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PSO算法优化GRU神经网络的短期负荷预测

为了实现高精度的电力系统短期负荷预测,提出了基于粒子群优化(particle swarm optimization,PSO)算法优化门控循环单元(gated recurrent unit,GRU)神经网络的电力系统短期负荷预测模型。首先建立GRU神经网络,GRU神经网络采用了门控循环单元,与采用传统循环单元的传统循环神经网络相比,克服了传统循环神经网络中可能出现的梯度爆炸和梯度消失问题;继而采用具有较强全局优化能力的改进粒子群算法对GRU神经网络参数进行优化,有效提高模型的预测精度。通过实际算例仿真分析,并与传统的GRU神经网络预测模型以及反向传播(back propagation,BP)神经网络预测模型进行对比,验证了所提电力系统短期负荷预测模型具有较好的精度和稳定性。     

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。     

基于改进粒子群算法优化LSTM的短期电力负荷预测

电力负荷数据具备时序性和非线性特征,长短时记忆神经网络(LSTM,long short-term memory)可以有效处理上述数据特性。然而LSTM算法性能对预置参数具有极大的依赖性,依靠经验设定的参数会使模型具有较低的泛化性能,降低了预测效果。为解决上述问题,提出非线性动态调整惯性权重粒子群算法(NIWPSO,nonlinear dynamic inertia weight strategy particle swarm optimization)与LSTM相结合的预测模型NIWPSO-LSTM。利用非线性动态调整惯性权重的方法来提升PSO的全局寻优能力,再通过NIWPSO对LSTM的参数进行优化。实验结果表明,NIWPSO-LSTM预测精度要远高于其他模型,验证了所提方案的可行性。     

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-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。     

基于贝叶斯优化的VMD-GRU短期风电功率预测

为提高风电功率预测精度,提出了一种基于贝叶斯优化的变分模态分解(variationalmodedecomposition,VMD)和门控循环单元(gatedrecurrentunit, GRU)相结合的风电功率预测方法。首先使用VMD算法对风电功率序列进行分解,并根据排列熵(permutation entropy, PE)的大小来确定序列分解的最佳模态数。然后将分解后得到的子序列分量与关键气象变量数据结合构成模型输入特征。使用GRU网络对各个子序列分量分别进行预测,并将各个子序列分量的预测结果进行重构得到风电功率预测结果。最后采用贝叶斯优化方法对各个子序列预测模型的网络初始超参数进行优化。采用某风电场的风电数据对所提模型进行验证,并与其他6种模型进行性能对比。结果表明,基于贝叶斯优化的VMD-GRU预测模型明显优于其他模型,具有较好的泛化能力,能够有效提高风电功率预测精度。     

基于CEEMD-GRU模型的短期电力负荷预测方法

针对电力负荷序列不平稳、随机性强,直接输入模型会导致拟合效果差、预测精度低等问题,本文提出了一种基于添加互补白噪声的互补集合经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)以及门控循环单元神经网络(gated recurrent unit neural network, GRU)融合的预测方法。首先,针对传统经验模态分解(empirical mode decomposition, EMD)分解方法处理干扰信号大的序列时,存在的模态混叠问题,提出了CEEMD分解方法,加入互补白噪声,将原始序列分解成不同尺度的子序列,随后使用GRU神经网络,并优化网络超参数,从而获得最好的预测结果。通过实验证明,该方法重构误差小,预测效果好。     

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.     

基于粒子群模糊神经网络的短期电力负荷预测

为了从根本上提高短期电力负荷预测中神经网络的速度和预测精度,提出了将粒子群算法和BP算法相结合的短期负荷预测方法。用粒子群算法来训练网络参数,直到误差趋于一稳定值,然后用优化的权值进行BP算法,实现短期负荷预测。在构建网络模型时,考虑了气候、温度等因素的影响,并把它们进行模糊化处理后作为网络的输入。仿真结果表明基于这一方法的负荷预测系统具有较高的精度和实时性。     

基于智能优化方法的相似日短期负荷预测

针对传统相似日法中各因素相似度及其权重需要人工赋值的不足,在充分考虑日期类型、日期距离、气象因素等几种主要常规影响因子的前提下,建立了一种基于智能优化方法的相似日模型对日用电量进行短期预测.相似度计算公式中全部原本需要人工赋值的参数均由历史数据基于果蝇优化算法训练得出.参数值可以根据特定用户的负荷变化特性动态调整,增强...     

粒子群优化的神经网络模型在短期负荷预测中的应用

为了提高电力系统短期负荷预测精度,针对传统径向基函数(RBF)神经网络在负荷预测中存在的问题,提出一种新的预测模型:粒子群优化的RBF神经网络模型.粒子群算法是一种新的全局优化算法,有很强的全局寻优能力,用它来优化RBF神经网络的权值,并用优化好的RBF网络进行负荷预测.仿真在虚拟仪器LabVIEW和Matlab软件平台上进行,结果表明该预测模型精度高于传统RBF神经网络模型,具有一定实用性.     

