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。     

基于聚类经验模态分解的CNN-LSTM超短期电力负荷预测

为了减少复杂环境因素对电力负荷超短期预测效果的影响,提高算法的预测精度和运算效率,该文提出一种基于聚类经验模态分解(clusterempiricalmodedecomposition,CEMD)的卷积神经网络和长短期记忆网络(convolutional neural network and long short term memory network,CNNLSTM)混合预测算法。该算法首先通过经验模态分解法将负荷数据分解为平稳性好、规律性强的若干本征模态函数(intrinsic mode functions,IMF)和残差(residual,Res)。其次为了简化后续模型的计算体量,运用k均值聚类方法对分解所得的各分量进行分组集成,同时分析不同聚类数对应的预测效果,选取最优聚类标签构造神经网络输入数据。之后将各组数据分别输入到CNN-LSTM混合神经网络中,利用CNN挖掘数据间的特征形成特征向量,并将其输入到LSTM中进行预测。最后将所有预测结果进行线性相加得到完整预测负荷。通过在真实负荷上进行验证并与现有模型进行比较,所提方法具有更高的预测精度。     

基于CNN-BiGRU-NN模型的短期负荷预测方法

为充分挖掘蕴含在大量采集数据中的有效信息,提高短期负荷预测精度,提出一种基于卷积神经网络（CNN）和双向门控循环单元（BiGRU）、全连接神经网络（NN）的混合模型的短期负荷预测方法,将海量的历史负荷数据、气象信息、日期信息按时间滑动窗口构造特征图作为输入,先利用CNN提取特征图中的有效信息,构造特征向量,再将特征向量作为BiGRU-NN网络的输入,采用BiGRU-NN网络进行短期负荷预测。以2016年举办的全国第九届电工数学建模竞赛试题A题中的负荷数据作为实际算例,实验结果表明：该方法与DNN神经网络、GRU神经网络、CNN-LSTM神经网络短期负荷预测法相比,有更高的预测精度。     

基于小波变换与BiGRU-NN模型的短期负荷预测方法

为更好地挖掘大量采集数据蕴含的有效信息,提高短期负荷预测精度,文中提出一种基于小波变换与双向门控循环单元(BiGRU)、全连接神经网络(NN)混合模型的短期负荷预测方法。文章利用小波变换将负荷特征数据分解为高频数据以及低频数据,再分别建立高频混合神经网络以及低频混合神经网络模型进行预测。在混合神经网络模型中,将负荷特征数据作为BiGRU-NN网络的输入,利用BiGRU-NN网络学习负荷非线性以及时序性特征,以此进行短期负荷预测。文中以丹麦东部地区的负荷数据作为算例,实验结果表明,该方法与GRU神经网络、DNN神经网络、CNN-LSTM神经网络相比,具有更高的预测精度。     

基于相似日和CNN-LSTM的短期负荷预测

为充分发掘历史信息,解决气象数据不足影响预测精度的问题,采用灰色关联分析(GRA)选取天气相似日和CNN-LSTM混合神经网络的方法来预测电力负荷。利用GRA计算每日各气象因素与日总负荷的灰色关联度,再计算各日与典型日的相同气象因素之间的欧氏距离,将各气象因素的欧氏距离分别乘以对应因素的关联度,并将同一天的结果累加,得到一个综合得分。选取待预测日之前分数最低的5天作为相似日,将相似日各时刻的负荷数据输入CNN-LSTM网络中,预测出待预测日的负荷,通过与其他模型对比,验证了该方法的有效性。     

基于多源数据和模型融合的超短期母线负荷预测方法

母线负荷预测对于电网调度运行的安全性和在线分析决策的准确性具有重要的意义。为了进一步提高母线负荷预测精度,提出了一种基于多源数据和模型融合的超短期母线负荷预测方法。结合当前电力大数据,首先将历史负荷数据、日期信息以及天气信息等多类型数据作为预测模型的输入特征,并建立基于BP-ANN(back propagation)神经网络和CNN(convolutional neural network)神经网络融合的预测模型。然后采用BP-ANN提取数值类型和类别类型数据的特征向量,与CNN提取图像型数据的特征向量进行融合,通过多层BP-ANN神经网络进行超短期母线负荷的预测。最后,采用我国某地区220kV变电站高压侧的有功负荷历史数据和该地区天气信息进行实例分析。实验结果分析表明,所提方法能够充分有效利用多源数据和模型融合的特点进行超短期母线负荷预测,相较于BP-ANN和CNN单独模型预测具有更高的负荷预测精度。     

