基于CNN-LSTM分位数回归的母线负荷日前区间预测

针对部分工业类母线负荷波动较大,传统点预测方法难以准确预测的问题,文中提出一种基于卷积神经网络(CNN)与长短期记忆网络分位数回归(QRLSTM)组合的母线负荷日前区间预测模型。首先,针对工业类负荷功率的高频波动,采用去噪自编码器对历史负荷数据进行降噪处理;然后,利用基于时间分布层封装的一维CNN网络进行负荷特征提取和压缩,以提升整个模型的学习效率;最后,建立含有注意力机制的QRLSTM模型进行特征学习,得到不同分位数下的负荷区间预测结果。对工业类和居民商业类2种典型的220 kV母线负荷进行了负荷日前区间预测测试,并与常规的分位数回归方法进行了对比。结果表明,文中方法获得的预测结果总体上区间覆盖率更大、区间平均宽度和区间累计偏差均更小,预测效果更好。     

基于序列分解的母线负荷降噪预测方法

新型电力系统背景下,分布式电源和用户侧行为的多样性使母线负荷稳定性不足,对负荷短期预测提出了新的挑战。为此,提出一种基于序列分解的母线负荷降噪预测方法,将变分模态分解方法的构造与分解规则应用到母线负荷序列分解中,针对序列分解后的余项,利用局部加权回归方法进行平滑处理,实现母线负荷降噪预测。基于某地区母线负荷有功功率实测数据,构建循环神经网络对降噪后的母线负荷进行预测,结果表明该方法能够去除母线负荷序列噪声,序列趋于光滑且保留了原始母线负荷序列的特征,具有优良的预测曲线和精确的预测结果。     

基于VMD和贝叶斯优化LSTM的母线负荷预测方法

新型电力系统背景下,为提升母线负荷预测的精确性与稳定性,针对母线负荷噪声,提出一种考虑变分模态分解（variational mode decomposition,VMD）降噪优化和长短期记忆网络（long short-term memory,LSTM）的母线负荷预测方法。通过VMD将母线负荷分解为多个平稳的固有模态函数余项,将其分解项去除噪声后进行重组,达到降噪优化效果;对降噪后的母线负荷序列构建基于LSTM的时序预测模型,利用贝叶斯优化方法对网络初始超参数进行优化,以提高时序预测模型的精度。算例研究结果表明：利用VMD对母线负荷进行降噪优化后再进行预测,有利于预测结果更加稳定,且贝叶斯优化寻参解决了因初始参数设置不当而使预测结果精度不高的问题。该文方法可运用于母线短期负荷预测,并为电网调度运行提供了决策依据。     

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,捕获时间序列未来可用的信息。然后采用麻雀搜索算法(sparrow search algorithm, SSA)搜索最优超参数,得到最优学习率、隐层神经元数目和迭代次数等。以实际10 kV母线数据对SSA-Bi-LSTM神经网络模型进行验证,并与Bi-LSTM神经网络和BP神经网络进行对比,结果表明SSA-Bi-LSTM神经网络模型的预测效果更佳。     

基于VMD-LSTM-LightGBM的多特征短期电力负荷预测

针对目前多特征电力负荷预测精度不准的问题,为充分挖掘电力负荷数据中的时序信息、天气信息等特征信息,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）神经网络与轻量级梯度提升机（light gradient boosting machine,LightGBM）预测模型,优化负荷数据非线性、非平稳、长记忆等问题,解决了多特征预测提取特征信息差的问题。该方法首先用VMD分解代表不同尺度的特征模态分量,降低了原始序列的不平稳度,同时分解的残差量代表负荷数据强非线性部分,通过特征性强的算法进行预测,将各模态分量通过LSTM的单特征预测,再将各个分量加入多特征利用LightGBM进行负荷预测。通过与目前多特征电力负荷预测模型进行对比实验,平均绝对误差（mean absolute error,MAE）值仅为其23%～73%,平均绝对百分比误差（mean absolute percentage error,MAPE）值能达到0.37%,具有更好的预测精度。     

基于CNN-GRU分位数回归的短期母线负荷概率密度预测

随着分布式电源大规模并网,母线负荷的波动性和不确定性日益增加,给母线负荷预测带来新的挑战。传统的点预测方法难以对母线负荷的不确定性进行描述,为此提出一种基于卷积神经网络和门控循环神经网络分位数回归的概率密度预测方法。该方法通过卷积神经网络提取反映母线负荷动态变化的高阶特征,门控循环神经网络基于提取的高阶特征、天气、日类型等因素进行分位数回归建模,预测未来任意时刻不同分位数条件下的母线负荷值,最后利用核密度估计得到母线负荷概率密度曲线。以江苏省某市220 kV母线负荷数据进行测试,结果表明本文所提方法能够有效刻画未来母线负荷的概率分布,为配电网安全运行提供更多的决策信息。     

