基于贝叶斯分类的电网系统短期负荷预测方法

随着改革的不断深化,市场对电力的需求也在不断的变化.现阶段对电力系统短期负荷预测的要求逐渐提升,传统负荷预测方法的精度并不能满足应用需求,因此,提出一种基于贝叶斯分类的电网系统短期负荷预测方法,首先要建立电网系统短期负荷预测指标,通过预测指标建立基于贝叶斯分类的预测模型,然后运用基于贝叶斯分类的预测模型,在模型计算之后...     

基于贝叶斯优化XGBoost的短期峰值负荷预测

随着电网结构愈发复杂,负荷的多样性与波动性显著增加,对预测模型提出了更高的泛化能力和精度要求。然而,传统算法存在容易过拟合、精度低等固有缺陷,难以实现复杂电网下精准的尖峰负荷预测。为此,本文提出了一种基于贝叶斯优化XGBoost的模型用于短期峰值负荷预测。首先通过特征重要度得分进行特征提取,剔除冗余特征,确保输入-输出有较优的映射关系;其次引入贝叶斯优化算法进行超参数调优,使得XGBoost的性能达到最佳状态。最后,使用中国某市电力负荷数据对所提模型的有效性进行验证,算例结果表明,与其它机器学习方法相比,贝叶斯优化XGBoost具有更高的预测精度。     

基于条件生成对抗网络的短期负荷预测

精准的短期负荷预测对电力系统制定合理生产计划、提高经济效益、保证电网安全运行具有重要意义.为学习非线性负荷数据中隐含的深层关系,提高短期负荷预测精度,文中提出一种基于条件生成对抗网络的短期负荷预测模型.所提模型使用卷积神经网络构建生成模型和判别模型,以负荷影响因素作为条件,并引入特征损失函数作为判别模型部分隐藏层的损失...     

基于贝叶斯证据框架下WLS-SVM的短期负荷预测

提出了一种基于贝叶斯证据框架下加权最小二乘支持向量机(Weighted Least Squares Support Vector Machine,WLS-SVM)的短期负荷预测模型和算法.在对历史负荷数据进行完预处理基础上,分析影响负荷变化的重要因素,然后选择最佳的输入数据作为LS-SVM训练模型的输入向量.通过贝叶斯证据三层推断寻找到模型的最佳参数:第一层推断确定LS-SVM的权向量w和偏置值b,第二层推断确定模型的超参数γ,第三层推断确定核函数的超参数σ.为了提高模型的鲁棒性,赋予了每个样本误差不同的权系数,建立了具有良好泛化性能的WLS-SVM回归模型,从而进一步提高了模型预测的精度.采用上述方法对黑龙江电网短期负荷进行了预测,结果证明了该方法具有良好的预测效果.     

基于改进AlexNet-GRU深度学习网络的配电网短期负荷预测方法

负荷预测作为电力系统规划的重要环节,对于确保电网稳定运行、实现电力供需平衡等方面具有十分重要的作用。本文提出了一种基于改进AlexNet-GRU深度学习网络的配电网短期负荷预测方法。通过聚类将日负荷曲线分为不同日类型;然后根据聚类结果,建立基于改进AlexNetGRU深度学习网络的配电网短期负荷预测模型,并与传统的负荷预测方法进行对比。对某地区2013年的负荷进行预测结果表明,本文所提方法可以有效提高预测精度。     

基于隐含数据信息挖掘的贝叶斯电采暖负荷预测

冬季电采暖负荷的准确预测对电网安全稳定运行以及电力系统调峰和调频具有重要意义。为充分挖掘冬季电采暖负荷数据中隐含信息,提出基于贝叶斯网络的多变量冬季电采暖负荷预测方法。首先将隐含信息数据中的多变量数据分为可观测数据和隐含数据,依据变量之间的影响机制搭建贝叶斯网络结构,并通过EM(Expectation Maximization Algorithm)算法训练可观测数据信息,获取隐含数据分布,进而基于可观测数据和隐含数据实现冬季电采暖负荷预测。采用北京电力公司提供的冬季电采暖负荷实测数据进行验证,结果表明,采用贝叶斯网络进行电采暖负荷预测具有较高的预测精度。     

基于自组织映射网络和遗传算法优化Elman神经网络的全网短期负荷预测模型

电网数据具有海量、高维的特点,现有的短期电力负荷预测模型无法提取用户的用电习惯.提出一种基于负荷聚类的全网短期负荷预测模型,首先采用自组织映射网络对全网负荷进行聚类,将不同特性的用户负荷曲线作为子网;然后引入遗传算法对Elman神经网络的参数进行寻优,得到针对不同子网负荷特性的差异化预测网络;最后基于负荷综合稳定度得到全网负荷预测结果.将该集成模型用于某市电网进行算例仿真,预测结果表明,所提方法比传统预测方法的准确率更高,同时适用于部分子网数据缺失而需要得到全网结果的情况.     

