基于XGB-Transformer模型的短期电力负荷预测

短期电力负荷预测作为电力系统的基本组成,能够指导电力公司制定经济合理的生产调度计划。由于电力负荷数据的时序特性和非线性特性,准确作出电力负荷预测具有很大的挑战。当下深度学习不断发展,其在复杂非线性关系建模和处理时序信息等方面表现突出。文章提出一种融合XGBoost和改进Transformer模型的新型短期电力负荷预测方法 XGB-Transformer。该方法考虑时间周期和气象因素对电力负荷的影响,利用基于XGBoost的特征选择方法进行数据规约,利用改进后的Transformer模型来学习序列内部规律和序列间的长距离依赖关系,以提高预测准确性与效率。该方法在真实的电力系统负荷数据上进行实验,结果表明XGB-Transformer方法在准确率和效率2个方面均优于传统方法和其他深度学习方法,证明了其有效性。     

基于CNN-BiGRU-Attention的短期电力负荷预测

针对目前电力负荷数据随机性强,影响因素复杂,传统单一预测模型精度低的问题,结合卷积神经网络(Convolutional neural network,CNN)、双向门控循环单元(Bi-directional gated recurrent unit,BiGRU)以及注意力机制(Attention)在短期电力负荷预测上的不同优点,提出一种基于CNN-BiGRU-Attention的混合预测模型。该方法首先通过CNN对历史负荷和气象数据进行初步特征提取,然后利用BiGRU进一步挖掘特征数据间时序关联,再引入注意力机制,对BiGRU输出状态给与不同权重,强化关键特征,最后完成负荷预测。试验结果表明,该模型的平均绝对百分比误差(Mean absolute percentage error,MAPE)、均方根误差(Root mean square error,RMSE)、判定系数(R-square,R²)分别为0.167%、0.057%、0.993,三项指标明显优于其他模型,具有更高的预测精度和稳定性,验证了模型在短期负荷预测中的优势。     

基于长短期记忆的图像化短期电力负荷预测方法

“双碳”目标下,中国电力系统将呈现“双高”特点,供需平衡面临新的挑战,亟需更加精确的电力负荷预测方法。为此,提出了一种将负荷数据图像化,并应用长短期记忆（long short-term memory,LSTM）人工神经网络进行短期电力负荷预测的方法。首先,研究图像化的负荷数据表达方法,包括时序负荷曲线转换为RGB（红绿蓝三原色）格式图片及其逆过程。其次,将图像化的时序负荷数据作为LSTM的输入进行预测。最后,将预测图片进行时序曲线转化得到最终的短期负荷预测结果。此方法在丰富了负荷数据表达方式的同时,还凸显了LSTM方法在图像分析和处理上的优势。实验结果表明,该方法在一定程度上提高了短期负荷预测的精度,满足实际工程需求。     

基于相空间分析的电力负荷序列预测算法

对电力负荷时间序列进行准确预测,避免电力负荷过载,传统方法采用线性时间序列预测算法,没有考虑电力负荷时间序列的自相似性和高斯性,导致预测精度不高。提出一种基于非线性时间序列分析和相空间重构的电力负荷序列预测算法。构建了电力负荷数据的非线性时间序列分析模型,采用相空间重构方法把电力负荷数据嵌入到高相空间中,在相空间中提取电力负荷时间序列的非线性特征,实现对电力负荷时间序列的准确预测,仿真结果表明,采用该方法进行电力负荷预测的精度较高,通过相空间分析能有效反应电力负荷数据的内部结构特征,提高预测性能和电力负荷数据的特征分析能力。     

基于融合注意力机制改进双向长短时记忆网络在电动汽车充电负荷中的预测研究

电动汽车的规模化发展以及充电设施的持续建设将给电网带来重要影响,严重威胁到了电力系统频率稳定性。结合电动汽车充电负荷数据特点,在深度学习方法的基础上提出基于融合注意力机制（attention mechanism,AM）改进的双向长短时记忆网络模型（long short-term memory network, LSTM）,实现对电动汽车的优化调度。通过使用实测电动汽车充电负荷数据,比较了所提方法与已有方法的性能。结果表明,在LSTM和（bidirectional long short-term memory network, BiLSTM）分别添加了注意力机制的（long short-term memory attention network,LSTMA）和（bidirectional long short-term memory attention network,BiLSTMA）模型相对于已有方法,在预测结果评价指标上都有明显的提升,证明了注意力机制在电动汽车充电负荷序列预测上的有效性。     

