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,注意力机制可赋予模型隐含层不同的权重,dropout层可对模型正则化,并采用粒子群优化算法对预测模型参数进行优化.算例仿真结果表明,本文提出的预测模型具有较好的预测精度.     

基于随机森林和长短期记忆网络多元负荷预测的综合能源三层规划调度

针对综合能源系统负荷不确定性对规划和调度造成的高成本低效率问题,提出一种基于多元负荷预测的3层规划调度模型,主要包括预测层、规划层和调度层;基于随机森林回归网络和长短期记忆网络构建了多元负荷的长期和短期预测模型;以综合规划调度成本和调度运行成本最小为目标,采用改进粒子群算法和CPLEX求解器获取最优系统综合成本及配置方案;通过不同场景下的规划调度,分析了设备状态与系统成本。通过对比所构建的3层模型与常规双层模型的规划调度结果,证明了3层规划调度模型的经济性与可靠性。     

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。     

基于改进Q学习算法和组合模型的超短期电力负荷预测

单一模型在进行超短期负荷预测时会因负荷波动而导致预测精度变差,针对此问题,提出一种基于深度学习算法的组合预测模型。首先,采用变分模态分解对原始负荷序列进行分解,得到一系列的子序列。其次,分别采用双向长短期记忆网络和优化后的深度极限学习机对每个子序列进行预测。然后,利用改进Q学习算法对双向长短期记忆网络的预测结果和深度极限学习机的预测结果进行加权组合,得到每个子序列的预测结果。最后,将各个子序列的预测结果进行求和,得到最终的负荷预测结果。以某地真实负荷数据进行预测实验,结果表明所提预测模型较其他模型在超短期负荷预测中表现更佳,预测精度达到98%以上。     

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。     

多通道长短期记忆卷积网络的风速预测

为提高风速的预测性能,提出了多通道长短期记忆网络和卷积网络相结合的风速预测方法。预测模型由多个长短期记忆子网络及卷积网络组成。各子网络选择不同长度的历史数据作为输入,分别实现未来风速值的计算,避免了单一网络输入数据长度参数难以确定的问题。卷积网络将各子网络的计算结果进行卷积、最大池化操作,并通过全连接层计算风速序列的预测值。为避免预测误差累积及漂移,利用误差动态补偿方法对预测值进行校正,获得最终的预测结果。多通道长短期记忆卷积网络可用于风速的超短期预测中,仿真实验结果表明,与现有基于深度学习的预测网络相比,该网络能够更好地拟合实际风速序列的变化趋势,表现出更优的预测性能。     

基于状态频率记忆网络的家庭短期电力负荷预测

家庭的短期电力负荷预测在智能电网中发挥着越来越重要的作用,为了进一步提高预测的精度,提出了一种基于状态频率记忆网络的家庭短期电力负荷预测模型。首先采用K均值聚类方法,将具有相同用电模式的家庭归为一类;随后采用小波降噪技术对负荷数据进行降噪处理;最后构建状态频率记忆网络模型进行批量的家庭负荷预测。该模型通过引入离散傅里叶变换将记忆状态分解为多个频率分量,并通过这些频率成分的组合来预测未来的用电量。使用均方误差、均方根误差和平均绝对误差来评估模型,与该领域上性能表现最好的长短期记忆模型相比较,文中的模型在未来一天的负荷预测中,3类误差分别降低了21.6%、11.4%、15.4%,充分验证了模型的有效性。     

基于WOA-AM-BiLSTM的短期风电功率预测

针对传统的超短期风电功率预测方法难以应对大量强波动性数据,以及对时间序列处理能力有限的问题,提出了一种深度学习模型WOA-AM-BiLSTM对风电功率进行短期预测。使用双向长短期记忆网络可提取时序数据的双向信息,选择性地增强重要特征信息的权重,再利用鲸鱼优化算法进行超参数寻优使AM-BiLSTM模型预测误差最小。通过软件仿真验证了所提风电功率预测模型具有较高的预测精度。     

基于卷积循环神经网络的风电场内多点位风速预测方法

传统的超短期风速预测方法往往采用风电场内单一位置处风速信号进行预测,忽略了风电机组间的风速相关性,导致预测模型难以考虑地形和尾流影响下的风速空间分布特征,限制了超短期风速预测精度的提高。因此,提出了一种基于深度卷积循环神经网络的风电场多点位风速超短期预测方法,考虑风速时空相关性进行风速空间分布的超短期预测。提出的方法结合了卷积神经网络和长短期记忆网络,采用卷积神经网络获取长期风速空间分布特征,利用长短期记忆模型获取短期时间序列特征,可以同时获得多个点位处的风速超短期预测结果。通过山东某风电场数据的验证:与传统方法相比,所提模型的精度均有所提升;将测试集按季度分开,在各模型预测结果均最好的第四季度,对于多点位的平均误差水平来说,所提模型的平均绝对误差和均方根误差为0.367m/s和0.506m/s,比持续法分别降低了15.0%和15.2%,比支持向量机模型分别降低了31.5%和43.1%。     

