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。     

基于长短期记忆神经网络的短期负荷预测

准确的电力负荷预测是电力系统安全、稳定、经济、优质运行的前提,负荷预测的本质是通过历史数据对未来负荷情况做出预先估计。电量的快速增长和用户的多元化对负荷预测提出了更高的要求。文中提出了一种基于长短期记忆网络的负荷预测方法,利用长短期网络数据驱动和对时间序列建模强的特点,对于含非线性、不确定性的系统,提取其负荷数据中的周期特征,具有较强的自适应性。以真实数据为算例,验证了方法的有效性。     

基于异构数据的电力短期负荷大数据预测方案

随着多种可再生能源电力的接入,电力系统正在向更智能、更灵活、交互性更高的系统过渡。负荷预测,特别是针对单个电力客户的短期负荷预测在未来电网规划和运行中发挥着越来越重要的作用。提出了一个基于异构数据的电力短期负荷大数据预测方案,该方案收集来自智能电表和天气预报的数据,预处理后将其加载到非关系型数据库中进行存储并做进一步的异构数据处理;设计并实现了一个长短期记忆递归神经网络模型,用于确定负荷分布并预测未来24 h的住宅小区用电量;最后利用一个住宅小区的智能电表数据集对提出的短期负荷预测框架进行了测试,并使用均方根误差和平均绝对百分比误差两个指标,对比了预测模型与两种经典算法的性能,验证了所提模型的有效性。     

基于超参数优化的电力负荷预测模型研究

电力负荷数据的多样性与复杂性,会导致负荷预测过程中出现超参数难以确定、拟合效果较差和预测精度不高等问题。针对以上问题,提出一种基于樽海鞘群算法的融入注意力机制的双向长短期记忆神经网络模型——SSA-AM-BiLSTM模型。该模型使用BiLSTM学习特征的内部变化规律,引入注意力机制为特征进行权重分配,并且利用樽海鞘群算法优化网络超参数。基于具体数据集进行的负荷预测仿真实验表明,相较于GRU、LSTM、AM-BiLSTM和PSO-AM-BiLSTM模型,所提出的SSA-AM-BiLSTM模型的MAPE分别减少了2.15%、1.93%、1.42%和0.45%,并且优化了拟合效果,显著提高了预测精度。     

基于DL的LSTM网络配电台区短期负荷预测模型研究

传统基于神经网络的配电台区短期负荷预测研究对象往往是整个系统,缺少针对单个台区的建模预测研究,而且预测准确率不高.提出将基于深度学习(Deep Learning,DL)的长短期记忆神经网络(Long Short-Term Memory,LSTM)引入单配电台区的短期负荷预测中,根据配电台区的负荷特征,考虑工作日、月份和...     

基于CEEMD-ITSA-BiLSTM组合模型的短期负荷预测

准确预测电力系统短期负荷有助于灵活规划系统资源、合理安排机组工作调度以及提高系统运行效率。针对负荷预测精度问题,文中提出了一种基于CEEMD-ITSA-BiLSTM(Complete Ensemble Empirical Mode Decomposition-Improved Tunicate Swarm Algorithm-Bidirectional Long Short-Term Memory)的短期负荷预测模型。对时序性负荷数据进行CEEMD分解,得到若干个平稳的IMF(Intrinsic Mode Function),并对每个IMF进行BiLSTM建模预测。为了提高BiLSTM的精度,采用ITSA算法对BiLSTM的隐含层节点数、学习率和训练次数等超参数进行参数寻优,建立CEEMD-ITSA-BiLSTM负荷预测模型。文中以实际负荷数据进行仿真实验,对比了单一BiLSTM和不同算法优化的BiLSTM模型,结果表明CEEMD-ITSA-BiLSTM模型的RMSE(Root Mean Square Error)、MAE(Mean Absolute Error)和MAPE(Mean ...     

基于深度学习的电离层参数预测研究

对于电离层参数预测,通过长短期记忆(LSTM)的预测神经网络建模实现电离层参数的短期和日均值预测.使用逐点预测和序列预测2种方法,并采用多维预测和经验模态分解(EMD)算法优化,预测电离层参数的每小时和每天的变化规律.实验结果验证了所提优化算法在提高预测电离层参数预测精度上的可行性.     

一座小型建筑空调动态负荷的ANN预测

人工神经网络(ANN)具有良好的非线性品质和极高的拟合精度,是一种崭新的非线性建模和预测方法。本文针对一座小型建筑建立了空调动态负荷预测的BP模型,并着重在模型结构和训练算法两个方面进行改进,提高了模型的训练速度和预测精度。     

基于LSTM的命名数据网络流量预测方法

网络流量预测是提高网络服务质量,提高拥塞控制效率的关键环节。命名数据网络作为新兴网络架构,其内容源与位置无关的特性使得TCP/IP网络中的拥塞控制方法不再适用,而且目前基于神经网络的流量预测方法只是研究预测模型性能的优化,使用的训练数据只考虑了单一的接口流量这一简单的维度,未考虑不同类型的数据包和出接口队列长度等参数对未来流量变化的影响,导致流量预测不够精准。文章提出一种应用于命名数据网络的基于长短期记忆网络的流量预测方法,将单一的流量特征值扩展到与链路流量相关的多维变量,实现了命名数据网络节点接收流量的预测,可用于命名数据网络流量的精准控制,避免网络拥塞。实验验证表明,与仅使用链路流量作为特征值的传统预测方法相比,预测精度有较大幅度的提高。     

基于PCA-PSO-SVM的球磨机负荷预测研究

球磨机是磨矿生产中的主要设备,但其运行时的内部负荷无法被直接检测,因此难以对负荷进行实时有效地控制,导致磨矿效率受到影响.针对此问题,文中通过磨矿实验采集球磨机磨音信号,对信号进行Welch功率谱分析,研究了磨音频谱信息与球磨机负荷之间的关系.利用PCA对功率谱进行特征提取,为球磨机负荷预测提供外部特征信息.然后,采用...     

