基于GRU-TGTransformer的综合能源系统多元负荷短期预测

综合能源系统的多元负荷短期预测,对系统的优化调度和经济运行至关重要。多元负荷之间耦合关系紧密,Transformer作为一种完全建立在自注意力机制上的模型,能很好地分析多元负荷之间的内在联系。传统Transformer模型针对自然语言类问题而设计,难以直接应用于多元负荷预测。为此,提出一种GRU-TGTransformer(GRU-Talkinghead-Gated residuals-Transformer)模型。该模型采用门控循环单元代替原有的词嵌入及位置编码环节,对输入数据进行特征融合,取得具备相对位置信息的高维特征数据。通过在多头自注意力环节引入交流机制,提高多头自注意力的表达效果。为进一步强化网络结构,在残差连接中引入门控单元,提高模型在时序预测问题上的稳定性。以美国亚利桑那州立大学坦佩校区的综合能源系统为算例,通过对所提出模型与传统模型之间进行对比分析,证明所提出的模型具有更高的预测精度。     

基于EEMD-GRU-MLR的短期电力负荷预测EI北大核心CSCD

针对电力负荷随机性较强,预测精度不高的问题,通过构建集合经验模态分解(ensembleempiricalmode decomposition,EEMD)以及门控循环单元神经网络(gated recurrent unit neural network,GRU)和多元线性回归(multiple linearregression,MLR)组合而成的EEMD-GRU-MLR(EGM)预测方法,有效提高了电力负荷短期预测精度。首先通过集合经验模态分解将电力负荷数据分解为频率由高到低的不同本征模态函数(intrinsicmodefunctions,IMF),不同频率的本征模态函数分量代表了电力负荷不同的部分特征,随后分别使用多元线性回归方法和GRU神经网络方法对低频部分和高频部分进行快速准确的预测,最后将所得各预测结果组合后得到完整的预测结果。EGM预测方法不但能够对电力负荷的变化趋势进行有效预测,而且能够准确预测随机性较强的局部特征。最后通过实验验证,该方法有效地提高了负荷预测精度。     

基于改进LSTM的区域综合能源系统多元负荷短期预测研究

冷热电负荷短期预测是区域综合能源系统优化调度的基础.针对区域综合能源系统多元负荷关联性和非线性的特点,本文构建了基于改进的长短期记忆神经网络的区域综合能源系统多元负荷短期预测模型,该模型采用灰色关联度法分析多元负荷之间和气象因素之间的耦合性,以此为依据,在改进长短期记忆神经网络预测模型中加入注意力层和dropout层,...     

基于量子加权多层级GRU神经网络的综合能源 系统多元负荷短期预测

针对综合能源系统多元负荷短期预测问题,提出一种基于量子加权多层级GRU(quantum weighted multi hierarchy gated recurrent unit, QWMHGRU)神经网络的多元负荷短期预测模型。采用最大信息系数对多元负荷间和负荷与天气因素间的相关性进行分析,选取模型输入量。然后改进GRU的门控结构,形成多层级门控循环单元(multi hierarchy gated recurrent unit, MHGRU),并将量子加权神经元引入MHGRU,构成QWMHGRU多变量负荷预测模型。仿真算例结果表明,QWMHGRU多元负荷预测模型在夏季和冬季的权重平均精度均可达97%以上,相比MHGRU、QWGRU和GRU模型具有更高的预测精度。     

基于多头概率稀疏自注意力模型的综合能源系统多元负荷短期预测

精准的多元负荷短期预测是综合能源系统调度和运行的基础。综合能源系统中的多种负荷之间存在较强的耦合作用,目前已有的单一负荷预测难以挖掘不同负荷之间复杂的内在联系。对此,提出一种基于多头概率稀疏自注意力模型的多元负荷短期预测方法。首先,采用皮尔逊相关系数分析多元负荷之间的相关性,并提取多元负荷之间的耦合特征;然后,使用改进位置编码的多头概率稀疏自注意力机制学习长序列输入的依赖关系,并且采用多元预测任务的参数软共享机制,通过不同子任务对共享特征的差异化选择,实现多元负荷的联合预测;最后,在亚利桑那州立大学Tempe校区的多元负荷数据集上对所提模型的性能进行验证,结果表明所提预测方法相较于其他预测模型能够有效提高预测精度。     

