基于时间卷积网络的短期电力负荷预测

准确的短期电力负荷预测对保证电网安全稳定运行、能量优化管理、提高发电设备利用率和降低运行成本等具有重要作用.传统时间序列分析方法难以学习短期电力负荷数据的非线性特征,因此论文首先将支持向量回归、高斯过程回归和前向神经网络等经典机器学习法应用于短期电力负荷预测的适用性和预测效果进行对比分析;预测评价指标表明机器学习方法能...     

基于ICEEMDAN-CNN-K-shape的智慧园区短期负荷预测研究

在“双碳”背景下,针对海量用户负荷预测场景,目前智慧园区用能存在受多重外界因素影响,人工调整参数和使用单一模型无法实现精确的负荷预测。因此,提出了一种基于改进的带有自适应噪声完备集合经验模态分解(ICEEMDAN)结合卷积神经网络(CNN)结合K-shape的智慧园区短期负荷预测方法。首先,基于改进的带有自适应噪声完备集合经验模态分解法将初始用能数据分解为若干分量,将负荷序列的特征在多尺度上剥离开,以减少负荷序列的复杂性。而后,使用卷积神经网络算法将分解后的数据进行特征提取,提取相似日不同时间段下智慧园区负荷特征曲线。最后,基于K-shape聚类筛选相似日历史负荷作为卷积神经网络的输入向量进行智慧园区短期负荷预测。以浙江省某智慧园区用能数据为例,将所提方法应用于典型的智慧园区,并与已有聚类评价指标比较,实验结果表明,所提方法能够很好地解决智慧园区短期负荷预测问题。     

基于VMD-CNN-BIGRU的电力系统短期负荷预测

为提高负荷预测精度,考虑了历史负荷本身内在规律及外部影响因素,提出一种基于变分模态分解（variational modal decomposition,VMD）–卷积神经网络（convolutional neural networks,CNN）–双向门控循环单元（bi-directional gated recurrent unit,BIGRU）混合网络的短期负荷预测方法,改善了训练时长和预测效果。通过仿真分析验证了所提方法的有效性,且该方法与其他模型相比有更高的负荷预测精度和更强的鲁棒性,能够提高电力系统短期负荷预测的精确度。     

基于CEEMDAN-LSTM-CNN网络的短期电力负荷预测

短期电力负荷随机性和波动性较强,传统的负荷预测方法难以掌握短期负荷变化的规律。为提高短期电力负荷预测精度,提出一种融合自适应噪声完备集合经验模态分解(CEEMDAN)、长短时记忆(LSTM)网络、卷积神经网络(CNN)的短期电力负荷预测方法。从数据集中提取原始负荷序列,利用CEEMDAN将其分解为多个固有模式函数(IMF),降低其非稳定性;采用LSTM网络分析各分量时序特征,获得多个预测结果 ;将各预测结果叠加后通过CNN和全连接层分别进行特征提取和数据特征学习,获得最终负荷预测结果。将所提方法分别与基准模型及其他文献方法通过实际算例进行对比分析,结果表明,所提方法能够准确掌握负荷变化的规律,且在一天负荷预测问题中精度达到97.32%。     

基于Holt-Winters指数平滑和时间卷积网络的短期负荷预测

为提升短期电力负荷预测的精度,着眼于特征组合的构建,提出了一种基于Holt-Winters指数平滑的特征组合(FCHW),并结合时间卷积网络(TCN)构建了FCHW-TCN负荷预测框架。首先,应用Holt-Winters指数平滑进行负荷序列预测,得到与负荷序列相关的级别分量和季节性分量。通过将上述分量用作输入特征,并与常规特征(历史负荷、日期)构成特征组合,构建了FCHW;其次,选择TCN作为预测模型,以FCHW作为TCN输入,搭建了FCHW-TCN预测框架;最后,采用2个不同负荷数据集和多个预测模型对FCHW和FCHW-TCN进行验证。结果表明,FCHW有助于模型预测精度的提升;与其他预测模型相比,FCHW-TCN预测框架有着最高的预测精度,具有优越的预测能力。     

