共查询到10条相似文献,搜索用时 15 毫秒
1.
为解决电动汽车EV(electric vehicle)充电负荷易受气象因素影响产生“时移”的问题,提出一种考虑关键气象因素的时间卷积网络充电桩负荷预测方法。首先分析不同气象因素即气温、降雨、风速、降雪、相对湿度、日照总强度对EV充电负荷的影响,利用最大相关最小冗余准则提取关键气象因素。其次,为简化相似日选取步骤并保证分类准确性,引入孪生网络选取不同天气类别下充电负荷相似日。最后以关键气象因素和相似日历史负荷作为时间卷积网络的输入向量进行EV充电负荷预测。对比实验表明,考虑气象影响可有效提高负荷预测精度。 相似文献
2.
3.
为充分挖掘不同气象因素的相似日信息和输入特征蕴含的信息以提升负荷预测精度,提出一种基于时间卷积网络和长短期记忆网络组合(TCN-LSTM)和气象相似日集的电网短期负荷预测方法。首先通过Pearson系数和最大信息系数,选出与负荷强相关的气象因素;然后根据该气象因素,选取最佳相似日组成气象相似日集,以气象相似日集负荷、历史负荷、气象因素和时间因素作为预测模型的输入特征;最后,搭建TCN-LSTM预测模型,用TCN进行特征提取后,再用LSTM网络完成短期负荷预测。以中国某地区的实际历史数据进行仿真验证,结果表明所提预测方法可有效提升负荷预测精度。 相似文献
4.
5.
6.
为提高负荷预测精度,以相似日思想为基础,构建了一种基于相似日与多模型融合的短期负荷预测框架。首先,通过Pearson相关系数确定负荷的气象影响因素,并结合气象因素及负荷日期类型进行相似日选取,构造历史数据集;其次,采用互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)技术将历史数据集分解为不同频率下的固有模态函数(intrinsic mode function,IMF)分量;然后,采用长短期时序网络(long short term time-series network,LSTNet)及极限学习机(extreme learning machine,ELM)模型分别对高频及低频IMF分量进行预测,经过结果的融合得到最终的负荷预测结果;最后,经过实际电力负荷验证,所提出模型具有较高的负荷预测精度。 相似文献
7.
8.
9.
基于虚拟相似日与DA-LSTPNet的地区电网短期负荷预测 总被引:1,自引:0,他引:1
针对短期负荷预测精细化的需求,提出一种基于虚拟相似日与双阶段注意力机制的长短期时序神经网络(DA-LSTPNet)的地区级短期负荷预测方法.为获得与负荷相匹配的细粒度实时气象数据,首先基于粗粒度的气象数据,利用灰色关联度和关联度加权法获取含细粒度气象数据的气象虚拟相似日.然后,采用最大信息系数(MIC)对气象特征信息与负荷进行非线性关联性分析,构建MIC加权下的负荷虚拟相似日选取算法,解决选取历史日作为传统负荷相似日而导致的过分局部相似乃至非相似的问题.最后,针对过往预测模型缺乏考虑特征因素与局部负荷细粒度变化之间联系特性的问题,构建能够有效挖掘负荷特征数据长期宏观以及短期局部变化特性的DA-LSTPNet进行日前短期负荷预测.以中国南方某地区电网实际负荷数据为例,采用多种形式的仿真验证了所提预测方法具有更高的预测精度和普适性. 相似文献