基于自回归模型的超短期负荷预测方法

针对提前1小时的超短期负荷预测,在充分分析负荷特性的基础上,提出了基于自回归模型的超短期负荷预测,并利用拐点与负荷变化率的关系对预测结果修正。算例分析表明,该方法可以取得较高的预测精度。     

基于LSTM与XGBoost组合模型的超短期电力负荷预测EI北大核心CSCD

为进一步提高电力负荷预测精度,提出了基于LSTM(longshorttermmemorynetwork,LSTM)和XGBoost(eXtremegradientboosting)的组合预测模型。针对电力负荷数据,首先建立了LSTM预测模型和XGBoost预测模型,然后使用误差倒数法将LSTM与XGBoost组合起来进行预测。采用2016年电工数学建模竞赛的电力负荷数据进行算例分析,结果表明所构建的LSTM和XGBoost组合预测模型的MAPE(mean absolute percentage error)为0.57%,明显低于单一预测模型。将上述方法与GRU(gated recurrent unit)和XGBoost两者组合的预测模型相比较,结果表明所提出的方法具有更高的超短期电力负荷预测精度。     

基于MMoE-TCN的综合能源系统短期多元负荷预测

准确的短期多元负荷预测是确保综合能源系统可靠经济运行的必要前提。针对现有模型预测精确度不高的问题,本文提出一种基于改进最大信息系数相关性分析和MMoE-TCN多任务学习的负荷预测方法。首先,采用改进的最大信息系数相关性分析方法筛选目标预测负荷的特征序列集。然后,建立基于参数软共享机制的MMoE多任务学习模型,通过专家子网和门控单元合理分配子任务的共享特征信息,挖掘多元负荷间的耦合特性,进而使用时间卷积神经网络构建子任务模型,用于负荷预测。最后,使用IES公开数据集进行算例分析,其误差均低于MTL-TCN、MTL-LSTM和LSTM模型,验证了本文所提方法有较高的预测准确度。     

基于随机分布式嵌入框架及BP神经网络的超短期电力负荷预测EI北大核心CSCD

电力系统超短期负荷预测易受到气象、假日等多种因素共同作用的影响,因此,实现其精准预测较为困难。为提高预测精度,往往需要大量的历史数据进行训练。针对历史数据较少的新建初期电力系统,提出了一种基于随机分布式嵌入框架及BP神经网络的超短期电力负荷预测方法。首先,将电力系统中电力负荷变量、气象变量等各种状态变量的延迟变量视为独立的影响因素,采用BP神经网络算法针对不同组延迟变量分别进行训练和预测,得到多个预测值。然后,采用核密度估计法拟合多个预测值形成分布的概率密度函数。最后,通过期望估计法或聚合估计法计算得出电力负荷的最终预测值。选取实际负荷数据进行算例分析,结果表明,所提方法适用于训练数据较少的超短期负荷预测,且相较于几种常规预测算法具有更高的预测精度以及较强的稳定性。     

基于耦合特征与多任务学习的综合能源系统短期负荷预测

在区域型综合能源系统（IES）内各负荷间耦合程度逐渐增强和对更准确、可靠的用能预测需求日益提高的背景下,提出一种基于耦合特征构造及多任务学习的IES冷热电负荷短期预测方法。首先,从特征工程的角度利用耦合特征挖掘算法构造IES冷热电负荷耦合特征变量,提取不同能源负荷需求间的耦合特征,进而将负荷历史数据、耦合特征变量及气温等外生变量作为模型输入,利用多任务学习的共享机制建立IES的负荷预测模型,使得各能源预测子任务间的高维特征及模型参数能够通过基于长短期记忆神经网络搭建的共享学习层相互借鉴,以实现对负荷间耦合特征的充分挖掘和利用。以美国亚利桑那州立大学坦佩校区IES为例,通过预测结果精度对比和深度学习模型可解释性研究,证明所提出的预测方法可以有效提高区域型IES冷热电短期负荷预测的精度。     

