基于深度学习的智能型负荷预测方法的研究

基于深度学习框架,提出了一种精确高效的智能型负荷预测方法。首先,梳理了影响负荷预测精度的因素;然后,引入核范数聚类算法对负荷样本进行聚类处理;最后,基于GRU神经元搭建Seq2Seq技术框架。以某区域实际的历史负荷数据为基础,对所提方法进行了验证。实验表明,所提的智能型负荷预测方法考虑了多种影响负荷变化的因素,适应性强,能够显著地提升负荷预测的准确率。     

基于LSTM的钢铁工业地区母线短期负荷预测研究

当地区电力负荷中光伏电站并网和钢铁冲击性负荷占比较大时,不仅威胁电网的安全稳定,也会对电力系统的短期负荷预测造成显著影响。通过分析钢铁冲击性负荷的影响因素,提出一种基于深度学习算法的长短期记忆(Long Short-term Memory,LSTM)神经网络分别对钢铁冲击负荷不同占比下的母线负荷序列进行预测。实际计算结果表明:LSTM应用于钢铁工业地区母线短期负荷预测时,能够有效提升预测精度。     

基于DWT-MOSMA-SVM的多目标优化短期母线负荷预测

母线负荷基数小，波动性和不确定性大，随着光伏、风电等可再生能源的接入，母线负荷受天气等随机性因素的影响增加，母线负荷的高精度预测受到很大影响。针对小样本场景下母线负荷预测问题，提出了一种基于离散小波变换-多目标黏菌算法-支持向量机(discrete wavelet transformation-multiple objective slime mould algorithm-support vector machine, DWT-MOSMA-SVM)的多目标优化短期母线负荷预测方法。首先采用离散小波变换对母线负荷数据进行处理；然后兼顾预测的精度和稳定性两个目标函数，采用多目标黏菌算法对支持向量机的惩罚因子和核函数参数进行优化；最后在优化所得的Pareto前沿面上选择Pareto最优解，以此搭建支持向量机(support vector machine, SVM)预测模型进行训练，并将预测结果与长短期记忆网络(long short-term memory, LSTM)、未优化的SVM以及多目标黏菌算法(multi-objective slime mold algorithm, MOSSA)...     

深度神经网络在配电网公变短期负荷预测中的应用研究

精准的负荷预测关系着电力系统安全、经济和可靠运行,短期负荷预测一直是电力系统的重要研究方向之一。结合深度学习理论,基于MXNet深度学习框架,采用深度神经网络算法预测配电网公变短期负荷,考虑负荷自身历史运行状态、气象因素、变压器属性、电力用户特征等多重因素影响,对传统电力负荷预测进行了创新和探索,并通过在某省的实际应用效果表明,基于MXNet框架的深度神经网络模型训练效率良好。基于深度神经网络的短期负荷预测模型有很强的泛化能力与通用性,为不同地区、不同类型的公变建立个性化的预测模型提供了可行方法。模型部署于阿里云大数据平台,基于阿里云大数据实现了配电网公变日负荷的实时预测。     

电力系统短期负荷预测的模糊神经网络方法

针对电力系统短期负荷预测问题 ,考虑到气象因素对负荷的影响 ,提出了一种模糊神经网络的短期负荷预测方法 ,首先根据评价函数选取相似日学习样本 ,然后利用隶属函数对影响负荷的特征因素向量的分量进行模糊处理 ,采用反向传播算法 ,对 2 4点每点建立一个预测模型 ,提高了学习效能。适合在短期负荷预测中使用 ,具有较好的预测精度     

电力系统短期负荷预测的模糊神经网络方法

针对电力系统短期负荷预测问题，考虑到气象因素对负荷的影响，提出了一种模糊神经网络的短期负荷预测方法，首先根据评价函数选取相似日学习样本，然后利用隶属函数对影响负荷的特征因素向蜈的分量进行模糊处理，采用反向传播算法，对24点每点建立一个预测模型。提高了学习效能，本方法适合在短期负荷预测中使用，具有较好的预测精度。     

电力系统短期负荷预测的模糊神经网络方法

针对电力系统短期负荷预测问题 ,考虑气象因素对负荷的影响 ,提出了一种模糊神经网络的短期负荷预测方法 ,首先根据评价函数选取相似日学习样本 ,然后利用隶属函数对影响负荷的特征因素向量的分量进行模糊处理 ,采用反向传播算法 ,对 2 4点每点建立一个预测模型 ,提高了学习效能。本方法适合在短期负荷预测中使用 ,具有较好的预测精度。     