基于LSTM的配电网线路超短期负荷预测方法

提出一种基于LSTM时间序列数据的配电网线路超短期负荷预测方法,该方法包括使用LSTM建模进行全天负荷预测与周期滚动预测,再利用相似日数据对周期滚动预测结果进行修正,最后通过实际算例分析,验证了该方法可准确实现配电网线路超短期负荷预测。     

基于数据负荷序列聚类的配电网电力营销实时信息系统测试

伴随现代信息技术的快速发展,在电力营销工作中构建信息系统对优化电网正常工作、推动营销活动顺利实施具有十分关键的影响。构建一种基于数据负荷序列聚类的配电网电力营销实时信息系统,当数据接口模块通过现场设备采集电力数据之后,传输至数据操作模块进行数据统计、存储并传输至基本操作模块,设备管理人员可以在基本操作模块刷新配电网电力数据;然后基于该数据通过预警模块使用基于数据挖掘多层次细节分解的负荷序列聚类分析方法,预测电力信息是否存在异常,若存在异常情况,预警模块将及时通知设备管理人员实施修复。经验证,在谐波、电压闪变两种不同的异常电力环境下,所构建系统预测精度较高、时延较短,可实现高精度、高效率的配电网电力营销实时信息管理。     

基于Attention机制的TCN-LSTM非侵入式负荷分解

非侵入式负荷分解可以从家庭电能表的总功率读数分解出各用电器的功率,对于节能减排、智能用电等均具有重要意义。针对当前深度学习在非侵入式负荷分解中存在的分解准确率低、对使用频率低的电器分解误差大等问题,提出了一种基于Attention机制的时间卷积神经网络(temporal convolutional neural network,TCN)与长短期记忆网络(long short-term memory,LSTM)相结合的序列到点非侵入式负荷分解模型。该模型首先以重叠滑动窗口方式读取功率时间序列作为网络输入,利用TCN膨胀因果卷积扩大卷积核感受野,加入残差连接和批处理规范化,加快提取深层负荷特征的效率;然后利用LSTM捕捉功率序列演化模式完成负荷分解,在TCN特征提取侧和LSTM负荷分解侧引入双重Attention机制来提取重要负荷特征和历史关键时间点信息;最后在UK-dale和REDD数据集上进行训练与测试,实验结果表明本文模型性能良好,负荷分解准确率有明显提升。     

基于相似性识别的短期负荷动态预测方法

统调日负荷的精确预测对电力充裕性保障、电力系统规划有重要指导作用。相似性识别是数据挖掘技术的重要部分,基于相似性识别原理,提出一种短期负荷预测的新方法。首先对原始数据进行属性和重复记录清洗,清洗后得到实验数据;其次在考虑数据大小相似性的同时,引入了数据趋势相似性度量。基于2种度量从历史序列中识别出与查询序列信息高度重合的序列,建立备选相似序列集;考虑时间间隔与季节因素,从备选相似序列集中选取历史最相似序列,最终实现日负荷预测;随着新信息的进入,实现高峰负荷动态预测。利用该方法对重庆统调日负荷进行模拟预测,并与BP神经网络和支持向量机方法进行对比,证明了所提方法的可行性与有效性。     

基于深度条件概率密度函数的居民电力负荷预测

居民电力负荷预测主要用于电力调度工作的停电计划,以提高供电可靠度及居民用户满意度。由于电力数据量大且不确定性因素过多,对其负荷进行预测的难度较大。现有的电力负荷预测方法无法获取电力数据的自由度数值,导致负荷预测过程稳定性差、预测结果精度低。提出一种基于深度条件概率密度函数的居民电力负荷预测方法。引入四次方核函数,得出随时间变化下居民电力负荷数据的观测值与预测值间的变量关系;通过高斯回归方程使得预测向量值符合正态分布;利用交叉验证方法提取预测值的最优自由度,通过借自由度确定分位点,根据对比分析结果确定下一随机变量的预测数据分位点,实现居民电力负荷的预测。仿真实验证明,所提方法得出的电力负荷波动结果与实测结果相吻合,预测误差可控制在0.001~0.437 MW。说明该方法预测准确性高,可为电力决策提供有效帮助。     

