基于VMD-GRU的电力短期负荷预测方法

针对电力短期负荷的非平稳性影响预测精度的问题,文中提出一种基于变分模态分解(VMD)和门控循环单元(GRU)的电力短期负荷预测方法。首先,利用VMD对电力负荷数据进行分解,得到一组比原始负荷数据更具有规律性的模态分量;然后,采用GRU网络学习每一模态分量动态变化特征,并对该分量进行预测;最后,将每一分量的预测结果叠加,得到最终的预测结果。采用LSTM、GRU、EMD-LSTM、EMD-GRU、VMD-LSTM、VMD-GRU预测模型进行对比实验,得出VMD-GRU模型的平均绝对百分误差仅为2.081%。实验结果表明,所提的基于VMD-GRU的方法可以有效地提升电力短期负荷预测精度。     

基于DAE和LSTM的居民用电负荷预测方法

电力需求侧响应的发展对居民用电负荷预测提出了更高的要求。为提升居民负荷预测精度,提出了一种基于深度自编码器(DAE)和长短期记忆(LSTM)网络的预测方法。首先,将多个用户的数据整合在一起,以最大程度地利用数据和模型参数。其次,用DAE提取用户的典型行为特征,并用生成的特征向量标记历史负荷数据。最后,采用深度学习技术抽取历史负荷中的行为特征,并以此进行预测。实验结果表明,所提算法的MAE和RMSE比当前性能最优的采用独热向量标记的LSTM方法分别降低了3.35%和4.4%。     

电力负荷的预测方法的建模与仿真

研究电力负荷预测准确性问题,电力负荷与天气、经济、假期等多种因素密切相关,变化规律具有周期性和随机性,单一预测方法不能全面进行准确预测,导致电力负荷预测精度低.为了提高电力负荷预测精度,提出一种ARMA和BP神经网络的组合预测方法.首先采用ARMA模型对电力负荷的周期性变化规律进行预测,然后结合BP神经网络方法对电力负荷的随机变化规律进行预测,最后将2种预测结果进行相加,得到组合模型的电力负荷预测结果.采用某市电力负荷数据对组合模型预测性能进行验证,实验结果表明,组合模型充分利用了单一模型优势,使电力负荷的预测提高了精度,为电力负荷的预测提供了有效手段.     

基于数据挖掘的PSO-BP短期电力负荷预测

针对海量用电数据环境下,如何提高电力负荷预测精度的问题,采用数据挖掘对电力负荷历史数据进行聚类分析以及异常检测,并利用灰色序列对异常数据进行修正。利用蚁群算法对粒子群优化-反向传播(PSO-BP)算法进行优化,以提高算法的预测精度。通过对历史负荷数据进行试验,验证该方法的预测平均误差为3.16%,低于无数据挖掘的PSO-BP算法模型以及PSO-BP算法模型的预测误差。该方法具有一定的实用性以及有效性。     

深度学习在电力负荷预测中的应用

针对电力负荷预测中存在的随机性、不确定性的问题,结合深度学习算法具有很强的自适应感知能力等特点,采用目前较为主流的深度学习方法,如长短时记忆(LSTM)网络、门循环单元(GRU)神经网络和栈式自编码器(SAE),分别研究其应用于电力负荷预测时的效果。研究发现,将历史负荷数据作为三种深度学习预测模型的输入时,三种预测模型的负荷预测精度指标评估结果各有不同。因此,为了全面评估三种预测模型的预测效果,提出将不同时间段内的相同历史负荷数据作为预测模型输入对比各模型的负荷预测精度,从中找出最佳的预测模型。仿真结果验证了三种预测模型在电力负荷预测应用中的可行性,且发现在单输入因素时LSTM模型的预测精度相对较高。因此,在后续研究中,可以考虑以LSTM预测模型作为基础预测模型,结合更多的负荷影响因素进行改进,以提高负荷预测精度。     

PCA-SVM在电力负荷预测中的应用研究

研究电力负荷预测问题,传统方法无法消除数据之间冗余及复杂特征,导致预测精度较低.为了提高电力负荷预测精度,提出一种基于主成份分析(PCA)的支持向量机(SVM)电力负荷预测方法(PCA-SVM).首先利用主成分分析对电力负荷的影响因素进行处理,消除各因素之间的高度冗余性,通过提取样本集的主成分完成数据预处理,有效地压缩样本集的维数,加快SVM学习速度并提高预测精度,然后利用支持向量机,对保留的主成成分进行建模预测.最后利用PCA-SVM模型对华东地区1978～1998的电力负荷进行了验证性测试和分析.实验结果表明,相对于各参比模型,PCA-SVM模型可以有效地降低样本集的维数,提高负荷预测精度.PCA-SVM是一种高效、高精度的电力负荷预测方法.     