基于VMD-ARIMA-DBN的短期电力负荷预测

针对短期电力负荷预测精度不足的问题,提出一种基于变分模态分解、深度信念网络、差分自回归移动平均模型的组合预测模型。首先选取电力负荷影响较大的相关参数,采用变分模态分解将负荷数据分解为低频和高频两种分量;然后利用差分自回归移动平均模型和深度信念网络分别对低频和高频两种分量进行预测,为克服深度信念网络参数随机化的缺陷,采用粒子群优化算法优化模型以进一步提高精度;最后组合各模型结果得到最终预测值。实验结果表明,该组合模型较其他模型具有更好的预测性能。     

基于VMD-GRU-EC的工业用户短期负荷预测方法

工业用户作为城市用电主体,具有负荷组成结构复杂,易受生产计划等因素影响产生冲击性负荷的特点。而传统的负荷预测方法难以处理工业负荷的非线性,且未充分利用负荷残差序列信息,导致负荷预测效果不佳。为此,在采用传统的变分模态分解-门控循环网络预测方法得到初始预测值的基础上,进一步考虑增加基于门控循环网络的误差修正方法对初始预测值进行修正,从而更好地适应工业负荷的多变和突变性。算例分析表明,所提出的短期负荷预测方法可有效提升的工业用户负荷预测准确率,为工业用户在生产运行和参与电力市场交易等提供强有力的决策支撑。     

基于改进LSSVM的短期电力负荷预测

针对电力负荷随机性、波动性以及非线性因素所导致预测精度不高等问题,提出了一种基于变分模态分解(VMD)与麻雀搜索算法(SSA)优化的最小二乘支持向量机(LSSVM)短期负荷预测模型。该方法首先借助VMD将原始负荷时间序列分解成不同频率的本征模态函数(IMF)和残差分量(Res),然后对各分量建立不同的LSSVM预测模型并利用SSA进行参数优化,最后将各分量预测值组合得到最终的预测结果。以比利时蒙斯大学和中国河南省某地区两组真实数据为例进行预测分析,将预测结果与LSSVM、VMD-LSSVM、SSA-LSSVM模型预测值对比,得出本文方法的两组数据MAPE值分别为1.5016%、4.765%,远低于其他模型。结果表明本文组合预测模型在预测精度上具有一定的优越性。     

基于VMD和PSO-SVR的短期电力负荷多阶段优化预测

为降低短期负荷序列的非线性以提升预测精度,提出一种基于多阶段优化的变分模态分解（variational mode decomposition, VMD）和粒子群算法优化支持向量回归（particle swarm optimization support vector regression, PSO-SVR）的短期电力负荷预测模型。第1阶段采用VMD优化和预处理原始负荷序列,分解获得多个较为平稳的模态分量。第2阶段利用相空间重构优化重组各序列分量,并针对各分量分别建立支持向量回归（support vector regression,SVR）预测模型。第3阶段将粒子群算法（particle swarm optimization,PSO）用于优化SVR模型内部参数,便于更好地进行训练和预测。最后累加所有序列的预测值,实现短期电力负荷预测。研究结果表明：所提方法可以取得更高的预测精度。     

基于SVMD-MASSA-NLSTM的台区短期负荷预测

为提高电力短期负荷预测的精度,提出了一种基于逐次变分模态分解、改进的自适应麻雀搜索算法和嵌套长短期记忆网络的混合深度学习模型。首先,使用SVMD将原始数据分解为一定数量的模态函数和残差分量。其次,采用混沌逆向学习技术增加种群多样性,利用动态自适应权重,平衡开采和勘探能力。采用自适应螺旋搜索方法修改了SSA的发现者和追随者的位置更新公式,拓宽了个体搜索空间,提高了算法的全局搜索能力。然后,利用改进的SSA优化NLSTM模型的参数,即隐藏神经元数和学习率,将优化后的NLSTM应用于分解后的模态分量。最后对各模态分量的预测结果进行汇总,得到负荷预测结果。实验结果表明,文中所提模型较其他模型拥有更好的预测性能。     

基于快照反馈的短期电力负荷组合预测方法

为提高短期电力负荷预测精度,本文提出了一种基于快照反馈机制改进的变分模态分解技术VMDSF(variational mode decomposition with a snapshot of feedback)和带有循环滑窗策略优化的长短时记忆网络CSLSTM(long short-term memory with c...     