基于LSTM和多任务学习的综合能源系统多元负荷预测

随着综合能源利用技术的不断发展与用户用能需求的多元化,现有单一负荷预测方法难以反映多元负荷间的耦合特性,精确的多元负荷预测将成为综合能源系统优化调度和经济运行的首要前提.基于此,提出一种以长短时记忆神经网络作为共享层的多任务学习负荷预测方法,经由共享层模拟多元负荷间的耦合特性,进而达到提升预测精度的目的.首先,以"硬共...     

基于Copula理论与KPCA-GRNN结合的区域综合能源系统多元负荷短期预测模型

通过Copula理论对多元负荷之间以及多元负荷与天气因素之间的非线性相关性进行分析。基于分析结果构建模型样本集,通过核主成分分析(KPCA)对样本集进行降维解耦,采用广义回归神经网络(GRNN)模型对多元负荷进行预测,模型参数采用遗传算法进行优化。以北方某建筑级区域综合能源系统夏季多元负荷中的电负荷和冷负荷算例为例,与其他两种预测模型进行对比,验证结果表明,基于Copula理论与KPCA-GRNN结合的区域综合能源系统多元负荷短期预测模型具有较高的预测精度,该模型具有一定的应用价值。     

基于XGBoost-MTL的综合能源系统多元负荷预测

精确的多元负荷预测是综合能源系统(integrated energy system,IES)优化调度和稳定运行的前提。针对IES中多元负荷之间耦合关系复杂以及影响负荷预测的因素众多等问题,文中提出一种基于极限梯度提升(extreme gradient boosting,XGBoost)与多任务学习(multi task learning,MTL)的多元负荷预测方法。首先通过XGBoost重要度排序得到各影响因素对于多元负荷的贡献度,依据贡献度来选取影响负荷预测的关键性因素作为预测模型的输入,保证了输入特征对于多元负荷预测有效的修正作用;其次以门控循环单元(gated recurrent unit,GRU)作为共享层来搭建MTL预测模型,各子任务通过共享信息来有效利用各负荷之间复杂的耦合关系;最后以上海某综合能源站的负荷数据为例对文中所提模型的有效性进行验证。结果表明:该模型能够适应实际综合能源系统中各类负荷的变化,有效提高预测精度并减少训练时间。     

基于GRA-LSTM神经网络的区域综合能源系统多元负荷短期预测模型

冷、热、电负荷预测是发挥区域综合能源系统优势的关键技术。由此构建了基于灰色关联度分析(grey relation analysis,GRA)和长短期记忆(long short term memory,LSTM)神经网络的区域综合能源系统多元负荷短期预测模型,该模型利用LSTM神经网络在处理时间序列中间隔或延迟较长的样本和非线性数据方面的优势,采用GRA法定量分析多元负荷之间以及和各气象影响因素之间的耦合性。针对北方地区气候特点,利用DeST软件建立某写字楼建筑模型,运用动态模拟和统计方法模拟出写字楼全年逐时冷、热、电负荷。算例分析结果表明,基于GRA-LSTM神经网络的区域综合能源系统多元负荷短期预测模型具有较好的预测精度和应用价值。     

