的电力月负荷预测

采用一种基于混沌时间序列的负荷预测方法进行月用电量的预测。这种方法可以不考虑气候等因素，仅利用电力负荷的历史数据计算来进行预测，就可以得到较高的预测精度。     

一种基于GRU神经网络的电力负荷预测

针对电力负荷序列不稳定且传统的神经网络在电力负荷预测中预测精度较低等问题,提出了门控循环单元神经网络(Gated Recurrent Unit Neural Network,GRU)负荷预测的方法.利用python编程语言在Tensorflow框架在搭建门控循环单元神经网络,将影响电力负荷的特征数据输入模型中进行训练....     

基于时间序列组合模型的电力负荷预测

针对传统电力负荷数据非稳定、非线性的特性导致预测精度不高的问题,提出一种基于数据模态分解与CNN-BiLSTM相结合的负荷预测模型。利用自适应噪声完备集合经验模态分解算法（CEEMDAN）对原时间序列负荷数据进行分解,分解成多个稳定的本征模态函数分量（IMF）和残差（Res）;对各分量使用卷积神经网络和双向长短期记忆网络组合模型逐一预测。对预测效果评估指标较差的分量继续采用变分模态分解（VMD）算法进行分解,再次预测从而提高模型的整体预测精度。经过实验验证表明,该组合模型与其他模型相比,有效提高了拟合优度,降低了预测误差。     

基于多尺度模型融合和VMD-TCN-RF混合网络的短期电力负荷预测方法

为了充分挖掘不同尺度影响因子对短期电力负荷的影响,以及解决预测精度受数据非平稳特性影响的问题,提出了一种基于多尺度模型融合和VMD-TCN-RF混合网络的短期电力负荷预测方法。该方法先采用变分模态分解(Variational Mode Decomposition, VMD)将历史负荷分解为若干平稳性好的本征模态函数(Intrinsic Mode Function, IMF)分量,再把VMD分解得到的各个历史负荷的IMF分量和气象数据分别送入时间卷积网络(Temporal Convolutional Network, TCN)进行特征提取;将所有TCN网络提取的特征融合为一个新的特征向量;最后将融合得到的特征向量与经过One-Hot编码的日期因素特征向量拼接,把拼接得到的向量送入随机森林网络进行预测。通过公开的电力负荷数据集对本方法进行验证,结果表明所提方法与现有模型相比具有更高的预测精度。     

基于改进XGBoost算法的电力中长期负荷预测

为提高电力中长期负荷预测的精度,提出一种基于改进XGBoost算法的负荷预测方法。首先考虑影响负荷的多种因素,提取特征向量;其次,利用XGBoost方法对特征变量的相关性进行计算和选择;最后,基于特征选择后的负荷数据,构建XGBoost电力中长期负荷预测模型。在某地区真实历史负荷数据集上的实验结果表明,相较于LASSO等传统负荷预测方法,所提出的方法能够显著降低平均绝对误差（Mean Absolute Error,MAE）等多种预测误差指标。相较于原始XGBoost方法,所提方法的MAE值降低了9.35%,平均绝对百分误差（Mean Absolute Percentage Error,MAPE）值降低了8.89%,均方误差（Mean Square Error,MSE）值降低了22.66%,均方根误差（Root Mean Square Error,RMSE）值降低了12.07%,验证了所提方法能够有效提升电力中长期负荷预测精度。     

小波去噪和神经网络在电力负荷预测中的应用研究

为了降低历史负荷数据噪声对负荷预测的影响,提高电力负荷的预测精度,提出了一种基于小波去噪和BP神经网络的电力负荷预测方法。首先,对所得电力负荷数据进行了小波变换去噪处理,有效去除了噪声,然后利用BP神经网络在非线性处理中的优异特性,对小波去噪后的电力负荷进行了BP神经网络建模训练及仿真。实验结果表明:相比于其他电力负荷模型,该方法可以有效提高电力负荷的预测精度,是一种有效的电力负荷预测方法。     

基于GSABO-BP和Bootstrap的电力负荷区间预测

针对电力负荷序列波动性强、预测精度低的问题,提出一种基于GSABO-BP模型和Bootstrap的电力负荷区间预测方法。首先提出一种改进的减法优化算法（GSABO）,在保留减法优化算法（SABO）良好的收敛性基础上,融合黄金正弦算法（Gold-SA）来提升其搜索能力;然后,利用所提方法对BP神经网络的权值和阈值进行寻优,构建GSABO-BP预测模型,对电力负荷进行点预测;最后,采用Bootstrap方法分析电力负荷功率预测误差,结合点预测结果确定输出结果的波动区间。经仿真测试,所提方法寻优能力强、鲁棒性好;且相比于其他算法,该方法的预测精度、区间可靠性、区间宽度等均有显著提升。综合点预测和区间预测效果可知,二者结合有助于准确评估预测误差,具有较高的实际应用价值。     

基于注意力机制和EMD-GRU模型的电力负荷预测

为提高非平稳性电力负荷的预测精度以及充分挖掘历史负荷数据的时序特征,本文提出了基于注意力(Attention)机制和经验模态分解(EMD)以及门控循环神经网络(GRU)组合的负荷预测方法.首先使用EMD对原始负荷数据进行EMD分解,继而得到有限个具有本征模态函数(IMF)的分量;然后考虑到各分量间的相关性,使用多层GR...     