基于LSTM的钢铁工业地区母线短期负荷预测研究

当地区电力负荷中光伏电站并网和钢铁冲击性负荷占比较大时,不仅威胁电网的安全稳定,也会对电力系统的短期负荷预测造成显著影响。通过分析钢铁冲击性负荷的影响因素,提出一种基于深度学习算法的长短期记忆(Long Short-term Memory,LSTM)神经网络分别对钢铁冲击负荷不同占比下的母线负荷序列进行预测。实际计算结果表明:LSTM应用于钢铁工业地区母线短期负荷预测时,能够有效提升预测精度。     

基于优化的VMD-mRMR-LSTM模型的短期负荷预测

随着智能电网技术的发展和电力市场的推进,用电模式的复杂性逐渐凸显,对短期负荷预测的精度和稳定性提出了更高的要求.针对传统负荷预测方法缺少对时序数据相关性、特征值的全面考虑等问题,提出一种基于优化的变分模态分解、最小冗余最大相关性与长短期记忆神经网络的组合预测模型.首先,将波动性高的负荷序列分解为一组相对平稳的模态分量,...     

基于深度学习分位数回归的电力负荷区间预测方法

常规的短期负荷预测方法得到的都是确定的负荷预测序列,事实上,电力系统包含着各种不确定因素,决策工作因而面临着一定的风险。针对这一问题,提出一种基于深度学习分位数回归的电力负荷区间预测方法,预测结果能使决策者认识到未来负荷的不确定性和风险性。首先,将输入数据划分成负荷特征部分和时间天气特征部分,分别传入卷积神经网络和反向传播神经网络训练,再拼接输出后传入全连接层构成深度学习模型;然后,将该模型与分位数回归结合起来,并行生成预测负荷的多个分位数结果;最后,利用某地实际负荷数据进行了仿真。仿真算例结果表明该方法不仅可以获得更高精度(平均绝对百分误差小于1%),甚至可获得某一置信水平下的负荷预测曲线的包络线。     

基于RR-VMD-LSTM的短期风电功率预测

准确的风电功率预测有利于电力系统运行、峰值调节、安全分析和节能减耗。提出了一种基于鲁棒回归(Robust Regression, RR)和变分模态分解(Variational Mode Decomposition, VMD)的长短时记忆(Long Short-Term Memory, LSTM)模型的风电功率预测方法。先使用RR处理采集数据的缺失值和异常点。再利用VMD得到风电功率序列以消除噪声并挖掘原始序列的主要特征。最后采用LSTM对每个分解序列的历史时间序列进行学习并完成预测,并通过重构所有序列的预测值获得风电功率的最终结果。使用所提出的方法对华北某一风电场风电功率进行预测,将预测结果与其他模型对比。结果表明,使用RR-VMD-LSTM方法能显著改善预测性能,降低风电功率预测误差。     

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。     

基于变分模态分解和分位数卷积-循环神经网络的短期风功率预测

由于风力发电的随机性和间歇性,风功率预测不仅需要准确的点预测,而且需要可靠的区间预测和概率预测来量化风功率的不确定性。提出了一种基于变分模态分解（variational mode decomposition,VMD）和分位数卷积-循环神经网络的风功率概率预测模型。首先,使用VMD技术将原始风功率数据序列分解为一系列特征互异的模态分量,再通过卷积神经网络（convolutional neural network,CNN）提取反映各模态分量动态变化的高阶特征。然后,基于提取的高阶特征进行分位数回归建模,采用长短期记忆（long short-term memory,LSTM）循环神经网络预测未来任意时刻不同分位数条件下的风功率值。最后,利用核密度估计（kernel density estimation,KDE）得到风功率概率密度曲线。以中国某风电场数据作为算例测试,证明了所提出模型的有效性。     

基于双向长短时记忆网络的母线负荷分解方法

目前在负荷分解领域的研究工作多以家庭住宅的总负荷分解为电器级别的负荷为主,对于中高电压等级的母线负荷分解研究较少,为解决这一问题,本文提出了一种基于双向长短时记忆网络(Bi-directional Long Short-Term Memory, Bi-LSTM)的中高电压等级母线负荷分解算法。首先在LSTM的基础上构建了Bi-LSTM,其次以母线负荷和其对应的外部信息源(如日期类型、天气等)作为Bi-LSTM的输入量,母线负荷的各下属建筑负荷作为输出量,对Bi-LSTM进行训练,最后以网络分解的母线负荷构成值与实际值间的平均相对误差作为评价指标,实验结果表明该方法可有效对构成成分未知的母线负荷进行分解。#$NL关键词：母线负荷;负荷分解;人工智能;双向长短时记忆网络#$NL中图分类号：TM769     