基于Attention机制优化CNN-GRU混合神经网络的短期负荷预测技术

电力系统负荷预测实质是对电力市场需求的预测,短期电力负荷预测是电力部门的重要工作之一。目前主要的负荷预测方法有传统预测、灰色预测、混沌理论预测、智能技术预测、优选组合预测等,其中智能预测中最典型的就是人工神经网络。人工神经网络是一个极其复杂的非线性动力学系统。它的自学习功能对预测有着重要的意义,能通过学习历史负荷数据来反映出输入变量和输出变量之间的非线性关系。由于很多因素都会对电力负荷造成影响,因此可以把神经网络算法引用到负荷预测中,提高电力负荷的预测精度。基于宁夏电网短期电力负荷预测的实际需求,提出了一种基于Attention机制优化CNN-GRU混合神经网络的短期负荷预测技术。该技术通过引入Attention机制对CNN-GRU模型进行改进,有效提升了预测精度和可解释性。在宁夏电网实际数据集上进行的仿真实验表明所提出的模型具有较高的预测准确性和可靠性。     

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。     

基于动态自适应径向基函数网络的概率性短期负荷预测

针对径向基函数(radial basis function,RBF)网络在电力系统短期负荷预测中的应用,提出了一种基于动态自适应RBF网络的概率性短期负荷预测方法。采用动态自适应最近邻聚类学习算法训练网络实现负荷预测。在此基础上,通过对历史负荷预测误差特性的统计分析,对各负荷分区内预测误差的概率密度函数建模,并结合确定性预测结果获得概率性负荷预测结果。通过分析实际电网数据,验证了该方法的实用性与有效性。     

基于贝叶斯证据框架下WLS-SVM的短期负荷预测

提出了一种基于贝叶斯证据框架下加权最小二乘支持向量机(Weighted Least Squares Support Vector Machine,WLS-SVM)的短期负荷预测模型和算法.在对历史负荷数据进行完预处理基础上,分析影响负荷变化的重要因素,然后选择最佳的输入数据作为LS-SVM训练模型的输入向量.通过贝叶斯...     

基于深度长短期记忆神经网络的短期负荷预测

传统的短期电力负荷预测模型难以处理大数据量,并且具有强随机性,预测精度难以满足智能电网发展的要求。为此,提出一种基于深度长短期记忆(deep long short-term memory,DLSTM)神经网络的数据驱动型短期负荷预测方法。使用该方法对某地区电力负荷进行预测,并将预测结果与传统方法的预测结果进行对比分析。对比结果表明,所提出的方法充分考虑了电力负荷的时序性和非线性,能深入挖掘电力用户侧数据特征,对电力负荷的短期预测性能优于传统方法,满足智能电网对短期电力负荷预测的高精度要求。     

基于CNN-LSTM混合神经网络模型的短期负荷预测方法

为了更好地挖掘海量数据中蕴含的有效信息,提高短期负荷预测精度,针对负荷数据时序性和非线性的特点,提出了一种基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合模型短期负荷预测方法,将海量的历史负荷数据、气象数据、日期信息以及峰谷电价数据按时间滑动窗口构造连续特征图作为输入,先采用CNN提取特征向量,将特征向量以时序序列方式构造并作为LSTM网络输入数据,再采用LSTM网络进行短期负荷预测。使用所提方法对江苏省某地区电力负荷数据进行预测实验,实验结果表明,文中所提出的预测方法比传统负荷预测方法、随机森林模型负荷预测模型方法和标准LSTM网络负荷预测方法具有更高的预测精度。     

电网短期负荷预测的BP-ANN方法及应用

针对电网短期负荷预测中传统方法预测精度较低的问题,提出一种基于反向传播人工神经网络（backpropagation artificial neural network,BP-ANN）短期负荷预测的方法.应用多尺度熵法对短期负荷数据进行分析,得出预测点不仅和前期临近数据相关,而且和远期历史负荷数据相关;同时运用自相关分析法,基于BP-ANN建立适合陕西电网的短期负荷预测方法,并将此方法应用于实际电网负荷中,结果表明此方法简单可行,精度较高,比较实用.     

