基于大数据的电力系统短期负荷预测*

分析了电力系统短期负荷预测的特点及影响负荷预测准确性的相关因素。阐述了传统负荷预测方法存在的不足及将大数据系统引入负荷分析过程中的优势,将传统负荷方法与大数据分析相结合,可在进行负荷分析的同时利用大数据技术将各项影响因素与大数据进行比对,减小误差提高负荷预测精度,为电力系统进行短期负荷预测提供借鉴。     

基于CNN-BiLSTM-Attention的超短期电力负荷预测

超短期电力负荷预测对电力系统的快速响应和实时调度至关重要,准确预测负荷能保障电力系统的安全并提高用电效率。为获得准确可靠的负荷预测结果,针对电网负荷数据非线性和时序性等特征,提出了一种基于CNN-BiLSTM-Attention(AC-BiLSTM)的新型超短期电力负荷预测方法。该方法首先将卷积神经网络(CNN)和双向长短期记忆(BiLSTM)网络相结合充分提取负荷数据本身的时空特征。然后引入注意力(Attention)机制自动为BiLSTM隐藏层状态分配相应的权重,以区分不同时间负荷序列的重要性,能够有效减少历史信息的丢失并突出关键历史时间点的信息。最后通过全连接层输出最终负荷预测结果。以某地区真实负荷数据为例进行了实验分析。通过两种实验场景对比,验证了该方法具有较高的预测精度,可以为电力系统规划和稳定运行提供可靠的依据。     

基于随机分布式嵌入框架及BP神经网络的超短期电力负荷预测EI北大核心CSCD

电力系统超短期负荷预测易受到气象、假日等多种因素共同作用的影响,因此,实现其精准预测较为困难。为提高预测精度,往往需要大量的历史数据进行训练。针对历史数据较少的新建初期电力系统,提出了一种基于随机分布式嵌入框架及BP神经网络的超短期电力负荷预测方法。首先,将电力系统中电力负荷变量、气象变量等各种状态变量的延迟变量视为独立的影响因素,采用BP神经网络算法针对不同组延迟变量分别进行训练和预测,得到多个预测值。然后,采用核密度估计法拟合多个预测值形成分布的概率密度函数。最后,通过期望估计法或聚合估计法计算得出电力负荷的最终预测值。选取实际负荷数据进行算例分析,结果表明,所提方法适用于训练数据较少的超短期负荷预测,且相较于几种常规预测算法具有更高的预测精度以及较强的稳定性。     

基于局部模糊推理的区域电力系统超短期负荷预算方法

为了解决传统超短期负荷预算方法误差较大的问题,提出一种基于局部模糊推理的区域电力系统超短期负荷预算方法。使用局部模糊推理定义利用的电力系统负荷历史数据,使用序偶法处理负荷数据的模糊集,计算数据的模糊度,得出时点负荷的偏离程度。规定特征时间尺度,依据特征时间尺度的数量关系,预测超短期随机电荷分量,计算电荷分量的均值,形成新的负荷序列,平滑处理得到最终的超短期负荷预算表达式,完成对区域电力系统超短期负荷的预算。实验表明:与传统基于BP神经网络的短期负荷预算方法相比,基于局部模糊推理的区域电力系统超短期负荷预算方法误差率只有0.07%,误差更小,更适合预算区域电力系统的超短期负荷。     

电力系统超短期负荷预测技术的应用与发展

从电力系统超短期负荷预测的定义及作用出发,概述超短期负荷预测的特点及方法。按照传统预测方法、现代预测方法及综合预测方法分类,对各种超短期负荷预测方法的原理、应用范围、改进及发展方向进行了综述。指出各类超短期负荷预测方法都有特定的适用场合,在实际应用时要充分考虑预测系统的实际运行特点,才能最大限度地发挥各类方法的优势。     

基于随机分布式嵌入框架及BP神经网络的超短期电力负荷预测

电力系统超短期负荷预测易受到气象、假日等多种因素共同作用的影响,因此,实现其精准预测较为困难。为提高预测精度,往往需要大量的历史数据进行训练。针对历史数据较少的新建初期电力系统,提出了一种基于随机分布式嵌入框架及BP神经网络的超短期电力负荷预测方法。首先,将电力系统中电力负荷变量、气象变量等各种状态变量的延迟变量视为独立的影响因素,采用BP神经网络算法针对不同组延迟变量分别进行训练和预测,得到多个预测值。然后,采用核密度估计法拟合多个预测值形成分布的概率密度函数。最后,通过期望估计法或聚合估计法计算得出电力负荷的最终预测值。选取实际负荷数据进行算例分析,结果表明,所提方法适用于训练数据较少的超短期负荷预测,且相较于几种常规预测算法具有更高的预测精度以及较强的稳定性。     