基于PSR和DBN的超短期母线净负荷预测

随着电网优化调度的精细化、智能化和计及电力系统安全性与经济性的电网高级应用的广泛采用及分布式能源的大量接入,母线负荷预测的精度要求不断提高而负荷的不确定性和非线性特征进一步增强。针对上述问题,文中提出一种基于相空间重构(PSR)和深度信念网络(DBN)的超短期母线负荷预测模型,首先采用C-C法对净负荷时间序列进行PSR,然后利用DBN对重构后的数据进行拟合并得出负荷的预测值。文中利用某市变电站实测负荷数据检验了该超短期母线负荷预测模型的有效性,证明该模型在分布式电源渗透率较高且母线负荷波动较大的情况下仍然有较高的预测精度。     

改进鲸鱼算法优化的多维度深度极限学习机短期负荷预测

电力系统短期负荷预测的准确性是影响电力系统运行安全的关键因素。以更精准进行短期负荷预测为目标，提出了一种基于改进鲸鱼算法（Improved Whale Optimization Algorithm,IWOA）优化的多维度深度极限学习机（Deep Extreme Learning Machine,DELM）短期负荷预测方法。首先，针对传统鲸鱼算法（Whale Optimization Algorithm,WOA）初始种群分布不够广泛的问题，引入Tent混沌映射对初始鲸鱼种群初始化；其次针对极限学习机模型（Extreme Learning Machine,ELM）数据深层隐藏的信息学习能力差的问题，采用深度极限学习机作为基础负荷预测模型，并以改进鲸鱼算法对其进行参数寻优；最后考虑到温度、湿度等因素对负荷变化影响较大，建立多维度IWOA-DELM负荷预测模型。仿真结果表明，与其他模型相比，多维度的IWOA-DELM模型预测的准确度更高。     

基于Wide&Deep-LSTM模型的短期台区负荷预测EI北大核心CSCD

负荷预测是电力系统经济运行的基础,其对电力系统规划和运行都极其重要。由于影响负荷预测的因素较多,因此用常规的方法很难获得较好的预测结果。随着新一代人工智能技术的兴起,尤其以深度学习和大数据技术的快速发展,为进一步提高负荷预测的精确度奠定了良好的基础。文中将深度学习方法引入到电力系统的短期台区负荷预测中,综合利用了负荷台区的电压、电流、功率以及时间等特征信息。同时在已有的长短期记忆网络(LSTM)模型和宽度&深度(Wide&Deep)模型的基础上,建立了基于Wide&DeepLSTM的深度学习短期负荷预测模型,并在此基础上进行了日前台区负荷预测。该模型能够兼具深度神经网络的学习能力与LSTM模块的时间序列信息表达特性,能够较好地解决台区电力负荷预测的多特征维度及时序性特征问题。最后利用Tensorflow深度学习框架生成了仿真模型并加以验证,仿真结果充分证明了所提方法的准确性与实用性。     

基于相似日的超短期母线负荷概率性区间预测

为了满足电网调度的实时控制需要,较为准确地预测配电网中低压侧35kV和10kV母线的超短期负荷,结合超短期负荷预测和母线负荷预测的特点,提出了一种基于相似日的超短期母线负荷概率性区间预测方法。利用模式聚类和模式识别的方法分析了历史负荷数据,选取了相似日,并以负荷求导法为基础,得出历史负荷的预测值,计算历史负荷的预测误差,通过统计历史预测误差分布进行概率性区间预测,得到一定置信水平下的预测区间。实例计算结果表明,基于相似日的超短期母线负荷概率性区间预测的准确率为97.36%,该方法提高了母线负荷预测的准确度和计算速度,适合工程实际应用。     

基于Wide&Deep-LSTM模型的短期台区负荷预测

负荷预测是电力系统经济运行的基础,其对电力系统规划和运行都极其重要。由于影响负荷预测的因素较多,因此用常规的方法很难获得较好的预测结果。随着新一代人工智能技术的兴起,尤其以深度学习和大数据技术的快速发展,为进一步提高负荷预测的精确度奠定了良好的基础。文中将深度学习方法引入到电力系统的短期台区负荷预测中,综合利用了负荷台区的电压、电流、功率以及时间等特征信息。同时在已有的长短期记忆网络(LSTM)模型和宽度深度(WideDeep)模型的基础上,建立了基于WideDeepLSTM的深度学习短期负荷预测模型,并在此基础上进行了日前台区负荷预测。该模型能够兼具深度神经网络的学习能力与LSTM模块的时间序列信息表达特性,能够较好地解决台区电力负荷预测的多特征维度及时序性特征问题。最后利用Tensorflow深度学习框架生成了仿真模型并加以验证,仿真结果充分证明了所提方法的准确性与实用性。     

基于模糊理论及神经网络的电力短期负荷预测方法

分析了电力短期负荷的构成及其影响因素的特点，结合模糊技术和神经网络。设计了用于电力短期负荷预测的神经网络。利用模糊技术及相似性原理对作为BP神经网络训练样本的电力负荷按天气特征进行分类识别，同时对带有噪音的训练样本提出了处理方法。针对BP神经网络的不足，提出了改进算法；并用实际例子对上述电力短期负荷预测神经网络进行了例证。     

