基于时间序列组合模型的电力负荷预测

针对传统电力负荷数据非稳定、非线性的特性导致预测精度不高的问题,提出一种基于数据模态分解与CNN-BiLSTM相结合的负荷预测模型。利用自适应噪声完备集合经验模态分解算法（CEEMDAN）对原时间序列负荷数据进行分解,分解成多个稳定的本征模态函数分量（IMF）和残差（Res）;对各分量使用卷积神经网络和双向长短期记忆网络组合模型逐一预测。对预测效果评估指标较差的分量继续采用变分模态分解（VMD）算法进行分解,再次预测从而提高模型的整体预测精度。经过实验验证表明,该组合模型与其他模型相比,有效提高了拟合优度,降低了预测误差。     

基于EMD-GWO-SVR组合模型的短期风速预测

风速预测对风电场进行调度与控制具有重大意义。针对风速序列的随机性与间歇性,文中提出了EMD-GWO-SVR组合预测模型。先对原始序列进行经验模态分解,并应用GWO算法对支持向量回归模型的参数进行寻优。随后将寻优得到的最佳参数代入支持向量回归模型,并对分解后的本征模函数及残差项分别进行预测,将得到的各预测结果相加从而对风速进行预测。以甘肃省酒泉市的历史气象数据为例,建立BP神经网络、SVR、PSO-SVR、GWO-SVR、EMD-PSO-SVR和EMD-GWO-SVR6种预测模型,对该地的风速进行预测。仿真结果表明,文中提出的EMD-GWO-SVR模型预测精度相比SVR提高了61.759 8%,且其MAE、MAPE和RMSE等误差指标评价值显著低于其它5种模型。     

基于EMD和神经网络的短期电力负荷预测

提出了采用经验模态分解（EMD）和神经网络结合的方法对短期电力负荷进行预测.通过EMD算法将电力负荷的时间序列分解为若干个固有模态函数,采用神经网络对各个固有模态函数分别预测,然后求和重构各个固有模态函数的预测值,最后得出总的负荷预测值.通过仿真分析,该方法相对于采用单一的神经网络预测降低了预测误差,改善了短期负荷预测的有效性.     

基于DL的LSTM网络配电台区短期负荷预测模型研究

传统基于神经网络的配电台区短期负荷预测研究对象往往是整个系统,缺少针对单个台区的建模预测研究,而且预测准确率不高.提出将基于深度学习(Deep Learning,DL)的长短期记忆神经网络(Long Short-Term Memory,LSTM)引入单配电台区的短期负荷预测中,根据配电台区的负荷特征,考虑工作日、月份和...     

基于长短期记忆神经网络的短期负荷预测

准确的电力负荷预测是电力系统安全、稳定、经济、优质运行的前提,负荷预测的本质是通过历史数据对未来负荷情况做出预先估计。电量的快速增长和用户的多元化对负荷预测提出了更高的要求。文中提出了一种基于长短期记忆网络的负荷预测方法,利用长短期网络数据驱动和对时间序列建模强的特点,对于含非线性、不确定性的系统,提取其负荷数据中的周期特征,具有较强的自适应性。以真实数据为算例,验证了方法的有效性。     

基于超参数优化的电力负荷预测模型研究

电力负荷数据的多样性与复杂性,会导致负荷预测过程中出现超参数难以确定、拟合效果较差和预测精度不高等问题。针对以上问题,提出一种基于樽海鞘群算法的融入注意力机制的双向长短期记忆神经网络模型——SSA-AM-BiLSTM模型。该模型使用BiLSTM学习特征的内部变化规律,引入注意力机制为特征进行权重分配,并且利用樽海鞘群算法优化网络超参数。基于具体数据集进行的负荷预测仿真实验表明,相较于GRU、LSTM、AM-BiLSTM和PSO-AM-BiLSTM模型,所提出的SSA-AM-BiLSTM模型的MAPE分别减少了2.15%、1.93%、1.42%和0.45%,并且优化了拟合效果,显著提高了预测精度。     

