基于SSA-Bi-LSTM神经网络的母线负荷预测方法

为了提高母线负荷预测精度,针对长短期记忆(long short term memory,LSTM)神经网络在母线负荷预测时存在对负荷规律提取不足导致精度下降、超参数设置依赖经验等问题,首先构建LSTM神经网络的变体网络——双向长短期记忆(Bi-directional LSTM,Bi-LSTM)神经网络,捕获时间序列未来...     

基于特征相关分析修正的GPSO-LSTM短期负荷预测

针对多因素互影响造成负荷预测精度低的问题,提出一种基于特征相关分析修正与全局粒子群优化(GPSO)的长短期记忆循环神经网络(LSTM)短期负荷预测新方法.该方法首先对负荷相关序列进行探索性数据分析(EDA)及预处理,找寻特征内在机理与相关联系并加以修正,保证输入特征的强相关性和完整性.针对传统前馈神经网络无法处理序列关联信息和普通循环神经网络无法记忆久远关键信息的缺陷,构建基于LSTM负荷预测模型进行深度学习.由于LSTM网络权值的随机初始化,使得目标函数在训练过程中易陷入局部最优,利用改进粒子群算法优化预测模型的网络权值,提升模型整体预测能力.与反向传播神经网络(BPNN)和递归神经网络(El-man)的基准模型相比,所提模型方法的预测精度提高显著.     

基于Prophet-LSTM组合模型的短期负荷预测方法

针对短期负荷预测精度问题,提出一种基于Prophet加法模型和长短期记忆LSTM(long-short term memo?ry)网络的组合模型的短期负荷预测方法.首先分别建立Prophet预测模型和LSTM预测模型,然后采用最小二乘法对两种方法取不同的权重组合,得到新的模型并进行预测.以2014年全球能源预测竞赛(GEFCom2014)的电力负荷数据作为算例验证.实验结果表明,与ARIMA模型预测方法、随机森林模型负荷预测模型方法和标准Prophet和LSTM负荷预测方法相比,所提负荷预测方法所得结果具有更高的预测精度.     

基于CNN-LSTM混合神经网络模型的短期负荷预测方法

为了更好地挖掘海量数据中蕴含的有效信息,提高短期负荷预测精度,针对负荷数据时序性和非线性的特点,提出了一种基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合模型短期负荷预测方法,将海量的历史负荷数据、气象数据、日期信息以及峰谷电价数据按时间滑动窗口构造连续特征图作为输入,先采用CNN提取特征向量,将特征向量以时序序列方式构造并作为LSTM网络输入数据,再采用LSTM网络进行短期负荷预测。使用所提方法对江苏省某地区电力负荷数据进行预测实验,实验结果表明,文中所提出的预测方法比传统负荷预测方法、随机森林模型负荷预测模型方法和标准LSTM网络负荷预测方法具有更高的预测精度。     

基于CNN-LSTM神经网络的电网调度火电厂短期存煤预测

采用传统的回归拟合进行发电厂存煤量单变量单步预测已无法满足电网优化调度的需求,针对该问题,提出卷积神经网络(CNN)与长短期记忆(LSTM)神经网络相结合的CNN-LSTM神经网络预测模型,利用CNN良好的特征提取能力以及LSTM神经网络特殊的记忆预测功能实现对未来电厂存煤量的精准预测.为了使预测结果更符合实际存煤量,在已有预测结果的基础上进行进一步优化.实例验证结果表明,相较于传统差分自回归移动平均(ARIMA)模型和单一LSTM神经网络模型,所提模型取得的效果更好,且经过优化后的预测精度得到了进一步提高.     

基于正交小波和长短期记忆神经网络的用电负荷预测方法

用电负荷数据的波动性和周期性会影响电力负荷预测的准确性,针对此问题,文中提出了一种基于正交小波长短期记忆神经网络(orthogonal wavelet transform-long short-term memory, OWT-LSTM）的用电负荷预测方法。该方法对用电负荷序列进行正交小波分解,消除负荷数据的波动性,然后利用LSTM及其变种神经网络对正交小波分解后的各尺度负荷序列进行建模训练,通过各序列预测结果进行预测重构,获得最终的负荷预测结果。通过用户用电负荷数据集验证表明,该方法的预测性能优于其他模型,具有较高的预测精确性和稳定性。     