能源互联环境下考虑需求响应的区域电网短期负荷预测

在区域能源互联系统中,需求响应改变了电力用户的常规用电习惯,增加了预测环境的不确定因素。针对这种特定的环境,提出一种考虑需求响应的区域电网短期负荷预测方法来满足企业对预测精度的需求,该方法通过依次构建数据处理模型、负荷预测模型和误差预测模型实现了预测精度的提升。更具体地,针对历史数据样本集,采用灰色关联分析法处理气象数据以获取输入预测模型的相似日特征变量;针对电力负荷预测,建立了长短期记忆网络模型,利用其特殊的门结构选择性地控制输入变量对模型参数的影响,从而改善了模型的预测性能;针对误差数据样本集,采用了动态模式分解技术来挖掘误差数据的潜在价值,并利用其数据驱动特性刻画了误差时间序列的趋势变化特征,实现了良好的误差预测。最后,结合实际的电网数据,对比验证了所提方法的有效性和优越性。     

基于LSTNet模型的配电台区短期电力负荷预测研究

短期电力负荷预测作为电力系统运行规划的重要依据，对电力系统的安全经济运行有重要意义。提出一种长期和短期时间序列网络（LSTNet）模型对配电台区的短期负荷变化进行预测。该模型用卷积神经网络（CNN）提取负荷数据间的局部依赖关系，用长短时记忆（LSTM）神经网络提取负荷数据长期变化趋势，再融合传统自回归模型解决神经网络对负荷数据极端值的不敏感问题，最后将某一配电台区的电力负荷数据用于网络的训练和预测过程中。通过仿真实验案例发现，相较于以往LSTM、双向长短时记忆神经网络（Bi-LSTM）和CNN-LSTM的预测模型，LSTNet模型在短期负荷预测方面更具优势、预测精度更高。     

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。     

基于综合相关性指标与SA-BiGRU的综合能源系统多元负荷预测

短期负荷预测为综合能源系统安全稳定运行提供保障,但负荷波动的不确定性及多种能量相互耦合增大了预测难度。基于此,提出一种基于综合相关性指标和SA-BiGRU的综合能源系统多元负荷预测模型。考虑到不同气象因素对多元负荷的影响,采用综合相关性指标计算气象因素与负荷间的相关性,提出多元负荷三项耦合乘积挖掘能源间交叉耦合关系,并构建特征矩阵作为预测模型输入。同时,利用自适应k-means将原始输入数据划分为不同负荷场景,降低预测复杂度;在双向门控循环单元网络中引入自注意力机制,为输入特征赋予不同权重,从而增强模型对重要特征的区分能力。最后,采用算例与现有模型进行对比分析,结果表明所提出的多元负荷预测方法具有更高的预测精度和更短的预测时间。     

面向区域综合能源系统的电-气负荷联合预测研究

能源互联网中电力系统与天然气系统的依赖增强,给综合能源系统中电力系统与天然气系统的负荷预测带来了更高的挑战。文中提出了基于长短记忆网络与权值共享的电-气联合负荷预测方法。文中在预测模型中使用了相关系数对天气因素进行了分析,提取了对两种负荷的重要气象因素,将长短记忆网络作为主要预测算法,权值共享模式分析了电-气两种负荷之间的相关性。算例中使用云南省综合能源系统示范工程数据对算法有效性进行了验证,结果显示该算法有效提高了综合能源系统中电力与天然气负荷预测的精度,有着较高的应用价值。     

基于Prophet-LSTM组合模型的短期负荷预测方法

针对短期负荷预测精度问题,提出一种基于Prophet加法模型和长短期记忆LSTM(long-short term memo?ry)网络的组合模型的短期负荷预测方法.首先分别建立Prophet预测模型和LSTM预测模型,然后采用最小二乘法对两种方法取不同的权重组合,得到新的模型并进行预测.以2014年全球能源预测竞赛(GEFCom2014)的电力负荷数据作为算例验证.实验结果表明,与ARIMA模型预测方法、随机森林模型负荷预测模型方法和标准Prophet和LSTM负荷预测方法相比,所提负荷预测方法所得结果具有更高的预测精度.     