基于GRU-NN模型的短期负荷预测方法

目前基于统计分析和机器学习的预测方法难以同时兼顾负荷数据的时序性和非线性特点。文中提出了一种基于GRU-NN模型的短期电力负荷预测方法。该方法基于深度学习思想处理不同类型的负荷影响因素,引入门控循环单元(GRU)网络处理具有时序性特点的历史负荷序列,建模学习负荷数据内部动态变化规律,其输出结果与其他外部影响因素(天气、日类型等)融合为新的输入特征,使用深度神经网络进行处理,整体分析特征与负荷变化的内在联系,最后完成负荷预测。以美国某公共事业部门提供的公开数据集和中国某地区的负荷数据作为实际算例,该方法预测精度分别达到了97.30%和97.12%,并与长短期记忆神经网络、多层感知机以及GRU神经网络方法进行对比,实验结果表明所提方法具有更高的预测精度和更快的预测速度。     

电力系统短期负荷预测的模糊神经网络方法

针对电力系统短期负荷预测问题,考虑气象因素对负荷的影响,提出了一种模糊神经网络的短期负荷预测方法,首先根据评价函数选取相似日学习样本,然后利用隶属函数对影响负荷的特征因素向量的分量进行模糊处理,采用反向传播算法,对24点每点建立一个预测模型,提高了学习效能.本方法适合在短期负荷预测中使用,具有较好的预测精度.     

电力系统短期负荷预测的模糊神经网络方法

针对电力系统短期负荷预测问题,考虑到气象因素对负荷的影响,提出了一种模糊神经网络的短期负荷预测方法,首先根据评价函数选取相似日学习样本,然后利用隶属函数对影响负荷的特征因素向量的分量进行模糊处理,采用反向传播算法,对24点每点建立一个预测模型,提高了学习效能,适合在短期负荷预测中使用,具有较好的预测精度。     

基于多源数据和模型融合的超短期母线负荷预测方法

母线负荷预测对于电网调度运行的安全性和在线分析决策的准确性具有重要的意义.为了进一步提高母线负荷预测精度,提出了一种基于多源数据和模型融合的超短期母线负荷预测方法.结合当前电力大数据,首先将历史负荷数据、日期信息以及天气信息等多类型数据作为预测模型的输入特征,并建立基于BP-ANN(back propagation)神...     

基于CEEMDAN-LSTM-CNN网络的短期电力负荷预测

短期电力负荷随机性和波动性较强，传统的负荷预测方法难以掌握短期负荷变化的规律。为提高短期电力负荷预测精度，提出一种融合自适应噪声完备集合经验模态分解(CEEMDAN)、长短时记忆(LSTM)网络、卷积神经网络(CNN)的短期电力负荷预测方法。从数据集中提取原始负荷序列，利用CEEMDAN将其分解为多个固有模式函数(IMF)，降低其非稳定性；采用LSTM网络分析各分量时序特征，获得多个预测结果 ；将各预测结果叠加后通过CNN和全连接层分别进行特征提取和数据特征学习，获得最终负荷预测结果。将所提方法分别与基准模型及其他文献方法通过实际算例进行对比分析，结果表明，所提方法能够准确掌握负荷变化的规律，且在一天负荷预测问题中精度达到97.32%。     

基于序列分解的母线负荷降噪预测方法

新型电力系统背景下，分布式电源和用户侧行为的多样性使母线负荷稳定性不足，对负荷短期预测提出了新的挑战。为此，提出一种基于序列分解的母线负荷降噪预测方法，将变分模态分解方法的构造与分解规则应用到母线负荷序列分解中，针对序列分解后的余项，利用局部加权回归方法进行平滑处理，实现母线负荷降噪预测。基于某地区母线负荷有功功率实测数据，构建循环神经网络对降噪后的母线负荷进行预测，结果表明该方法能够去除母线负荷序列噪声，序列趋于光滑且保留了原始母线负荷序列的特征，具有优良的预测曲线和精确的预测结果。     

基于多特征提取的Attention-BiGRU短期负荷预测方法

电力负荷预测在电力系统发展中起着重要的作用,为供电提供了重要的指导。短期电力负荷预测(STLF)可以在短时间内保证电网的安全和稳定。为解决预测精度不足且数据集单一缺乏参考因素的问题,提出一种基于多特征提取并结合注意力机制的双向门控循环单元(Attention-BiGRU)网络短期电力负荷预测方法。预测模型采用门控循环单元(GRU)的基本结构,在已有数据特征的基础上进行时间特征与数据分布特征提取,将所有特征作为负荷预测的影响因素,然后使用注意力机制对输入序列进行权重分配,使用双向门控循环单元(BiGRU)网络对特征进行学习并输出负荷预测值。仿真结果表明,基于多特征提取的Attention-BiGRU网络表现优于传统高斯回归预测方法、GRU网络、多特征提取的BiGRU网络和BiGRU网络。