基于改进长短期记忆神经网络的短期负荷预测

精确的负荷预测是电力系统规划、设计的有力支撑,是电网安全经济运行提供重要保障。实际应用中,存在由于数据采集设备故障、系统突发事件导致相关数据资料不准确从而影响短期负荷预测结果的情况。本文提出基于小波变换的长短期记忆神经网络负荷短期负荷方法WT-LSTM(wavelet transform -long short-term memory),利用小波变换的时频特性对负荷数据的伸缩变换进行细化,实现高频系数量化处理;结合长短期记忆神经网络的梯度计算,提高负荷预测的准确性和可靠性。通过变电站负荷数据以及区域办公楼实验,仿真结果表明本文方法能够有效处理负荷原始数据中的噪声,从而提高负荷预测精度和鲁棒性。     

基于长短期记忆神经网络组合算法的短期电力负荷预测

短期电力负荷具有不平稳、随机性强等特点,传统的负荷预测方法在建模中常表现出一定的局限性。为提高预测精度,提出了一种基于互补集合经验模态分解(complement-ary ensemble empirical mode decomposition, CEEMD)、长短期记忆(long short-term memory, LSTM)神经网络和多元线性回归(multiple linear regression, MLR)方法组合而成的CEEMD-LSTM-MLR短期电力负荷预测方法。首先将电力负荷数据通过CEEMD分解为高频分量和低频分量;将复杂的高频分量通过经贝叶斯优化的LSTM神经网络进行预测,周期性的低频分量通过MLR方法进行预测,最后将各分量叠加重构得到最终预测结果。通过算例分析,一方面将不同分解方法进行对比,一方面将不同模型进行对比并探究贝叶斯调参对结果的影响,验证了所提模型更具可靠性与准确性。     

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。     

基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法

短期电力负荷的精准预测可以有效指导机组组合调度、经济调度与电力市场运营.针对输入数据特征量受限时负荷预测的低精度问题,提出一种基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法.通过建立融合局部特征预提取模块的LSTM(long short term memory)网络结构,并将其与XGBoost(e...     

采用长短期记忆深度学习模型的工业负荷短期预测方法

工业负荷不同于其他电力负荷, 受气温、时间、人口等外部因素的影响较小, 其功率需求主要由相关企业的生产计划来决定。在电力市场环境下, 准确的负荷预测有助于工业用户更好地制定电力交易策略, 从而增加收益。在此背景下, 基于改进的长短期记忆（long short term memory, LSTM）深度学习网络模型, 提出了一种工业负荷短期预测算法。首先,在网络层次上构建层数更多即网络层次更深的LSTM深度学习负荷预测模型。接着, 在每个LSTM单元构成的隐含层中, 采用Dropout技术对神经元进行随机概率失活, 并通过正则化有效避免深度学习过拟合问题并改善了模型性能。然后, 采用真实的工业用户历史负荷数据对所提算法进行测试, 并与已有的短期负荷预测算法进行对比, 包括自回归滑动平均模型 （auto-regressive and moving average model, ARMA）, 最邻近回归算法 （K nearest neighbor regression, KNN） 以及支持向量回归算法 （support vector regression, SVR）。仿真结果表明, 所提深度学习工业负荷短期预测算法相比于一些现有方法, 其预测准确度有明显提升,预测结果的平均绝对百分误差（mean absolute percentage error, MAPE）在9%以下。     

基于XGBoost算法的新型短期负荷预测模型研究

针对目前电网在负荷预测中所采集到的数据普遍存在着特征维度较少;特征关系不明;有效数据量较少的特点,为了提高电网短期负荷预测精度,本文提出一种基于XGBoost算法的新型负荷预测模型。基于XGBoost算法的负荷预测模型采用CART树作为基学习器,输入预处理后的历史负荷和特征数据,通过构建多个弱学习器逐层训练模型并得到模型,最后向模型输入测试集特征得到最终的预测结果。本文所搭建的负荷预测模型具有避免对数据特征的标准化、处理字段缺失的数据、不用关心特征间是否相互依赖、学习效果好的优点。根据真实电网数据实验结果,基于XGBoost算法的负荷预测平均绝对误差百分比下降到3.46%,比本文所对比的基于BP、GRNN、DBN神经网络的负荷模型预测值精度更高,表明本文所提模型的优越性。     

基于改进型BP神经网络的短期电力负荷预测

提出一种改进的 BP 神经网络学习算法,并将其应用于短期电力负荷预测中。研究 结果表明：基于改进的 BP 神经网络的短期电力负荷预测具有精度高的特点,负荷预测结果的相 对误差小于3．63%。     