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。     

基于气象数据降维与混合深度学习的短期电力负荷预测

精确的短期负荷预测能通过预知所需用电负荷来指导电网的调度运行。但电力负荷不仅与用户用电习惯相关，还容易受到温度、湿度等气象因素的影响。因此，文章在现有的使用负荷历史数据基础上，增加了影响区域型电力负荷的气象数据，并考虑高维气象参量数据对预测算法的过拟合问题，提出了基于稀疏核主成分分析(sparse kernel principal component analysis, SKPCA)的高维气象数据降维方法。进而以历史负荷功率和SKPCA重构后主成分为输入，构建了基于卷积神经网络(convolutional neural network, CNN)和长短时记忆(long-short-term memory, LSTM)神经网络的混合深度学习预测模型。CNN-LSTM模型可以同时提取负荷功率及气象数据的空间和时间相关特征，从而全面利用数据的时-空相关性特征，提升负荷功率的短期预测精度。相比于常见的数据降维和负荷预测方法，文章所提方法的数据维度降低了71.43%,预测精度达到了98.92%。结果表明，所提算法融合通过SKPCA降维后的气象数据能够显著提升区域型电力短期负荷预测准确度。     

基于改进深度信念网络的短期电力负荷预测方法

随着社会经济结构的变化,仅依赖于负荷历史数据和少量气象等影响因素进行电力负荷预测会造成较大误差.本文提出了一种基于改进深度信念网络IDBN(improved deep belief network)算法的负荷预测方法.该方法充分挖掘历史负荷数据中的规律性,将数据特征向量输入到多个用于两层稀疏自编码神经网络中进行特征融合,利用神经网络模型进行负荷预测,并进行无监督训练对模型进行预训练,提升多类型实值输入数据的处理效率.最后,通过算例验证了本文所提方法的有效性.     

基于SOM特征聚类及RBF神经网络的电力负荷预测方法研究

为了提高电力系统负荷预测的精度,维护电力系统运行的安全稳定性,提出一种基于特征向量的自组织映射聚类和改进的径向基函数神经网络相结合的电力负荷预测模型。通过提取能够体现每日电力负荷特性的特征向量,对样本进行聚类,采用具有相似特征的数据作为神经网络的训练样本,提高了样本规律性。采用粒子群算法（particle swarm optimization,PSO）修正神经网络粒子群速度及位置,以克服梯度下降、局部最优等问题对网络预测精度的影响。基于某地配电网电力负荷数据,验证了所提模型的有效性及良好的适应性。     

宁波市电力负荷指标体系之空间负荷密度研究

城市电网规划、建设、建筑的配电设计与城市电力空间负荷密度息息相关,其值的大小直接影响城市电网定容、布局、设备选型等.通过对宁波城市典型区块分类负荷实测、统计、分析,进一步分析宁波市电力空间负荷密度分布规律,以此为宁波市电网规划与建设提供借鉴.     

银川地区配电网负荷特性分析及预测

针对银川城市建设快速发展的需求,在分析了银川配电网历史负荷特性的基础上,运用数学模型、借助专业软件,对银川地区“十二五”期间配电网负荷、电量进行了预测,并对未来电力市场发展方向做出判断。分析结果表明：“十二五”期间,银川地区电力负荷呈现快速发展趋势,峰谷差逐年增加,最大负荷出现在冬季的特征在较长一段时间内不会改变。     

一种有效的具有负载意识的按需路由协议

移动Ad hoc网络是由一组无线移动终端构成的临时性网络,不依赖于固定的基站或现有的有线骨干网。由于网络拓扑结构动态变化的特性和网络资源的有限性,开发一种性能优越的Ad hoc网络路由协议是一项具有挑战意义的工作。在本论文中,提出了一种有效的具有负载意识的按需驱动路由方案。该方案将网络负载信息作为路由选路的主要标准。对提出的方案作了仿真,并且和Dynamic Source Routing（DSR）协议进行了比较。结果表明网络负载在总体上得到了平衡,包传递率和平均端到端时延的性能也得到了有效的改善。     