基于DBO-VMD和IWOA-BILSTM神经网络组合模型的短期电力负荷预测

新能源在现代电力系统中占比不断提高,其负荷不规律性、波动性远大于传统电力系统,这就导致负荷预测精度不高。针对这个问题,提出了蜣螂优化(dung beetle optimizer, DBO)算法优化变分模态分解(variational mode decomposition, VMD)与改进鲸鱼优化算法优化双向长短期记忆(improved whale optimization algorithm-bidirectional long short-term memory, IWOA-BILSTM)神经网络相结合的短期负荷预测模型。首先利用DBO优化VMD,分解时间序列数据,并根据最小包络熵对各种特征数据进行分类,增强了分解效果。通过对原始数据进行有效分解,降低了数据的波动性。然后使用非线性收敛因子、自适应权重策略与随机差分法变异策略增强鲸鱼优化算法的局部及全局搜索能力得到改进鲸鱼优化算法(improved whale optimization algorithm, IWOA),并用于优化双向长短期记忆(bidirectional long short-term memory, BILSTM)神经网络,增加了模型预测的精确度。最后将所提方法应用于某地真实的负荷数据,得到最终相对均方根误差、平均绝对误差和平均绝对百分比误差分别为0.0084、48.09、0.66%,证明了提出的模型对于短期负荷预测的有效性。     

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。     

基于改进高斯过程回归的短期负荷概率区间预测方法

电力市场改革和分布式能源的并网给电网的运行和规划带来了许多不确定性的因素。为获取更准确、更综合的电力负荷预测值信息,提出一种基于K-means特征提取和改进高斯过程回归的短期负荷概率区间预测方法。首先利用历史负荷数据建立候选特征集,然后通过K-means的特征提取方法先对候选特征集进行分类,再利用K邻域内特征变量之间的互信息来选取负荷最优特征子集,并实时更新最优特征子集。为了准确捕捉电力负荷的时变特性,利用改进的高斯过程回归算法进行电力负荷概率区间预测,主要包括动态更新超参数和滑动窗更新训练样本集两个部分。实例表明,所提方法相比分位回归、高斯过程回归而言预测精度更好,所形成的预测区间具有更窄的区间宽度和更高的覆盖率,能为电力系统的运行规划提供更全面、更有效的负荷信息。     

基于时序分析及 CNN-BiLSTM-AM 的阶跃型 滑坡位移预测

传统基于递归神经网络的模型对阶跃型滑坡位移预测能力不足,为解决这一问题,提出一种基于时序分析及卷积神经网络-双向长短期记忆-注意力机制(CNN-BiLSTM-AM)的滑坡位移动态预测模型。首先使用变分模态分解方法(VMD)将序列分解为趋势项、周期项和随机项。采用二次指数平滑法拟合趋势项位移,然后引入最大互信息系数法(MIC)计算各类影响因子与周期项位移相关性,对于周期项和随机项位移采用CNN-BiLSTM-AM混合模型进行多因素和单因素预测,最终累加各分量预测值得到累积位移预测结果。实验结果表明,所提方法在最终累计位移预测结果中拟合系数R²达0.984和0.987,平均绝对误差(MAE)分别为5.334和3.947,均方根误差(RMSE)分别为6.196和4.941,相比卷积神经网络-长短期记忆(CNN-LSTM)、麻雀搜索算法-核极限学习机(SSA-KELM)和NARX方法,所提方法能够更好的捕捉监测数据的时间相关性,预测精度显著提高,可为阶跃型滑坡预警及防治工作提供参考。     

基于混合模型的超短期风速区间预测

准确的风速预测能够促进大规模的风电并网,保证电力系统的安全稳定运行。针对传统点预测方法难以表征预测结果概率可信度问题,提出一种基于模糊信息粒化、改进长短期记忆网络与差分自回归移动平均模型的混合区间预测模型。首先,采用自适应噪声的完全集合经验模态分解模型对原始风速数据进行分解,并依据模糊熵重构得到新序列。在此基础上,对每个序列依次进行模糊信息粒化,获得最大值、最小值及平均值。最后,利用改进长短期记忆网络模型预测高频序列,差分自回归移动平均模型预测低频序列与余项,并将所得上下界求和得到最终风速区间。算例分析表明,所提模型得出的风速预测区间能够准确覆盖实测风速,为电力系统调度提供更多有价值的决策信息。