基于改进灰色模型的电力负荷可靠性预测系统设计与实现

针对传统时序数据预测方法难以准确预测电力负荷数据的问题,文中设计了一种基于改进灰色模型的电力负荷可靠性预测系统。在历史数据样本容量小的条件下,将灰色模型选为负荷预测的基础模型,在考虑气象因素的基础上,采用残差修正法与马尔科夫法改进灰色模型,修正电力负荷的预测值并通过Matlab实现预测算法。同时利用MySQL作为数据库管理软件,设计得到相应的电力负荷可靠性预测系统。基于该预测系统展开电力负荷预测实验,结果表明,文中所设计预测系统的平均精度可达99%,能够有效预测电力负荷,验证系统的正确性与实用性。     

基于FCN和LSTM深度学习模型的电力终端负荷预测方法

针对目前研究的电力终端负荷预测方法在预测过程中,未考虑负荷终端时序性和非线性的特点,存在预测精度较低,速度较慢的问题,提出了基于FCN和LSTM深度学习模型的电力终端负荷预测方法。利用循环神经网络,建立电力终端负荷预测模型,分析记忆状态,对电力终端数据进行预处理,并编码非数字特征,确定预测模型。利用均方误差公式得到的电力终端负荷预测模型的损失函数,通过数据预处理、优化数据参数、训练电力终端负荷预测模型完成负荷预测。实验结果表明,基于FCN和LSTM深度学习模型的电力终端负荷预测方法充分分析了终端时序性和非线性特点,有效确保预测精度,提高预测速度。     

基于内核时变回归模型的电能预测分析与研究

为实现“双碳”发展目标和满足新型电力系统应用需求，亟需对用电进行精准预测。为了应对周期长、变化幅度大的数据，将KTR模型应用于电能负荷预测的实际场景中。该模型在时变系数回归的方法上进行改进，能够应对较长的时间序列，避免出现过拟合的情况；以及根据不同数据变化情况自适应地使用不同的核函数，保证模型学习与数据特征匹配。实验结果表明，使用通过最佳参数构建的KTR模型进行预测，其总体的电能负荷数据预测值和原始值的SMAPE为8.46%。此外，将文中方法与Prophet和SARIMA模型预测结果进行了对比，结果表明，文中方法的预测精度比另外两种模型分别高2.57%和9.23%，验证了该方法电能预测的准确性。     

基于高斯过程回归的电力负荷预测算法

针对基于传统算法的电力负荷预测方法误差大的问题,本文提出一种基于高斯过程回归的负荷预测算法。算法首先利用电量数据当作高斯过程回归的学习样本,并构建电力负荷预测模型,然后采用遗传算法对超参数进行优化,避免用共轭梯度法优化超参数的缺点。最后,利用测试集对该模型性能进行实验测试。基于某地区的电网数据的仿真显示,基于高斯过程回归的负荷预测算法比神经网络和支撑向量机算法的预测精度更高。     

电力负荷中期预测分析系统的仿真应用

本文介绍了开发电力负荷预测分析系统的主要技术，系统集成了人工神经BP算法和支持向量机SVM两种预测方法，运用多元回归模型和时间序列模型建立电力负荷中期预测模型。系统运用MATLAB科学计算工具实现模块设计、功能设计和数据存储设计，运用GUI(图形用户界面)实现系统仿真界面，方便了技术人员进行电力负荷预测的分析研究。     

基于三种模型的昆士兰州短期电力负荷预测对比探究

为提高电力负荷预测模型的预测精度本文将基本ARMA模型与Kalman滤波结合建立ARMA-Kalman滤波模型,将ARMA模型与SVM模型以及SVM的优化方法结合,建立ARMA-SVM模型,以试图提高模型的预测精度。同时将前两个模型以及基本ARMA模型应用于澳大利亚昆士兰州短期电力负荷预测中。实例研究表明,ARMA-Kalman模型未能如期较大提高对澳大利亚昆士兰州的电力负荷预测精度,ARMA-SVM模型在一定程度上提高了预测精度。     

浅谈电力电量负荷预测方法

电力负荷预测在电力系统规划和运行方面的作用越来越重要。随着现代科学技术的快速发展,负荷预测技术的研究也在不断深化,各种各样的负荷预测方法不断涌现,本文主要探讨了时间序列预测法以及其实际运用。     

基于MRA与回归分析法的短期电力负荷预测

为提高电力系统短期负荷预测准确度,首先利用多分辨分析的小波变换对短期电力负荷序列进行分解处理,根据其在小波各尺度上子序列的特性分别进行回归预测,再将预测结果进行小波重构,得到了满意的预测结果。