基于异构数据的电力短期负荷大数据预测方案

随着多种可再生能源电力的接入,电力系统正在向更智能、更灵活、交互性更高的系统过渡。负荷预测,特别是针对单个电力客户的短期负荷预测在未来电网规划和运行中发挥着越来越重要的作用。提出了一个基于异构数据的电力短期负荷大数据预测方案,该方案收集来自智能电表和天气预报的数据,预处理后将其加载到非关系型数据库中进行存储并做进一步的异构数据处理;设计并实现了一个长短期记忆递归神经网络模型,用于确定负荷分布并预测未来24 h的住宅小区用电量;最后利用一个住宅小区的智能电表数据集对提出的短期负荷预测框架进行了测试,并使用均方根误差和平均绝对百分比误差两个指标,对比了预测模型与两种经典算法的性能,验证了所提模型的有效性。     

基于SFO-GRU模型的短期负荷预测

为提高短期负荷预测精度,提出一种基于旗鱼优化算法(SFO)和GRU神经网络的短期负荷预测模型.通过使用负荷、气象等真实数据对GRU神经网络的权重参数进行训练并建立GRU预测模型,同时采用旗鱼优化算法(SFO)优化GRU模型的迭代次数、学习率和隐藏层神经元数量,仿真实验结果表明,与BP、LSTM等经典预测模型相比,SFO...     

基于CEEMD-PSO-MNN的船舶航迹预测

船舶航迹预测对保障海上交通安全具有重要意义,为进一步提高船舶航迹预测精度,提出了一种从认知神经科学和神经生理学继承的模块化设计方法用于开发神经网络,旨在通过大脑强大的功能(分而治之)来解决复杂问题。首先,利用互补集合经验模式分解算法(CEEMD)将船舶航迹时间序列分解为多个相对平稳的子序列,使其具有不同的本征模态函数及趋势项,这在一定程度上降低了航迹时间序列的复杂程度;然后,通过模糊熵(FE)量化各子序列的复杂性用于辅助模块化神经网络(MNN)任务分配;最后,将粒子群(PSO)改进的长短期记忆神经网络(LSTM)作为模块化神经网络的子网络用于解决船舶航迹时间序列预测任务。选取相关数据进行测试,验证了所提方法对船舶航迹预测的准确性和实用性。     

基于注意力机制和EMD-GRU模型的电力负荷预测

为提高非平稳性电力负荷的预测精度以及充分挖掘历史负荷数据的时序特征,本文提出了基于注意力(Attention)机制和经验模态分解(EMD)以及门控循环神经网络(GRU)组合的负荷预测方法.首先使用EMD对原始负荷数据进行EMD分解,继而得到有限个具有本征模态函数(IMF)的分量;然后考虑到各分量间的相关性,使用多层GR...     

基于模糊集理论的短期电力负荷预测

利用BP神经网络进行电力系统短期负荷预测，应用模糊集理论将天气、温度等敏感因素模糊化后作为BP神经网络的一部分输入进行训练，构造了相应于不同季节的预测模型，预测未来一天12小时负荷。典型算例的计算表明，该方法是有效的。     

基于PSO?BP神经网络的短期负荷预测算法

提出一种短期负荷预测算法,用于解决对未来能耗周期能源使用的预测问题。首先介绍短期负荷特点,分析短期负荷运行规律,并采用零相滤波器对原始负荷曲线进行预处理,相除奇异点。其次,介绍BP神经网络基本结构,并针对BP神经网络容易陷入局部极小值的缺点,采用PSO算法确定网络训练初始权值。然后,设计一种基于PSO?BP神经网络的短期负荷预测算法,包括预滤波、训练样本集建立、神经网络输入/输出模式设计、神经网络结构确定等。最后,选择上海市武宁科技园区的电科商务大厦进行负荷预测,实验结果表明,与传统的BP神经网络相比,PSO?BP神经网络用于短期负荷预测算法的精度更高,预测负荷和实际负荷之间的平均绝对误差（MAE）小于1%。     

基于EMD-LSTM-ARMA模型短期发电量组合预测

根据我国某地区2019年4月—9月某光伏电站的发电量数据,提出一种基于EMD-LSTM-ARMA的短期发电量混合预测模型。为了降低发电量序列的复杂度,首先将原始发电量数据通过经验模态分解后得到5个本征模态分量和1个残差分量,将归一化后的第一本征模态分量和第二本征模态分量数据输入设计好的LSTM网络中进行建模预测;然后通过ARMA模型对第三本征模态分量数据（IMF3）进行建模预测,再将第四本征模态分量、第五本征模态分量和残差分量进行重构得到一个低频分量,将该低频分量输入设计好的LSTM网络中进行建模预测;最终对各个分量得到的预测数据进行求和得到最终的预测值。为了表明所提算法的优良性,实证结果对比了单一LSTM和ARMA模型的预测性能,并选择了RMSE值进行了对比验证。实测结果中EMD-LSTM-ARMA的RMSE值为32.68,单一LSTM的RMSE值为58.74,单一ARMA模型的RMSE值为59.83。实证结果表明了给出的组合预测模型可以产生更高的预测准确度。     