基于L-S-Seq2Seq的双通道超短期电力负荷预测

针对传统方法在电力负荷预测中的输入序列长度选择问题与特征提取能力弱的问题,文章提出了一种同时接受长序列和短序列输入的双通道L-S-Seq2Seq超短期负荷预测模型。该模型主要由处理长序列输入的L-Seq2Seq通道和处理短序列输入的S-Seq2Seq通道组成,2个通道的编码器均使用C-CNN-LSTM融合电力负荷的全局特征和局部特征,并生成相关的隐藏向量。通过引入注意力机制使解码器在预测不同时间负荷时关注不同时刻的隐藏向量,其中L-Seq2Seq解码器采用基于周期和时变的CC-B注意力机制,S-Seq2Seq解码器采用基于时变的C-B注意力机制,最后通过融合2种解码器的结果输出超短期电力负荷预测值。对该模型进行了公开数据集上的验证,实验结果表明,与其他对比模型相比,文章提出的模型在MAE、RMSE、MAPE指标上分别至少降低了14.58%、7.28%、16.64%,而且R2达到了0.994 5。     

基于FFT,DC-HC及LSTM的短期负荷预测方法

针对电力负荷序列非线性、随机性等特点引起的电力负荷预测精度低问题,提出一种基于快速傅里叶变换(FFT)、密度层次聚类算法(DC-HC)与长短时记忆(LSTM)神经网络相结合的短期负荷预测方法.首先,采用FFT计算出所有原始电力负荷序列对应的期望频率,并以之作为负荷聚类的特征量.然后采用DC-HC算法对负荷进行聚类,将原...     

基于关联维指数分析的电力负荷预测算法

电力负荷表现为一组非线性时间序列,通过对电力负荷的准确预测,避免电力负荷过载和用电集中拥堵,保障电网稳定可靠运行。传统方法采用Lyapunove指数分岔预测算法,由于Lyapunove指数对电力负荷的初始状态特征的敏感性,导致负荷采样样本较少时预测效果不好。提出一种基于关联维指数分析的电力负荷预测算法,构建了电力负荷时间序列的信号模型,采用级联FIR滤波器实现对电力负荷数据信息流的抗干扰滤波处理,进行信号提纯,然后对电力负荷时域信号模型进行关联维特征提取,采用关联维特征在递归图中的指数分岔性实现对负荷时间序列走势的准确预测,实现电力负荷预测算法改进。仿真实验结果表明,采用该算法进行电力负荷预测具有较好的预测准确性,指向性较好,且具有较好的抗干扰能力,在电力管理和调度中具有较好的应用性。     

基于MAC-WD-CNN-MCNN模型的超短期负荷预测

为了充分挖掘电力负荷数据中的有效信息、提高超短期负荷预测精度,提出一种基于多重聚类分析(MAC)、小波分解(WD)、卷积神经网络(CNN)和多路卷积神经网络(MCNN)的超短期负荷预测模型MACWD-CNN-MCNN。通过MAC方法筛选训练集样本,并采用WD算法对负荷进行频段分解,提取负荷细节特征,然后提出了MCNN网络结构,采用CNN网络和MCNN网络分别预测高低频负荷信号,最后通过小波重构输出负荷预测值。试验仿真结果表明,与CNN-GRU模型和MAC-WD-CNN-GRU模型相比,所提超短期负荷预测模型的RRMSE、MMAE、ssMAPE均更小,具有更高的预测精度。     

基于逆推理论改进模糊均生函数的短期负荷预测

为提高短期电力负荷预测精度,针对电力负荷序列的周期性、随机波动性等特点,提出一种基于逆推理论改进模糊均生函数的短期负荷预测模型。该模型先将模糊均生函数算法引入负荷预测领域,同时应用逆推理论改进模糊均生函数的构造过程,然后将其与最优子集回归算法相结合,建立短期负荷预测模型,最后使用该模型进行预测。以山东电网某市的负荷数据为例,对该模型进行了验证,并与实际负荷数据及传统均生函数模型的预测结果进行对比。结果表明,所提模型能有效提高短期负荷预测的精度,具有很好的实用性。     