基于改进Apriori关联分析及MFOLSTM算法的短期负荷预测

电力负荷预测结果的准确性对电力系统安全稳定运行具有重要意义。针对多气象因素影响下的短期负荷预测任务,提出改进Apriori关联度分析及飞蛾火焰优化的长短时记忆神经网络算法的电力负荷短期预测新方法。首先,提出改进Apriori算法分析气象因素与负荷之间的关联程度。依据分析结果除去非必要气象影响因素,并在此基础上引入人体舒适度评价指标。其次,将降维后气象数据结合地区负荷数据作为模型输入。最后,基于长短时记忆神经网络进行短期负荷预测建模,并结合飞蛾火焰优化算法的全局寻优能力来优化模型。通过对某地区负荷数据协同气象数据进行对比预测试验,测试结果表明该负荷预测模型能有效提升地区电网短期负荷预测性能。     

基于相关因素映射和神经网络的短期负荷预测

由于气象因素对电网负荷影响巨大,在进行短期负荷预测时必须考虑气象因素的影响。在处理负荷与相关因素之间的非线性关系时,神经网络具有其自身的优势,而如何量化不同量纲的相关因素对电网负荷的影响是一个难题。本文提出了一种基于相关因素映射和神经网络的短期负荷预测方法,训练结果表明,这种方法较传统的人工神网络预测方法精度有所提高。     

短期负荷预测中气象因素处理的费歇信息方法

在能提供大量实时负荷数据和气象数据的智能电网大数据环境下,挖掘合适的气象因素处理方法对提高短期负荷预测精度尤为重要。针对一个或多个气象变量,解决一维或多维费歇信息计算问题。在此基础上,提出基于费歇信息的气象因素建模方法及新预测模型。实际测试结果表明:采用所提模型可以获得更精确的预测结果,解决了短期负荷预测中对气象因素处理的主观随意性问题。     

基于分布式图计算的台区负荷预测技术研究

随着智能电网数据采集技术的发展,电网公司积累的海量数据为台区负荷预测提供了数据基础。该文重点研究基于Apache Spark计算框架的台区短期负荷预测技术。首先,建立了包含温度、湿度、日类型等因素及负荷时间序列的动态贝叶斯网络,作为台区负荷预测模型。其次,为解决基于海量数据的模型参数计算及大规模配变负荷预测的并行化问题,搭建了基于Spark Graph X并行图计算组件的分布式计算平台,利用Graph X的Vertex Cut和并行边检索快速计算概率矩阵,以Pregel计算模型并行处理前向-后向算法,实现预测方法的分布式集群计算,保证全局预测任务的并行化。最后,通过实验结果表明,基于分布式图计算的台区负荷预测技术具有较高的预测精度和较快的计算速度,是一种高效可行的电力大数据分析技术。     

基于PSO-WPESN的短期电力负荷预测方法

精确的短期电力负荷预测是电力生产优化调度和安全稳定运行的重要保证,是智能电网建设的重要一环。为提高模型的预测精度,提出了一种基于粒子群优化小波包回声状态神经网络的短期电力负荷预测方法。首先利用多分辨率小波包分解方法对负荷数据进行分解和重构,建立小波包回声状态网预测模型;然后,利用粒子群算法对预测模型储备池中的参数进行优化。实验结果表明:针对短期电力负荷动态时间序列数据,与BP、Elman、传统ESN等网络相比,PSO-WPESN网络的预测精度、稳定性和泛化能力都得到明显增强,尤其是能在一定程度上缓解由于输出矩阵过大造成ESN存在病态解的弊端。     

智能配电网超短期负荷状态估计模型的改进

传统的电网负荷状态估计方法存在超短期周期下实时量测在线准确率低的问题,提出一种改进的智能配电网的超短期负荷状态估计模型,其将采集到的数据反馈到数据采集服务器中。采用配电网并行分层估计方法,解决超短期实时预测节点负荷的小周期问题。融合各层的超短期负荷预测结果,得到总体配电网超短期负荷预测值。将电网负荷预测值反馈给上位机,提高状态估计的效率。实验结果说明,所设计模型对超短期负荷预测具有较高的精度和效率。