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。     

基于Dropout-ILSTM网络的短期电力负荷预测

针对传统BP神经网络难以处理电力负荷数据间关联的问题,提出了一种基于Dropout的改进的长短期记忆神经网络结构用于短期电力负荷预测。这种改进的长短期记忆神经网络(Improved LSTM,ILSTM),通过将长短期记忆网络的多个时间步输入与输出矢量进行全连接,增强了对目标系统中线性成分的表征;使用Dropout对ILSTM网络进行优化,提高了网络的泛化能力,同时减少了模型的训练时间;以日期、温度、电价和电力负荷数据作为输入构建了Dropout-ILSTM电力负荷预测模型。以AEMO提供的新南威尔士州电力负荷数据作为测试用例,实验结果表明,相较其它神经网络模型,文中所提出的Dropout-ILSTM模型预测精度更高、泛化能力更强,适用于不同预测宽度的电力负荷预测。     

基于超参数优化的短期电力负荷预测模型

准确预测短期电力负荷在精细化电网规划、减少发电成本和提高用电质量等方面具有重要作用。为了大幅度的提高短期电力负荷预测的准确性,采用改进粒子群算法(IPSO)优化长短期记忆网络(LSTM),构建了一种新的电力负荷预测模型(IPSO-LSTM)。该模型采用能有效寻找全局最优解的IPSO,解决了LSTM预测电力负荷时超参数难以选取的问题。考虑到粒子群算法(PSO)中惯性权重和学习因子是固定不变的,这容易导致粒子群在前期掉入局部最优而错过全局最优,模型将惯性权重和学习因子由固定值改为非线性变化,以平衡其全局搜索能力和局部寻优能力。通过实际案例数据进行仿真分析,并与粒子群优化的长短期记忆网络(PSO-LSTM)、LSTM以及反向传播(back propagation, BP)神经网络算法的预测结果进行对比,验证了方法的预测效果更佳。实验表明,所提电力负荷预测模型具有较好的精度和稳定性。     

基于GRA-LSTM神经网络的区域综合能源系统多元负荷短期预测模型

冷、热、电负荷预测是发挥区域综合能源系统优势的关键技术。由此构建了基于灰色关联度分析(grey relation analysis,GRA)和长短期记忆(long short term memory,LSTM)神经网络的区域综合能源系统多元负荷短期预测模型,该模型利用LSTM神经网络在处理时间序列中间隔或延迟较长的样本和非线性数据方面的优势,采用GRA法定量分析多元负荷之间以及和各气象影响因素之间的耦合性。针对北方地区气候特点,利用DeST软件建立某写字楼建筑模型,运用动态模拟和统计方法模拟出写字楼全年逐时冷、热、电负荷。算例分析结果表明,基于GRA-LSTM神经网络的区域综合能源系统多元负荷短期预测模型具有较好的预测精度和应用价值。     

基于联合模型的短期电力负荷预测方法

为了准确预测电力负荷并提高电力系统调节和调度的灵活性、准确性,提出了基于差分自回归滑动平均和长短期记忆神经网络的短期负荷联合模型预测方法,以避免单一预测模型可能难以满足预测准确需求的情况。首先,使用差分自回归滑动平均和长短期记忆神经网络单一模型对短期电力负荷开展预测;然后,使用改进的粒子群优化算法对联合模型权重进行寻优;最后,利用最优权重将单一模型预测结果进行合并得到最终的预测结果。验证结果表明,所建立的联合模型能够对短期电力负荷进行准确的预测,且联合模型的预测精度要优于差分自回归滑动平均、长短期记忆神经网络和BP神经网络等单一模型,具有一定的工程应用价值。     

基于LSTM网络的时间多尺度电采暖负荷预测

电采暖负荷的准确预测对配电网安全稳定运行具有重要作用。为提高电采暖负荷预测精度,提出基于长短期记忆网络的时间多尺度电采暖负荷预测方法。该方法首先确定负荷预测网络模型参数,通过分析不同时间尺度下的电采暖负荷数据特征,在不同训练步长下,建立基于长短期记忆网络的电采暖负荷预测模型,实现电采暖负荷的准确预测。采用北京某地的电采暖负荷实测数据进行验证,结果表明在不同的时间尺度下,长短期记忆网络均能够实现电采暖负荷的准确预测。     