基于EEMD-IWOA-TCN的电网短期负荷预测

为提高较少输入特征下对电网负荷的预测精度,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)、改进鲸鱼优化算法(improvewhaleoptimizationalgorithm,IWOA)和时域卷积网络(temporal convolutional network,TCN)相结合的电网负荷预测方法。首先,使用EEMD对原始序列进行分解,得到具有较高细粒度的负荷分量序列;其次,采取相关性分析对分量进行融合,对融合后的分量序列分别建立TCN预测模型;然后,使用IWOA对TCN内部的超参数进行优化,提升模型训练速度和预测性能;最后,将各分量序列的预测值进行累计,输出最终负荷预测值。实证分析表明：所提方法具有较高的预测精度和良好的鲁棒性。     

图像化数据驱动的电力系统暂态稳定性在线评估方法

目前电力系统暂态稳定性评估（TSA）大多采用标准算例生成的数据集,然而实际电网的母线、发电机、线路等电力元件的数量巨大,难以实现评估模型的实时监视和在线更新;而现有降维方法常常遗漏重要信息,导致预测精度下降。提出一种图像化数据驱动的电力系统暂态稳定性在线评估方法,将输入时间序列重新排列成二维图像,利用二维主成分分析法（2D-PCA）对原始图像进行特征降维,并建立卷积神经网络（CNN）模型进行系统稳定性预测。在IEEE-39算例中进行验证,结果表明本文所提基于2D-PCA和CNN的TSA模型在保证预测精度的同时能够大幅提高训练效率,有望推进深度学习在电力系统暂态稳定性在线评估的应用。     

基于EMD和长短期记忆网络的短期电力负荷预测研究

针对电力负荷非线性、非平稳性、时序性等特点,提出了一种基于EMD-LN-LSTM的短期电力负荷预测模型。利用经验模态分解(EMD)将经数据预处理之后的原始电力负荷数据分解为有限个内涵模态分量(IMF)和一个残差分量,以降低负荷序列的非平稳性和复杂度。将分解后的各分量分别输入到长短期记忆网络(LSTM)中进行预测,同时利用层标准化(LN)对LSTM进行规范化处理,优化网络模型。对各分量预测值进行重组,求出最终的负荷预测结果。以多伦多真实数据为算例,分别使用EMD-LN-LSTM模型和其他模型进行预测,结果表明:EMD-LN-LSTM模型24 h平均绝对百分比误差相较于RNN模型、LSTM模型分别降低了3.600%、1.864%,而拟合优度均高于RNN模型、LSTM模型,表明该模型能够更好地拟合负荷曲线,具有较高的预测精度。     

基于深度神经网络的电力负荷预测方法研究

电力负荷预测在能源领域具有重要的应用价值,电力负荷预测是电力系统运行和管理中的重要环节。准确的电力负荷预测有助于电力系统运营商提前做好供电计划,能优化资源配置,提高运营效率。随着人工智能技术的发展,基于深度神经网络的电力负荷预测方法引起了学者们的广泛关注,探究基于深度神经网络的电力负荷预测方法能有助于电力设备的稳定输出,对经济发展具有重要的现实意义。     

基于卷积神经网络的内燃机声品质评价方法研究

为解决内燃机声品质评价中人工效率低、成本高的问题,引入卷积神经网络(convolutional neural network,CNN)模型和声谱分析方法构建了CNN声品质预测模型;同时模型中设计了带通滤波器,可对噪声样本进行自动特征提取,并以此为输入数据,利用自适应时刻估计(adaptive moment estimation,Adam)算法优化网络中各层权重,并将模型用于声品质评价。为证明CNN模型预测的性能,构建了基于心理声学参量的后向传播算法(back propagation,BP)声品质评价模型,并用于对照试验,在样本标签值(人工评价值)处理时,分析了客观评价心理声学参数与评分值的相关性,选取与人工评价结果相关度最大的4个心理声学参量作为BP模型的输入值进行预测。试验结果表明,基于CNN的声品质评价模型能更精确地预测内燃机声品质,并且在CNN预测模型中基于听觉谱的输入评价值比基于时域的短时平均能量、频域的频谱通量输入评价值精度更高。