基于平均负载混沌预测的服务器老化研究

首先通过 G-P 算法分析关联维数与嵌入维数的变化识别时间序列混沌特性,然后用小数据量方法求最大 Lyapunov 指数,基于最大 Lyapunov 指数对平均负载时间序列建立预测模型.实验结果表明预测模型能比较精确的对 Web 服务器系统平均负载进行短期预测,依据平均负载能有效地推测服务器老化情况,为执行软件自愈提供依据.     

浅谈中央空调系统的自动化控制

简要介绍了中央空调系统自动化控制的组成、控制内容和特点,并根据其特点说明了其自动化控制系统对空调节能的重要性。     

贝叶斯多元线性样条在电力负荷中期预测中的应用

贝叶斯多元线性样条BMLS是基于贝叶斯框架下的分段线性回归技术,实现了回归面边界光滑性.本文分析了BMLS方法的原理,结合EUNITE网络2001年举办的电力负荷预测比赛提供的数据进行了相关数据分析,建立了相应的电力负荷中期预测模型.我们使用BMLS方法对两种训练样本集进行了训练,并计算出预测期的预测值,取得了理想的预测结果,并结合其它方法对试验结果进行了分析.文章最后总结了BMLS方法用于预测的特点,并与其它方法,如相关向量机等进行了比较.使用BMLS的模拟近似平均技术进行预测可以实现较好的精度.     

基于粗糙特征量的短期电力负荷预测

针对负荷特征一直是实际电力负荷预测中的重大问题。提出了基于粗糙特征量的约简算法。通过对天气及负荷历史数据进行挖掘,找到负荷的关键特征,并与径向基网络结合建立了负荷预测模型。算例结果表明,与按经验选取输入的传统网络相比,预测准确度有了明显的提高,更适用于电力负荷预测。     

基于Elman神经网络的电力负荷预测模型研究

为提高电力负荷预测精度,文章采用Elman神经网络建立模型,提出了一种基于Elman神经网络的电力负荷预测方法,采用自适应学习速率动量梯度下降反向传播算法进行网络训练,对乌鲁木齐电网的实际历史数据进行了仿真,仿真结果表明,Elman神经网络对电力负荷进行预测具有收敛速度快,预测精度高的优点。     

基于ARMA模型的电力系统负荷预测方法研究

采用加权最小二乘法参数估计方法，得到应用于电力系统日负荷预测和月负荷预测的ARMA模型，实验预测结果表明，用ARMA模型进行电力负荷预测是非常有铲的。尤其是采用加权最小二乘估计的ARMA模型，预测精度更高。     

基于人流的负荷需求控制及空调节能控制

大型机场通常采用中央空调和新风方式为机场提供冷量来保持机场的温度的稳定。机场的中央空调通过冷冻水带走的热量应该与机场建筑中总的散发的热量相等。机场的人流众多,照射商品的灯光较强,机场内部的各种因素更是复杂多样,而且各种因素又都是变化的,这些会导致机场空调负荷动态变化的不同。文章考虑用数学建模的方式通过建立机场空调负荷模型来研究机场的能量需求,在了解了机场的能量需求的基础上,针对机场内的空调设备及其配套设备进行节能策略编制,以及节能控制逻辑编写,进一步改善空调能耗。从虹桥机场的人流控制和能耗监测的结果上来看,可以通过对虹桥机场内的人流数据进行分析研究,在对控制策略以及控制逻辑合理的情况下,可以通过修正能耗参数以及能耗比例,实现能耗优化的最终目的。     

基于遗传算法的RBF网络的短期电力负荷预测

以影响电力负荷的主要因素气象参数,建立了短期负荷预测的模型,提出了一种基于遗传算法的RBF神经网络,进行了负荷预测,使用气象参数建立神经网络模型,根据已知待预测前的历史负荷数据,预测一日24小时负荷值。通过算例进行了验证,验证了计算是可行的。     

基于ARIMA-TARCH-BP神经网络模型的中长期负荷预测方法

中长期负荷预测是电力系统规划运行的重要基础。针对经济转型阶段多样化负荷呈现的强波动性致其预测精度难以保障的问题,利用电力负荷历史统计数据建立ARIMA-TARCH模型,对负荷时间序列的非平稳性、自相关性和非对称波动特性进行分析,并结合BP神经网络理论对负荷拟合残差值进行修正,进而对目标规划年的负荷进行预测。最后,以我国某地区的实际电网负荷为算例,预测未来五年的负荷变化趋势,验证所提预测方法的可行性和有效性。