PCA_RBF网络在电力负荷预测中的应用研究

研究电力负荷预测问题,由于电力负荷因子间存在非线性和高度冗余,传统方法无法消除数据之间冗余和捕捉非线性特征,导致预测精度较低.为了提高电力负荷预测精度,提出一种将主成份分析(PCA)和RBF神经网络相结合的电力负荷预测方法(PCA-RBF).首先对电力负荷高维变量数据矩阵进行标准化处理,然后利用主成分分析建立相关矩阵,计算特征值和特征向量,通过求取累计方差贡献率,对主成分作为RBF神经网络的输入进行训练预测,主成分以较少的维数包含了原高维变量所携带的大部分信息,避免过多的输入导致的精度低和训练慢的不足.采用PCA_RBF模型对某省1992-2002的电力负荷数据进行验证性测试和分析.实验结果表明,改进的PCA_RBF模型可有效降提高负荷预测精度.     

基于CNN的高层住宅建筑群热负荷混合预测模型北大核心CSCD

针对传统热负荷预测面向单栋住宅,预测负荷无法满足小区级换热站及热网优化调控需求的问题,提出一种基于卷积神经网络(CNN)的高层住宅建筑群热负荷混合预测模型。首先,引入建筑体形参数,利用LASSO模型对热负荷影响因素进行筛选;然后,采用缎蓝园丁鸟优化(SBO)算法优化CNN;最后,利用西安市10个住宅小区的相关运行数据对所提模型进行训练和测试。实验结果表明,输入参数引入建筑体形参数后,模型预测精度更高;经SBO算法优化后的CNN模型较传统CNN模型具有更好的拟合优度、预测精度和泛化能力,满足工程实际需求。     

中长期电力负荷预测研究

为了有效地提高电力负荷的预测精度,针对影响中长期电力负荷多因素间的非线性和不确定性,提出了一种粗糙集(RS)和最小二乘支持向量机(LSSVM)相结合的中长期电力负荷预测方法.采用粗糙集理论把影响电力负荷的六个因素,属性约简为三个核心属性,减少了LSSVM的输入量,提高了电力负荷预测系统的快速性;粗糙最小二乘支持向量机回归建模,构造RS-LSSVM的电力负荷预测模型,提高预测的精度.最后进行仿真,改进模型应用于某地区的中长期电力负荷的拟合和预测中,采用RS-LSSVM模型,与BP神经网络的拟合预测结果相比,预测误差明显小于BP神经网络,具有更高的预测精度,为中长期的电力系统负荷预测提供了一种新的科学、有效的方法.     

基于经验模态条件生成对抗网络的短期负荷预测

针对双碳目标下传统负荷预测模型难以捕捉数据内部时序特征导致负荷预测精度不高的问题,提出一种基于经验模态条件生成对抗网络(CGAN)的短期负荷预测模型。该模型在保留CGAN结构的基础上,首先使用经验模态分解(EMD)将历史负荷数据分解为多个经验模态分量,并采用多个长短期记忆(LSTM)神经网络作为生成器、卷积神经网络(CNN)作为判别器。然后,以分解后的经验模态分量为输入、负荷影响因素为条件对模型进行训练,使生成器能够输出精确的预测负荷数据。最后,以某地区配电网实际负荷数据对模型进行验证。试验结果表明,相比于其他基于深度学习的负荷预测模型,所提模型具有更小的预测误差。未来可将该方法应用于配电网调度中,以提高调度的安全性和经济性。     