基于相空间重构和随机配置网络的电力负荷短期预测

针对配电网负荷随时间空间变化的非线性特征导致短期负荷预测精度低和模型训练时间成本高的问题,设计了一种基于相空间重构(phase space reconstruction, PSR)和随机配置网络(stochastic configuration networks, SCN)的电力负荷短期预测模型。首先将配电网数据中与负荷相关的气象数据通过主元分析法(principal component analysis, PCA)进行数据降维,并与负荷序列组合成多变量的时间序列,运用混沌时间序列理论,通过互信息法和虚假近邻法求取参数并重构相空间,最后使用随机配置网络预测电力负荷。采用欧洲电网公开数据集的历史负荷和气象数据验证所提方法,结果表明,与网格搜索法优化的支持向量机(support vector machines, SVM)、反向传播神经网络(back propagation neural networks, BP)、长短期记忆网络(long short-term memory network, LSTM)和整合移动平均自回归(autoregressive integrated moving average, ARIMA)相比,所设计方法具有智能化水平高、运算高效的特点,有一定的实用价值。     

基于孪生网络和长短时记忆网络结合的配电网短期负荷预测

保证数据驱动型配电网短期负荷预测精准的关键是选取合适的相似日数据集和构建合理的日负荷预测模型.文中研究了一种基于孪生网络(SN)和长短时记忆(LSTM)网络相结合的配电网短期负荷预测模型.基于配电网负荷相似日的影响因素具有多样化、强随机性的特点,利用SN两个输入权重共享的特点对历史负荷数据进行分析,进而对待测日的特征进行分类,以完成相似日数据选取.此外,利用灰狼优化算法全局搜索能力强、收敛速度快等特点,对基于LSTM网络的配电网短期负荷预测模型进行参数优化.最后,以某一个区域配电网的实际数据为例,验证上述预测方法的准确性与鲁棒性,与LSTM网络、基于粒子群优化的LSTM网络、支持向量机等方法对比可知,所提方法具有较高的准确度和计算效率.     

基于混合神经网络的短期电力负荷预测方法

电力负荷预测对电网的经济运行至关重要,为提高短期负荷预测精度并降低混合神经网络模型的训练时间,提出了一种基于多层感知器（MLP）的基础子网、简单循环单元（SRU）与主成分分析（PCA）的短期电力负荷预测模型。首先,考虑影响电力负荷变化的各种因素,建立负荷预测输入特征集;其次,利用PCA对输入网络的部分特征进行变换并降维;最后,将经过PCA处理后得到的全新数据信息作为模型的输入,并结合Adam梯度下降算法进行训练,输出负荷预测的结果。通过仿真实验结果表明,包含SRU的混合模型在全部测试集样本上的MAPE为2.126%,远低于仅有子网的单一模型与包含DNN的混合模型,而与包含LSTM的混合模型相比,训练时间却降低了22.74%,同时PCA的应用也使得模型的收敛速度加快,极大地减小了训练轮数。     

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GRU-NN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ARIMA和LS-SVM组合模型的短期负荷预测

经实例预测分析发现,利用累积式自回归动平均法(autoregressive integrated moving average,ARIMA)进行电力短期负荷预测时所得误差序列有较明显的周期规律性,针对此现象及其原因,为提高预测精度,提出采用最小二乘支持向量机(least squares support vector machine,LS-SVM)对ARIMA预测误差进行修正的ARIMA-LS-SVM组合模型;利用该改进模型对哈尔滨电网负荷进行实例预测,结果表明:该方法能够提高短期负荷的预测精度,并且具有较强的推广性和应用能力。     

基于累积式自回归动平均法和反向传播神经网络的短期负荷预测模型

针对电力系统短期负荷的特点建立了将累积式自回归动平均法(autoregressive integrated moving average,ARIMA)和采用反向传播算法(back propagation,BP)的神经网络法相结合的短期负荷预测模型。该模型利用ARIMA方法对线性时间序列逼近能力强的特点首先对预测日负荷进行预测,然后应用BP神经网络方法对预测结果进行修正,因此克服了单一算法存在的不足。应用该模型对某地区电网进行负荷预测,结果表明该方法的预测效果较好