基于BP人工神经网络的空调降温负荷预测

空调负荷是近年来增长较快的一类负荷,其特性对电网的电压稳定性影响很大。夏季影响空调负荷的因素主要是温度和湿度的变化。为了更好的预测空调降温负荷,研究了温度和湿度对空调负荷的影响。利用BP人工神经网络对电网空调负荷进行了预测,经过分析把日平均湿度量化成4段,和日平均湿度实际数值的模型进行计算比较,结果显示考虑日最高温度和日平均湿度量化为4段能更好的模拟温度、湿度和空调负荷之间的非线性关系,能更好的对电网空调负荷进行预测。     

空间负荷预测在城市电网规划中的应用

为解决不确定性因素对城市电网负荷预测结果的不利影响,该文用空间负荷预测方法对城区电网进行负荷预测,预测得到的负荷大小和地理位置分布与实际情况偏差较小,取得了预期的效果。     

苏州负荷管理系统的组网优化

苏州地区的负荷管理系统规模日益增大,原有的通信网络、组网方式已不能适应电能信息采集的应用与发展。通过对系统的组网优化,加快系统数据采集的速度、提高数据采集质量,更好地为营销管理服务。     

Quadratic probabilistic load flow with linearly modelled dispatch

A second-order probabilistic load flow technique is presented, which takes into account the effects of nonlinearities in the system equations and of different dispatching strategies. This approach uses as input a normal probability distribution for the loads. The probability distribution for the generated powers is computed by linearly modelling the dispatching activity. The technique of moments is then applied to second-order approximations for the load flow and current equations, allowing the noniterative computation of the means and standard deviations for the various output quantities. Generation outages are separately treated, with the possibility of embedding different postoutage dispatching strategies. The cumulative results are finally obtained by combining the pertinent probabilistic load flows with the occurrence probabilities of the various conditions. Results on two sample systems are given.     

电能量市场下负荷聚合商参与负荷削减投标策略

针对负荷聚合商(LA)在电能量市场下参与负荷削减投标(LCB)时面临负荷与价格的不确定性问题,文中提出一种可使LA代理成本最小的LCB参与策略。首先,将LA的购电申报、LCB申报与可调节负荷的控制问题统一描述为混合整数线性规划问题。其次,利用双层规划模型处理负荷功率的不确定性,利用历史场景法结合场景缩减处理市场价格的不确定性。最后,基于宾夕法尼亚州-新泽西州-马里兰州(PJM)电力市场数据,针对所提策略及其在测试场景集中的表现进行分析。测试结果表明,所提策略及场景缩减方法能够降低聚合商4%以上的代理成本与10%以上的风险损失,可提高最多17.8%的履约率,为LA在不确定问题下的投标提供技术支撑。     

低压配电网三相不平衡负载参数的辨识方法研究

为了解决现阶段计算低压配电网负荷上实际压降、三相负荷不平衡度时忽略三相负荷不平衡与中性线阻抗同时存在的实际情况所引起的求解结果不准确问题,提出一种实时计算负荷实际大小及负荷侧虚拟中性点电压的方法,以此辅助监测低压配电网安全。首先建立与低压配电网等值阻抗网络匹配的高阶微分方程模型,再利用方程系数与等值阻抗参数之间的关系,采用暂态数据辨识模型参数,实时求取三相负荷等值阻抗,中性线阻抗及虚拟中性点电压。仿真结果验证了该方法的有效性和准确性。     

应用人工神经网络预测电力负荷

介绍了在批量处理时间序列情况下，BP神经网络辨识预测电力负荷的方法和步骤。网络成批训练，是权重矢量和偏导数矢量都同时与所有训练矢量的变化成正比地改变。由于采用附加动量项和自适应率等措施，克服了BP规则的局限性，加快了训练速度，增强了网络的泛化能力。在此基础上对某地区实际电力负荷进行了预测，取得了满意的结果。