A new ARMAX model based on evolutionary algorithm and particle swarm optimization for short-term load forecasting

In this paper, a new ARMAX model based on evolutionary algorithm and particle swarm optimization for short-term load forecasting is proposed. Auto-regressive (AR) and moving average (MA) with exogenous variables (ARMAX) has been widely applied in the load forecasting area. Because of the nonlinear characteristics of the power system loads, the forecasting function has many local optimal points. The traditional method based on gradient searching may be trapped in local optimal points and lead to high error. While, the hybrid method based on evolutionary algorithm and particle swarm optimization can solve this problem more efficiently than the traditional ways. It takes advantage of evolutionary strategy to speed up the convergence of particle swarm optimization (PSO), and applies the crossover operation of genetic algorithm to enhance the global search ability. The new ARMAX model for short-term load forecasting has been tested based on the load data of Eastern China location market, and the results indicate that the proposed approach has achieved good accuracy.     

基于ARMA误差修正和自适应粒子群优化的SVM短期负荷预测

利用最小二乘支持向量机( LS-SVM)进行短期负荷预测的精度及其泛化性能很大程度上取决于其参数选择.对于支持向量机中的核参数和惩罚系数C采用基于适应度函数惯性权重自适应调整的粒子群优化算法进行选择.在对LS-SVM回归模型参数优化的基础上,建立自回归滑动平均(ARMA)误差预测模型来修正负荷预测结果从而提高预测精度.选择某地区夏季96点负荷数据作为训练样本和测试样本进行分析,并且选择SVM模型进行对比,实验结果表明,同标准的SVM回归模型相比,APSO-ARMA-SVM负荷预测模型能明显改善预测精度,能够推广到电价预测等其他预测领域.     

一种实用的短期负荷组合预测方法

组合预测理论的发展正逐渐趋向成熟,其在电力系统负荷预测的研究与实践也逐渐增多。文中分别应用简单平均组合与最优加权组合原理,建立了短期负荷预测的组合模型。模型通过对某省负荷样本数据的分析,采用多角度选取样本,充分利用有限历史数据;同时引入多种数学模型,吸收了各模型所具有的优点。该模型具有预测精度高,建模速度快的特点。某省实际负荷数据的测试证明了模型的实用性。     

基于改进的PSO-SVM的短期电力负荷预测

提出一种基于PSO-SVM电力负荷短期预测方法,在SVM学习过程中引入粒子群算法。通过选取组合核函数来改进SVM算法,这样可以充分保证计算速度和较高的预测精度。利用吉林地区的历史负荷数据作为训练样本,通过与传统的SVM预测模型进行对比,对预测结果与实际数据进行比较,证明基于组合核函数预测方法在一定程度上能够保证短期负荷预测的精度。     

一种面向运行可靠性的短期负荷预测方法研究

与传统可靠性相比,电力系统运行可靠性反应的是系统短期运行行为对可靠性的影响,需建立一种面向运行可靠性的短期负荷预测模型,既能提供充裕度指标评估所需的概率模型,又能提供系统安全性评估所需的精确模型。因此,文章通过对历史气候数据进行模糊聚类,提取相似日负荷构成样本数据并进行小波分解,利用改进的PSO-RVM算法对各小波分量进行预测和叠加,以得到预测日负荷序列的均值和概率模型,仿真表明该方法预测准确率较高,可为运行可靠性充裕度、安全性评估提供负荷数据支撑。     

聚类分析法在短期负荷预测中的应用

短期负荷预测是指预测未来24 h内的电力负荷需求,这是一项非常重要的工作。目前,负荷预测的实用计算方法有很多,线性回归法、时间序列法、人工神经网络法等等,但是,这些算法的预测精度欠佳。现根据相似日负荷的相似性,提出利用聚类分析法来进行短期负荷预测,为此,介绍聚类分析的步骤、方法及验证算例。实际运行结果表明:利用聚类分析法进行负荷短期预测,短期负荷预测的精度大大提高。     

特殊节假日的短期负荷预测新方法

针对电力系统短期负荷预测中特殊节假日负荷的特殊性,利用基于模糊逻辑推理的预测新方法,预测了特殊节假日的最高负荷、最低负荷以及24点负荷值。该方法合理运用了模糊逻辑对不确定问题的推理能力,克服了特殊节假日由于负荷特性的不同以及历史数据缺乏所导致的预测困难,仿真结果验证了该方法的有效性。     

一种新型短期电力负荷组合预测方法

短期负荷预测的准确性对电力系统的安全运行和生产安排起着至关重要的作用。针对单一负荷预测方法较难准确预测电力负荷的情况,提出了一种新颖的组合预测方法。该方法采用混沌时间序列和基于RBF-ARX模型的预测方法对日负荷进行加权组合预测,并通过与单个预测方法进行比较,证明了该组合预测方法精度更高,相对误差更小。