多尺度分析与数据互迁移相结合的短期电力负荷预测方法

为了提升短期电力负荷的预测效果,提出一种多尺度分析与数据互迁移相结合的短期电力负荷预测方法。一方面,针对多尺度分析预测法中分解得到的子序列在建模和预测的过程中没有对原序列中的隐含相关信息加以利用的问题,采用互信息特征选择法选取合适的原负荷序列历史值并将其加入到原负荷序列近似分量的特征集合中,通过特征扩充为学习器提供更多的信息,进而提高近似分量的预测精度。另一方面,针对不同类型的数据在学习过程中会相互影响的问题,采用了一种基于核岭回归的数据互迁移学习方法,将其他几种类型中与待预测类型日相似的数据迁移到待预测类型日的数据中,既利用了这些数据的相似性,又兼顾了这些数据的差异性。测试案例显示,所提方法在MAPE,MAE和RMSE这3个误差评价指标上相对于单模型方法分别降低了6.2%,3.4%和5.5%。     

基于K-Means和CNN的用户短期电力负荷预测

随着电力物联网的不断发展,用户级电力负荷预测在电力需求侧管理中呈现出日益重要的作用.为了提高用户级电力负荷预测的性能,本文提出一种基于K-means聚类与卷积神经网络特征提取的短期电力负荷预测模型.首先,利用K-means将用户聚为两类:对于日相关性强的用户,将相邻时刻和日周期的历史负荷作为输入,采用CNN模型提取特征进行预测;对于日相关性弱的用户,仅将相邻时刻的历史负荷输入到CNN模型进行预测.为了验证所提出算法的性能,我们在实际的用户负荷数据上做了实验,并与随机森林、支持向量回归机进行对比,结果表明本文所构建模型的预测平均绝对百分误差降低了20%以上.     

考虑广义需求侧资源的深度置信网络短期负荷预测方法

随着智能电网信息化水平的不断提高以及可控负荷、分布式电源和储能等广义需求侧资源的大量接入,将产生海量负荷数据集并改变负荷特性.为了提高负荷预测精度,提出了一种考虑广义需求侧资源的深度置信网络(DBN)负荷预测方法.首先,借助负荷聚合商确定了广义需求侧资源参与电力市场的机制,构建了基于合同的广义需求侧资源调度模型,并利用该模型求解广义需求侧资源参与电力市场的最优调度计划.其次,引入DBN结构,并将广义需求侧资源的最优调度计划作为其输入量,建立了短期负荷预测模型.最后,以实际数据进行仿真测试,结果表明,本文所提方法具有更高的预测精度.     

基于加权灰色关联投影的Bagging-Blending多模型融合短期电力负荷预测

针对短期电力负荷随时间变化呈现随机性和不确定性问题,提出了一种基于加权灰色关联投影算法Bagging-Blending的融合模型。首先,采用加权灰色关联投影算法对电力负荷中各影响因素(如天气、温度、湿度、日期类型等)进行分析,以选取历史负荷特征。在此基础上,分别将各单一模型SVR (support vector regression)、KNN (K-nearest neighbor)、GRU (gate recurrent unit)、XGBoost (eXtreme Gradient Boosting)、LightGBM (light gradient boosting machine)、CatBoost (Categorical features gradient Boosting)嵌入Bagging集成算法中以提升模型的稳定性和泛化能力。同时利用Pearson相关系数对各单一模型进行相关性分析。然后,依据模型对数据观测空间角度的不同,使用Blending模型对相关性小的模型进行融合。最后,通过新英格兰地区电力负荷数据ISO New England进行验证。所提融合模型与传统单模型(SVR、GRU)和其他融合模型(Bagging-XGBoost、最优加权的GRU-XGBoost)相比,具有较强的泛化能力和较高的稳定性与预测精度。     

基于动态权重的组合模型供热负荷预测

提升供热系统的供热负荷预测精度是实现智慧供热、提升能源利用效率的重要手段。提出了一种基于动态权重的组合模型供热负荷预测。首先根据供热负荷变化的动态特性和单独模型的误差函数,确定分段固定权重,再根据前一个小时单独模型的预测值和真实值更新修正权重,构造出动态权重的组合模型。采用石家庄某供热站的运行数据进行仿真验证,实验结果表明,提出的基于动态权重的组合模型供热负荷预测的MAPE(Mean Absolute Percentage Error)为0.562%,验证了所提出的方法能有效提高供热负荷预测精度。     

