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。     

使用改进混沌神经网络的母线负荷预测

针对母线负荷非线性、冲击性波动、有较多“毛刺”、含有较多坏数据等特点,提出一种基于小波变换和混沌神经网络的母线负荷预测方法。该方法通过消除坏数据和噪声对负荷混沌特性分析的影响,能有效提高母线负荷预测的精度。首先对历史数据进行改进的小波阈值去噪,然后对其进行混沌特性分析,重构相空间形成训练样本．最后采用改进的混沌学习算法对网络进行训练,通过对某省某地220kV母线负荷算例分析,显示该方法能显著提高母线负荷预测的精度。     

基于MA-LSTM的短期负荷预测方法

精准的预测电力系统短期负荷对电力系统智能化和可靠运行有重要意义。为了提高负荷预测的精度,采用了一种基于蜉蝣优化算法和长短期记忆神经网络的短期负荷预测方法。将影响负荷的温度、日期类型、湿度作为输入特征;对长短期记忆神经网络中的参数使用蜉蝣算法不断地优化以确定最优参数;最后建立MA-LSTM模型对短期负荷进行预测。算例结果表明,和BP、LSTM、PSO-LSTM及SSA-LSTM方法相比,所提方法具有更高的预测精度,为电网安全稳定运行提供了有力保障。     

基于VMD-LSTMQR的滚动母线负荷区间预测

负荷区间预测能够对负荷出力变化进行概率化分析,准确量化不确定性因素对负荷的影响。相较于传统的点预测,区间预测更能直观反映负荷变化趋势,有助于保障电力系统的安全稳定运行。基于此,文中提出一种基于变分模态分解-长短期记忆神经网络分位数回归（VMD-LSTMQR）的滚动母线负荷区间预测方法。首先,文中采用VMD将原始母线负荷分解成一系列不同频率特征的子序列;接着,确定不同子序列的最优滚动步长并采用LSTMQR分别对不同子序列进行区间预测;最后,将不同子序列的区间预测进行重构,得到原始母线负荷预测结果。文中利用220 kV和10 kV母线负荷数据验证了所采用的区间预测模型相较于传统区间预测模型在预测精度、区间宽度方面得到明显改善。     

基于小波变换和长短期记忆神经网络的电力负荷预测

电力系统需要保持发电功率与用电负荷的即时平衡,而电力负荷具有非线性、时变性和不确定性等特点。针对此问题,考虑天气与日期类型的影响,构建小波变换（wavelet transform,WT）和长短期记忆（long short-term memory,LSTM）神经网络组合预测模型,对电力负荷进行短期电力负荷预测。首先,用小波变换对数据集进行特征提取、信号去噪,消除数据的波动性;其次,将预处理后的数据利用LSTM进行训练,将输出结果进行序列重构;最后,进行负荷预测,WT-LSTM组合预测模型分别与BP神经网络预测模型和LSTM预测模型进行对比数据。结果表明,WT-LSTM神经网络组合预测模型的预测效果最好,有效地提高了预测精度。     

基于解耦机制的短期母线负荷预测方法

准确的短期母线负荷预测是实现节能降耗与调度精细化管理的基础,提出了一种基于解耦机制的预测方法。首先研究划分样本集最优簇结构的AFS（AP,FCM,Silhouette）聚类算法。利用AP聚类（affinity propagation clustering）计算样本集聚类数的搜索区间;从大到小排列各样本点的密度指标,得到初始化矩阵;通过Sil—houette指标进行有效性检验,获取最优聚类结果。将预测过程分为负荷水平预测和标幺曲线预测两部分,并制定适应其各自特点的预测策略。采用改进的灰色关联分析计算各日特征相关因素关联负荷水平的权值,并将该权值赋予相似选择的目标函数,由最小二乘支持向量机训练相似集进而做出预测;划分标幺曲线样本集的最优簇结构,利用逐步判别分析建立的Bayes判别函数将目标日归类,并根据相似度加权平均该类历史标幺曲线。实例分析验证了该预测机制及模型的优越性。     

基于谱聚类和LSTM神经网络的电动公交车充电负荷预测方法

目前电动公交车的渗透率较大,且充电频率和充电量较高,故而其充电负荷对电网运行与调度产生着不可忽略的影响.因此,电动公交车的充电负荷预测研究具有重要的理论与现实意义,但由于公交车间歇性与随机性的充电行为在时间上给充电负荷预测增加了难度.为此,提出基于谱聚类和长短期记忆(long short-term memory,LST...     