基于深度长短时记忆网络的区域级超短期负荷预测方法

超短期负荷预测为实时电力市场运行提供重要依据,预测准确度的提升对于揭示负荷变化的不确定性以及日前预测偏差具有重要意义。基于电力系统中含有的丰富大数据资源,提出了一种针对区域级负荷的深度长短时记忆网络超短期预测方法,该方法包括输入数据的预处理、深度长短时记忆(long short-termmemory,LSTM)网络的构建以及模型的训练和超参数的寻找等步骤。其中采用随机搜索的方法寻找最优超参数,并在该超参数下选择泛化能力最优的模型,与前沿机器学习预测算法进行对比。实验结果证实,深度LSTM网络可以取得更好的预测效果,适合于离线训练实时预测。此外,通过对隐藏层激活向量的可视化展示和相关关系定量计算,首次直观展示了深度LSTM算法对负荷数据中含有的抽象特征提取情况,证实了深度LSTM具有对输入负荷数据特征学习以及长短期相关性挖掘的能力。     

基于RAN网及小波神经网电力系统短期负荷预测

介绍电力系统负荷预测研究现状,将小波分析与神经网络相结合,构造了一种适用于非线性系统建模预测的小波神经网络。讨论运用小波神经网进行电力系统短期负荷预测的算法及在预测过程中对电网负荷数据进行预处理的方法。首次提出了RAN网新型网络结构并探讨了在电力系统短期负荷预测中的应用。分别应用2种方法对东北电网进行了72h短期负荷预测仿真。仿真结果表明,用小波神经网和RAN网进行建模预测比BP网训练步数大大减少,缩短了网络训练时间,提高了预测精度。     

居民用电负荷超短期预测研究

负荷预测是电力系统安全运行的基础，而由于居民用电负荷的随机性和波动性，可能会影响电力系统的正常运行与维护，因此准确预测居民用电负荷为电网的实时调度提供了有利指导。提出了一种基于长短时记忆型循环神经网络的居民用电负荷超短期预测方法，利用该方法的“记忆”特性挖掘负荷数据间的关联特性，建立了基于基于长短时记忆网络的居民用电负荷超短期预测模型，并和双层前馈神经网络模型仿真结果相对比，其基于长短时记忆网络的预测结果精度更高，验证了模型的有效性。     

基于BP神经网络的电力系统短期负荷预测

电力系统短期负荷预测直接影响电力企业的经济效益。对此,选择预测日前一天的电力负荷和阴晴、温度、湿度等气象特征数据作为网络的输入,预测日当天的电力负荷作为输出,建立了电力系统短期负荷BP神经网络模型。用历史负荷数据作为训练样本,对BP神经网络预测模型进行训练,用训练好的神经网络进行电力系统短期负荷预测。用真实历史数据对新疆某地区进行了电力系统负荷短期预测,结果表明,预测结果与实际值比较接近,1 d96个采样点的负荷预测平均准确率为98.45%。     

基于Lyapunov指数的电力系统短期负荷预测

采用非线性系统理论对电力系统历史负荷数据序列进行了特征分析,计算出Ｌｙａｐｕｎｏｖ指数,并利用该Ｌｙａｐｕｎｏｖ指数模式进行短期负荷预测,进而提出短期负荷预测的时间尺度的概念,这种方法不复气候和气温等数据,只利用电力系统一维峰值负荷历史数据计算出过去的变动模式进行负荷预测,就可以得到较高的预测精度,对东北电网实际负荷数据进行了预测,结果令人满意,从而为电力系统短期负荷预测提供了一种新的预测方法。     

基于 Lyapunov 指数的电力系统短期负荷预测

采用非线性系统理论对电力系统历史负荷数据序列进行了特征分析,计算出Ｌｙａｐｕｎｏｖ指数,并利用该Ｌｙａ－ｐｕｎｏｖ指数模式进行短期负荷预测,进而提出短期负荷预测的时间尺度的概念。这种方法不利用气候和气温等数据,只利用电力系统一维峰值负荷历史数据计算出过去的变动模式进行负荷预测,就可以得到较高的预测精度。对东北电网实际负荷数据进行了预测,结果令人满意,从而为电力系统短期负荷预测提供了一种新的预测方法。     