基于改进自适应卡尔曼滤波的电力大负荷预测与计费研究

电力大负荷预测是电力公司进行高效电力系统规划和运行的重要基础;为了提高电力负荷预测精度进而更加有效地估计电力计量与计费,创新地提出了一种基于改进的自适应卡尔曼滤波(AKF)的电力大负荷计量计费预估方法;分析了电力负荷预测研究现状,针对传统卡尔曼滤波算法不足,引入自适应遗忘因子对卡尔曼滤波算法进行改进,建立数学模型、整定因子调整模型关键参数,得到电力大负荷数据的预测值,最终通过计量计费转换公式得用电量以及电费计量预估值;仿真结果表明：基于AEKF的电力大负荷计量预测方法的负荷预测结果与实际结果误差小于1.35%,电力计费预测结果与实际结果相对误差小于1.263%;应用实例证明：基于AEKF的电力大负荷计量计费预估方法,能够提高电力公司的调度效率12%,增加电费营收5.3%～12.2%。     

基于分位数损失的短期概率负荷预测

为提高电力负荷预测精度,并针对用电不规律导致的负荷数据波动性大的问题,提出一种分位数损失引导的门控卷积神经网络模型。首先,使用卷积神经网络提取出历史数据中更多的重要特征;其次,在模型训练过程中采用分位数损失指导训练,然后添加门控单元使得关键特征更加明显;最后,模型输出每个分位点的预测值。实验结果表明,相对于多种概率负荷预测模型,所提的分位数引导的门控卷积神经网络模型在概率负荷预测方面具有更好的预测精度,同时具有良好的实际应用前景。     

强化数据预处理的BLSTNet-CBAM短期电力负荷预测

针对负荷数据复杂性、非平稳性以及负荷预测误差较大等问题,提出一种综合特征构建和模型优化的短期电力负荷预测新方法.首先采用最大信息系数(MIC)分析特征变量的相关性,选取与电力负荷序列相关的特征变量,同时,考虑变分模态分解(VMD)方法容易受主观因素的影响,采用霜冰优化算法(RIME)优化VMD,完成原始电力负荷序列的分解.然后改进长短期时间序列网络(LSTNet)作为预测模型,将其递归层LSTM更新为BiLSTM,并引入卷积块注意力机制(CBAM)进行预测.通过对比实验和消融实验的结果表明:经RIME-VMD优化后,LSTM、GRU、LSTNet模型预测的均方根误差(RMSE)均降低20%以上,显著提高模型预测精度,且能够适应于不同预测模型.所提出的BLSTNet-CBAM模型与LSTM、GRU、LSTNet相比, RMSE分别降低了35.54%、6.78%、1.46%,提高了短期电力负荷预测的准确性.     

基于T-S模糊模型的电力短期不平衡负荷预测方法研究

综合考虑电网条件、生产和气象变化因数,计算电力短期负荷参数内存在的关联,以提高对负荷预测准确程度,提出一种基于T-S模糊模型的电力短期不平衡负荷预测方法研究.预处理和格式化历史负荷数据,去除误差数据.仿真结果表明,所提方法有较高的预测准确度,有利于保障电网运行的安全性、稳定性和高效性.     

基于CNN＿BiLSTM的长短期电力负荷预测方法

当前电力系统负荷预测中负荷数据受到多种因素影响且多步长预测时精度不高,因此电力负荷预测呈现出非线性、多因素、非平稳态等问题。提出一种基于CNN＿BiLSTM混合深度学习网络的长短期电力负荷在线预测方法。首先根据卷积神经网络和双向长短期记忆网络的特点,建立了CNN＿BiLSTM负荷预测模型,并将历史负荷与影响因素耦合形成一个新的时间序列作为网络输入;其次,由于机器学习模型依赖于样本的完备性,影响因素的存在会使原有模型与现有数据失配,建立了在线模型;最后,在实际电力负荷预测中,单步长预测并不能满足工业现场的需要,建立了在线多步长预测模型。通过算例分析,并与SVR等方法进行对比,实验结果表明,所提方法能有效地应用于实际的电力系统负荷预测。