基于IPSO-WNN的综合能源系统短期负荷预测

针对传统小波神经网络(WNN)综合能源系统负荷预测模型存在收敛速度、易陷入局部最优等缺点而导致预测精度不高的问题,文中提出了一种基于改进粒子群(IPSO)的WNN综合能源系统短期负荷预测方法。利用Pearson系数对各影响因素进行分析,选择合适的因素作为综合能源负荷预测的输入量;对传统粒子群算法进行改进,在PSO中引入混沌算法并根据粒子适应度采用不同的粒子惯性权重选择策略;基于IPSO建立了WNN综合能源系统短期负荷预测模型。通过案例验证,基于IPSO的WNN预测模型相比于传统WNN预测模型,预测精度明显提升。     

多尺度特征提取与非线性融合的综合能源系统多元负荷短期预测

为提高综合能源系统多元负荷短期预测的精度,提出一种基于多尺度特征提取与非线性融合的综合能源系统多元负荷短期预测方法。首先,采用皮尔逊相关系数对气象数据进行关联因子优选;然后,通过嵌入式分解模块将输入的时间序列分解为周期分量和趋势分量,并将分解后得到的输入矩阵并行送入到具有不同尺度卷积核的时间卷积网络中,进行多尺度特征提取;接着,将多尺度时间卷积网络输出的特征向量输入到各自对应的注意力机制,以进行全局信息的学习与融合;最后,采用自适应非线性融合模块对各注意力机制的输出进行非线性融合,得到最终多元负荷预测结果。实验结果表明,所提方法具有较好的预测性能及泛化性。     

基于径向基函数神经网络的综合能源系统多元负荷短期预测

准确的能源负荷预测对综合能源系统的经济调度和优化运行有着重要的影响。提出一种基于径向基函数神经网络（radial basis function neural network,RBF-NN）模型的综合能源系统电、气、热多元负荷短期预测方法。首先利用Copula理论对电、气、热负荷进行相关性分析,建立了电、气、热负荷和温度的时间序列;接着设计RBF-NN网络模型结构,采用K-means聚类算法对隐含层节点进行优化;最后通过国内某园区综合能源系统的实际数据对模型进行验证。通过3个案例结果的比较,验证了文中提出的方法可以有效地考虑电、气、热负荷之间的耦合关系,具有较高的预测精度。     

基于超短期负荷预测的变电站综合调压方法研究

针对变电站电压和无功控制中补偿电容器和变压器分接头的“投切振荡”问题,为了避免不必要的延时等待,提高无功补偿控制的针对性,提出将超短期负荷预测引入变电站电压无功实时控制,通过超短期负荷预测,掌握负荷变化和波动情况,在满足电压和功率因数合格的前提下,充分利用变压器的过载能力,尽量减少电容器投切次数和不必要的调整,从而提升变电站电压无功控制的性能,并可延长主变分接头和电容器开关的寿命。仿真算例验证了该方法的可行性和优越性。     

基于深度混合储备池计算模型的短期电力负荷预测EI北大核心CSCD

有效的短期电力负荷预测模型有利于保障电力系统稳定且高效地运行。为此,首先提出了一种具有相邻反馈的混合回声状态网络(hybrid echo state network with adjacent-feedback loop reservoir,HALR)模型,用以避免传统浅层模型使用单一类型神经元易产生奇异解的问题。然后,基于深度信念网络(deep neural network,DBN)和HALR模型提出了一种深度混合储备池计算(deep hybrid reservoir calculation,DHRC)模型,以提高传统模型的预测精度和效率,该模型实现了DBN优秀特征学习能力和HALR强大逼近性能的结合。将DHRC模型应用于比利时蒙斯大学采集的某地区电力负荷数据集,最终的X_(NRMSE)、X_(RMSE)和X_(MAPE)分别为0.6591、0.0541和4.8523%。最后,在西北某电网供电公司的实际应用中再次证明了DHRC模型的有效性。实验结果表明,与预测效果最佳的浅层模型HALR相比,DHRC的X_(NRMSE)、X_(RMSE)和X_(MAPE)分别降低了65.1685%、65.1079%和60.0954%;与预测效果较好的深度模型LSTM和DBEN相比,DHRC模型的预测效率分别提高了36.5566%和9.4276%。