基于局部相似与神经网络的超短期负荷预测方法

为提高超短期负荷预测精度,特别是负荷曲线在拐点处的精度,在模糊聚类分析的基础上提出了一种选取局部相似日的改进模型。通过该模型选取局部相似日,并结合RBF网络提出一种新的预测超短期负荷方法。采用该方法建立2个预测模型,分别用于预测下个时刻和下一个小时段的数据。将该方法与灰色关联分析预测方法进行比较,发现该方法在预测精度上具有显著优势,证明新的预测超短期负荷方法有较高的可靠性与有效性。仿真结果表明,新的预测超短期负荷方法在工作日或休息日负荷曲线拐点处的预测上,均具有较高精度。     

电力系统负荷预测方式综述

摘电力系统负荷预测方式可分为超短期负荷预测、短期和中长期负荷预测。给出了预测原始数据采集处理、模型简介,以及预测结果的处理。     

基于LSTNet模型的配电台区短期电力负荷预测研究

短期电力负荷预测作为电力系统运行规划的重要依据，对电力系统的安全经济运行有重要意义。提出一种长期和短期时间序列网络（LSTNet）模型对配电台区的短期负荷变化进行预测。该模型用卷积神经网络（CNN）提取负荷数据间的局部依赖关系，用长短时记忆（LSTM）神经网络提取负荷数据长期变化趋势，再融合传统自回归模型解决神经网络对负荷数据极端值的不敏感问题，最后将某一配电台区的电力负荷数据用于网络的训练和预测过程中。通过仿真实验案例发现，相较于以往LSTM、双向长短时记忆神经网络（Bi-LSTM）和CNN-LSTM的预测模型，LSTNet模型在短期负荷预测方面更具优势、预测精度更高。     

采用协整检验的电力系统组合预测建模条件判定方法

对组合预测方法应用于电力系统短期负荷预测的条件进行了探讨。为了提高电力系统短期负荷预测的精度，运用计量经济学中的协整理论，对组合预测方法进行了研究，并分析了实际的负荷数据，得出应用的条件是：每种预测方法得到的预测值序列与实际负荷值序列之间应该具有协整关系，这是在电力系统短期负荷预测中采用组合预测方法的必要条件。结合实际预测数据，对协整分析方法及相关检验的实现过程进行了详细的计算说明，并对此结论的适用范围进行了介绍。     

基于深度森林算法的电力系统短期负荷预测

为了提高电力系统短期负荷预测的精确度,解决目前基于机器学习算法的负荷预测需要人为凭经验对超参数进行大量设置和调整的问题,该文将深度森林算法引入了电力系统短期负荷预测领域。深度森林算法包含多粒度扫描阶段和级联森林阶段,具有表征学习的能力。与深度神经网络相比,深度森林算法能够进行高效并行训练,无须大量人为设置和调整超参数。该文选取了某地区实际电力负荷值以及气象因素数据,分别利用了前21天和前40天的数据对深度森林算法进行训练,并将其负荷预测结果与智能算法和传统分类算法的负荷预测结果进行了对比分析。试验结果表明深度森林算法具有高效的电力系统短期负荷预测的能力。     

基于短期负荷预测的超短期负荷预测曲线外推法（Only in Chinese）

针对短期和超短期负荷预测的特点，提出了一种基于短期负荷预测的超短期负荷预测曲线外推算法。该算法充分利用了短期负荷预测已取得的成果，解决了传统采用负荷历史数据进行超短期负荷预测时在拐点、天气剧烈变化和节假日期间负荷预测精度下降的问题。为了提高负荷预测精度，还讨论了在进行超短期负荷预测时，对历史坏数据的处理以及对短期负荷预测中对拐点预测不准的修正等实用性问题。通过在四川电网调度自动化系统中的应用结果表明，该方法速度快，精度高，运行可靠稳定，具有较强的适应性。     

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。     

一种超 短期负荷预测的新方法——负荷求导法

通过分析现行超短期负荷预测方法存在的问题 ,提出了超短期负荷预测的新方法———负荷求导法 ,并与现行的一些方法结合实际数据进行误差比较 ,以较多的数据、曲线论证了负荷求导法的实用性。