基于SSA-Bi-LSTM神经网络的母线负荷预测方法

为了提高母线负荷预测精度,针对长短期记忆(long short term memory, LSTM)神经网络在母线负荷预测时存在对负荷规律提取不足导致精度下降、超参数设置依赖经验等问题,首先构建LSTM神经网络的变体网络——双向长短期记忆(Bi-directional LSTM,Bi-LSTM)神经网络,捕获时间序列未来可用的信息。然后采用麻雀搜索算法(sparrow search algorithm, SSA)搜索最优超参数,得到最优学习率、隐层神经元数目和迭代次数等。以实际10 kV母线数据对SSA-Bi-LSTM神经网络模型进行验证,并与Bi-LSTM神经网络和BP神经网络进行对比,结果表明SSA-Bi-LSTM神经网络模型的预测效果更佳。     

基于相空间重构和BiLSTM的风电功率短期预测

针对复杂多因素(气象信息、时间序列的混沌特性等)影响风电功率的短期预测，及风电时间序列的长期依赖问题，提出基于相空间重构和双向长短期记忆(bidirectional long short-term memories, BiLSTM)神经网络的风电功率短期预测方法。以全球能源预测竞赛的数据集为背景，基于嵌入定理从风电功率序列中重构出相空间，以展示其内在的混沌特性，其中相空间重构的参数依据C-C法确定；对选取的气象预测数据(未来风速、风向)进行归一化处理，并组合重构后的风电功率数据作为BiLSTM的输入量，重构前的功率数据作为输出量，训练预测模型。在全球能源预测竞赛2012提供的wf1数据集上进行日前预测实验，测试集前30 d的平均均方根误差为0.119 4,测试集107 d的平均均方根误差为0.140 9,相较于ANN、BiLSTM、RF和KNN,相空间重构-BiLSTM (Re-BiLSTM)的预测准确度和精度更高，验证了所提出的短期风电功率预测模型的有效性、适用性和泛化性。     

基于多任务学习和单任务学习组合模型的综合能源系统多元负荷预测

针对气象因素对多元负荷变化的灵敏度差异及多元负荷间耦合强度的差异导致多任务学习(multi-tasklearning,MTL)预测模型精度受限的问题,该文提出一种MTL和单任务学习(single-tasklearning,STL)组合的多元负荷预测方法。首先使用基于长短期记忆(long and short-term memory,LSTM)网络的MTL模型提取多元负荷间的耦合信息进行初步预测;然后采用基于前置双重注意力长短期记忆(dual attention before LSTM,DABLSTM)网络的STL模型减少输入噪声进行二次预测;同时将初步的预测值输入STL模型,使得STL模型可以考虑未来的时序信息;最后,通过全连接层对两个模型的预测结果进行融合得到最终的预测结果。实验结果表明,所提组合模型相比单一的MTL和STL模型具有更高的预测精度。     

基于特征优选策略和DLSTMs-FCN优化的短期负荷预测

针对当前基于长短期记忆网络的短期负荷预测模型存在特征冗余、重要信息丢失等问题，提出一种基于特征优选策略和DLSTMs FCN并联优化结构的短期负荷预测方法。首先利用基于极限梯度提升的特征优选策略构造负荷预测模型中的输入特征最优集，减少冗余信息，加快模型拟合；而后利用DLSTMs提取负荷数据的时序特征，并辅以FCN的多维卷积运算及结构特征提取的高分辨率信息，增强对输入数据重要特征的学习和记忆，进而并联构成高效准确的短期负荷预测模型。实验结果表明，本文优化方法相较于ALSTMs和CNN LSTMs预测误差分别降低了6%和4%，预测误差波动分别降低了47%和48%。     

基于Dropout-ILSTM网络的短期电力负荷预测

针对传统BP神经网络难以处理电力负荷数据间关联的问题,提出了一种基于Dropout的改进的长短期记忆神经网络结构用于短期电力负荷预测。这种改进的长短期记忆神经网络(Improved LSTM,ILSTM),通过将长短期记忆网络的多个时间步输入与输出矢量进行全连接,增强了对目标系统中线性成分的表征;使用Dropout对ILSTM网络进行优化,提高了网络的泛化能力,同时减少了模型的训练时间;以日期、温度、电价和电力负荷数据作为输入构建了Dropout-ILSTM电力负荷预测模型。以AEMO提供的新南威尔士州电力负荷数据作为测试用例,实验结果表明,相较其它神经网络模型,文中所提出的Dropout-ILSTM模型预测精度更高、泛化能力更强,适用于不同预测宽度的电力负荷预测。