基于VMD-NCWOA-LSSVM的短期电力负荷预测方法

准确的电力系统负荷预测对电力系统安全稳定运行具有重要意义,为提高负荷预测精度,采用变分模态分解(variational mode decomposition,VMD)预处理数据,将原始日负荷曲线分解为不同频率的子序列,降低数据不规律性对负荷预测带来的干扰。使用Piecewise模糊映射策略进行改进,解决鲸鱼优化算法(whale optimization algorithm,WOA)受初值影响容易陷入局部最优的问题。使用非线性收敛因子代替线性收敛因子,进一步提升WOA的全局寻优能力和局部探索能力,得到非线性收敛因子的混沌鲸鱼优化算法(nonlinear convergence factor of the chaotic whale optimization algorithm,NCWOA)优化最小二乘支持向量机(least square support vector machine,LSSVM)的组合预测模型(VMD-NCWOA-LSSVM)。测试结果表明本文所提模型可以降低预测值的最大相对误差和平均绝对百分误差,有效提高短期电力负荷预测的精度。     

基于EMD-GRU的短期电力负荷预测方法

高效精准的短期负荷预测对电力系统安全稳定运行至关重要。提出一种基于经验模态分解（EMD）和门控循环单元（GRU）的组合预测模型。首先选取日期因素、气象因素和历史负荷因素构建输入特征集;再利用EMD算法将随机性强的历史负荷数据分解为有限个特征互异的固有模态函数分量和趋势分量,并和日期因素、气象因素一起作为GRU网络的输入;采用2层GRU循环网络增加网络深度,提升模型学习能力,对各分量数据分别预测并叠加重构输出预测值。以我国某地负荷数据为实际算例,实验结果表明,采用该方法预测误差仅为6.11%,相较于GRU网络模型和BP神经网络模型,预测精度得到巨大提升;相较于EMD-LSTM网络模型,在预测精度相差0.04%的情况下,预测时长缩短25.99%,训练效率得到显著提升。     

基于VMD-IPSO-LSSVM的短期电力负荷预测研究

针对不规律的、波动性大的复杂原始负荷数据导致预测精度不高等问题,设计了一种使用变分模态分解 (VMD)与改进粒子群算法 (IPSO)来优化最小二乘支持向量机 (LSSVM)的短期负荷预测模型.针对原始负荷数据存在的波动性大等缺陷,首先使用 VMD法将其分解为多个各异的模态分量,然后将分解后的各组数据分别输入改进的动态自适应惯性权重粒子群算法优化后的 LSSVM模型,最后将得到的多个各异的模态分量分别经模型预测出的结果进行相加得到最后取得的预测结果.经江苏省某市真实负荷数据仿真,验证了该预测模型的有效性及优越性.     

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CEEMDAN和改进时间卷积网络的短期风电功率预测模型

近年来,风力发电逐渐成为可再生能源发电的关键部分.为了提高风力发电功率短期预测的准确度,提出了一种将自适应噪声完备集成经验模态分解与改进时间卷积网络结合的短期风电功率预测模型.首先,利用CEEMDAN对风电功率序列进行分解,得到子序列分量,并分别与关键气象变量数据构成训练集.然后,使用基于时间模式注意力机制的时间卷积网...     

基于变分模态分解的卷积神经网络?双向门控循环单元?多元线性回归多频组合短期电力负荷预测

为了有效提高电力负荷预测精度,针对电力负荷非线性、非平稳性、时序性的特点,提出了一种卷积神经网络（convolutional neural networks,CNN）、双向门控循环单元（bidirectional gated recurrent unit,BiGRU）和多元线性回归（multiple linear regression,MLR）混合的多频组合短期电力负荷预测模型。该模型先利用关联度分析得到相似日,并将其负荷组成新的数据序列,同时使用变分模态分解（variational mode decomposition,VMD）将该数据序列进行分解,并重构成高低2种频率。对于高频分量,使用CNN-BiGRU模型进行预测;低频部分则使用MLR。最后将各个模型得出的预测结果叠加,得到最终预测结果。以2006年澳大利亚真实数据为例,进行短期电力负荷预测。仿真结果表明,相比于其他网络模型,该模型具有较高的预测精度和拟合能力,是一种有效的短期负荷预测方法。