基于人工神经网络的负荷模型预测

负荷模型是影响电网稳定分析的重要因素,是电力系统进行仿真分析、计算的重要依据之一。若能对次日的最大、最小负荷时刻的负荷模型进行预测,可为调度机构制定运行方式时校核系统稳定性提供重要依据。以静态ZIP负荷模型为基础,分析了影响负荷模型的因素,采用人工神经网络方法,对最大、最小负荷时刻的负荷模型参数进行预测。分析了负荷模型参数与负荷预测结果之间的灵敏度,以掌握它们相互间的关系和影响程度,并由此寻找减小误差的方法。以最小负荷的有功模型预测为例,进行了实际预测。算例结果表明,负荷模型预测具有较好的准确率,本文所提方法可行。     

基于人工神经网络的城镇日负荷预测

电力负荷预测是进行电网规划建设的依据,为准确预测清溪镇日负荷情况,对神经网络预测原理进行了研究,对清溪镇日负荷数据进行调查,依据BP神经网络的预测方法建立日负荷预测模型,通过Matlab实现清溪镇日负荷预测并对预测结果进行分析,结果表明基于BP神经网络的预测方法在城镇日负荷预测中效果理想。     

基于JANET神经网络的短期负荷预测模型

对长短时记忆网络结构进行了简化,提出了一种改进的基于长短时记忆网络(LSTM)的短期负荷预测方法,称为JANET(just another network)网络,以充分利用海量数据中所蕴藏的信息,从而在资源受限的实际场景中实现应用.模型保留了长短时记忆网络中最重要的遗忘门,在保证预测精度的同时,能够有效地缩短训练模型和...     

基于贝叶斯神经网络的短期负荷预测应用研究

针对标准反向传播(back propagation,BP)神经网络负荷预测精度不高的缺点,提出利用贝叶斯正则化算法来改善模型的泛化能力,根据河源电网负荷容易受天气影响等特点,给出一种分层的贝叶斯神经网络预测模型,预测结果表明,新的模型具有更好的泛化能力,应用效果良好,提高了负荷预测准确率。     

基于多列深度神经网络的电力负荷预测模型

为了研究新型电力负荷预测方法,设计了一种基于多列深度神经网络的电力负荷预测模型.在离散数据模式下,使用差值法初步治理,通过小波变换提取其时域特征,傅里叶变换提取其频域特征.对负荷形成的时域、频域特征共8组数据进行多列深度神经网络分析,在此基础上进行一次多列神经网络分析,得到最终的叠加三角函数回归方程.通过仿真分析表明,与多项式曲线估计法和深度迭代模糊矩阵法相比,实现了预测数据质量的显著提升.模型适用于电力负荷预测任务.     

基于灰色关联度和BP神经网络的最大负荷同时率预测方法研究

电力系统最大负荷同时率是电力系统规划中的一个重要参数,对其分析要考虑众多影响因素的叠加效用,并在预测模型中体现这些影响因素的关联程度。在负荷特性分析的基础上,充分利用灰色关联度分析方法能够定量地描述各因素之间相互变化的相对性特点和BP神经网络在非线性映射方面的能力,揭示负荷同时率与电力、经济和需求侧管理等方面的内在联系,有效凸显了影响负荷同时率变化的主导因素。用MATLAB对样本数据进行训练,并通过应用灰色关联度分析对网络隐含层节点的逐步优化,使网络结构达到最优化。仿真结果表明改进后的BP算法能够有效提高网络的预测精度、学习效率和实用性,能够为电网规划中负荷同时率预测提供有益的指导。     

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...