基于遗传算法的RBF网络的短期电力负荷预测

以影响电力负荷的主要因素气象参数,建立了短期负荷预测的模型,提出了一种基于遗传算法的RBF神经网络,进行了负荷预测,使用气象参数建立神经网络模型,根据已知待预测前的历史负荷数据,预测一日24小时负荷值。通过算例进行了验证,验证了计算是可行的。     

一种基于LSTM神经网络的短期用电负荷预测方法

负荷预测目前已成为保障电力系统用电安全的重要基础工作,在我国市场经济制度持续完善过程中,能源产业也逐渐发展为以市场为导向,这就要求负荷预测要更加可靠、实时与准确.保证负荷预测的准确性,能为电力销售计划的制定奠定坚实基础并提供可靠依据,确保电网运行更加安全与经济.在智能电网时代下,电力用户侧涉及到海量数据,且用户数据具有...     

基于模块化交通流组合预测模型

短时交通流预测是智能交通系统的核心能力组件之一,为城市交通管理、交通控制和交通引导提供智能决策支撑。针对交通路网交通流呈现的非线性、动态性和时序相关性,提出一种基于模块化的交通流组合预测模型ICEEMDAN-ISSA-BiGRU。采用改进的基于完全自适应噪声集合经验模态分解(Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,ICEEMDAN)方法对交通流非线性时间序列进行分解,获取本征模态分量(Intrinsic Mode Functions,IMF);利用双向门控循环单元(Bi-directional Gate Recurrent Unit,BiGRU)挖掘交通流量序列中的时序相关性特征;基于动态自适应t分布变异方法改进麻雀搜索算法(Improved Sparrow Search Algorithm,ISSA),实现对BiGRU网络权值参数的迭代寻优,避免了短时预测结果陷入局部最优;基于公开PeMS数据集对短时交通流预测性能进行性能评估与验证。实验结果表明,所提组合模型的短时交通流预测性能优于10个传统模型,改进后的交通流量预测平均绝对误差(Mean Absolute Error,MAE)指标接近10.98,平均绝对值百分误差(Mean Absolute Percentage Error,MAPE)指标接近10.12%,均方根误差(Root Mean Square Error,RMSE)指标接近12.42,且在不同数据集下所提模型具有较好的泛化性能。     

基于深度学习的电离层参数预测研究

对于电离层参数预测,通过长短期记忆(LSTM)的预测神经网络建模实现电离层参数的短期和日均值预测.使用逐点预测和序列预测2种方法,并采用多维预测和经验模态分解(EMD)算法优化,预测电离层参数的每小时和每天的变化规律.实验结果验证了所提优化算法在提高预测电离层参数预测精度上的可行性.     

基于参数优化的超短期负荷预测调整策略

四川省电力公司调度控制中心目前已部署使用了四川并网发电厂实时调令系统,但该系统仅满足对发电单元负荷进行调整的需求,却无法实现计划曲线自动修正、对应联络线负荷变化调整实时出力的功能.本文通过对模型参数优化策略进行分析,提出了一套超短期负荷预测方案.     

变时间尺度城轨客流的本征模量分解及组合深度学习预测

城市轨道交通的不同运营状态,通常对应着客流时间序列中不同的本征模态分量(IMF)及时间尺度特征。基于自适应噪声的完全总体经验模态分解(CEEMDAN)算法和双向长短期记忆(BiLSTM)网络,该文构建了地铁短时客流时间序列的组合深度学习预测模型。具体包括：基于CEEMDAN算法实现了客流时间序列的模态分解。分别使用样本熵和层次聚类对IMF分量进行复杂性和相似度分析,并在此基础上完成IMF分量的分类合并与重构;使用Optuna框架中的树形Parzen优化器(TPE)对模型的超参数进行优化,构建CEEMDAN-TPE-BiLSTM组合预测模型。采用实际数据对该文模型进行验证,结果表明,对于特定特征的客流时间序列数据,该文模型的精确性、有效性指标均达到最优。