基于RBF神经网络的短期负荷预测

针对BP网络的缺陷,提出了一种基于RBF神经网络的短期负荷预测方法,利用遗传算法训练神经网络,使神经网络以较快的收敛速度和较大的概率得到了最优解。实例研究结果表明该方法可以取得较高的预测精度。     

基于级联神经网络的短期电力负荷预测

文章基于神经网络理论,针对武汉地区电力负荷曲线的特点,提出了采用级联神经网络进行电力负荷预测的模型,实例计算表明,该方法具有较高的预测精度和较强的适应能力。     

基于优化灰色理论和神经网络的电力负荷短期预测

为提高电力系统短期负荷的预测精度,确保电网安全和经济运行,提出一种基于优化的灰色理论和Elman神经网络混合方法。该方法充分考虑温度因素、周类型、天气状况等影响预测精度的不确定因素,通过数据模拟预测,该方法具有较高的预测精度和收敛速度,在电力系统短期负荷预测中具有一定的应用价值。     

基于神经模糊网络的短期风电预测

本文利用中尺度NWP模型,以半小时为间隔,对风电场参考点未来36小时的气象变量进行了预报,提出了一种基于神经网络和模糊逻辑相结合的混合计算智能技术的风力发电预测统计模型.利用该统计模型对NWP模型输出、SCADA和风塔的实测数据进行处理,准确预测风电场中各风机的风电功率.同时介绍了网络结构和训练算法,并将该预测方法应用于我国某实际风电场的风电预测.预测风电与实际风电之间的均方根误差(RMSE)小于20％.预测结果表明,训练后的神经模糊网络对风电场建模和风电预测具有较强的应用价值.由于神经模糊网络的适应性,该方法可集成到在线风电预测系统中,在运行过程中自动调整.     

基于改进BP神经网络的短期电力负荷预测方法研究

针对短期负荷预测精度低、准确性差等问题,将猫群算法CSO和BP神经网络相结合用于短期负荷预测,模型的输入因子是负荷数据和气象信息等,利用猫群算法对BP神经网络的权值和阈值进行优化,得到BP神经网络预测模型的最优解,建立了短期预测模型。通过实例验证了预测模型的有效性和有效性,结果表明,改进模型能够有效降低BP神经网络模型的预测误差,提高预测精度,为我国电力系统短期负荷预测的发展提供了参考和借鉴。     

基于特性分析的改进BP神经网络短期电力预测方法

由于短期电力负荷、用电量受众多复杂的非线性因素影响,传统单一BP神经网络预测方法存在精度不高、收敛速度慢等问题。为了提高收敛速度和预测精度,根据影响因素特性将其分为长期、短期性影响因素,根据负荷、用电量曲线特性分别将其分为基准量和敏感量,并用决定系数法确定所需短期影响因素。应用遗传算法对BP神经网络的初始权值和阈值进行优化,将BP神经预测误差作为遗传算法的适应度函数,建立了基于特性分析的改进BP神经网络短期电力预测方法。选取中部某省2015—2019五年"迎峰度冬"期间数据进行验证,结果表明,该预测方法的精度和收敛速度都得到了提高。     

高压电网超短期负荷预测的软件研究

在研究了EMS、面向对象技术,数据库技术和网络技术的最新发展的基础上,阐述了超高压电网负荷预测软件的设计思想及具体实现,从而实现了负荷预测理论在实际中的应用。文章首先就EMS负荷预测软件的总体设计思想、数据库的建立以及与SCADA数据库接口连接进行阐述,然后详细的论述了负荷预测的数学建模、计算结果存储等方法。所阐述的方法同样适用于潮流计算,短路电流计算,网络重构等重要功能。     

基于神经网络的短期负荷预测

针对电力系统短期负荷的变化与影响因素间的复杂非线性关系,首先,提出用BP神经网络进行负荷预测,接着,在输入变量的选择上引入了负荷日期和气象温度,对于日期变量分为工作日和休息日,对于气温变量进行分段处理。最后通过实例仿真表明该方法可以取得较高的预测精度。     

基于AGA-RBF神经网络的短期负荷预测

针对RBF神经网络的不足以及传统遗传算法的特点,采用浮点数编码的自适应遗传算法(AGA)作为RBF神经网络的学习算法,来确定RBF神经网络隐含层的中心参数和宽度参数,形成AGA-RBF网络来进行负荷预测,并通过实例验证,该方法与RBF神经网络相比,能有效提高预测精度和改善网络性能.