基于CNN-SAEDN-Res的短期电力负荷预测方法

基于深度学习的序列模型难以处理混有非时序因素的负荷数据,这导致预测精度不足。提出一种基于卷积神经网络(CNN)、自注意力编码解码网络(SAEDN)和残差优化(Res)的短期电力负荷预测方法。特征提取模块由二维卷积神经网络组成,用于挖掘数据间的局部相关性,获取高维特征。初始负荷预测模块由自注意力编码解码网络和前馈神经网络构成,利用自注意力机制对高维特征进行自注意力编码,获取数据间的全局相关性,从而模型能根据数据间的耦合关系保留混有非时序因素数据中的重要信息,通过解码模块进行自注意力解码,并利用前馈神经网络回归初始负荷。引入残差机制构建负荷优化模块,生成负荷残差,优化初始负荷。算例结果表明,所提方法在预测精度和预测稳定性方面具有优势。

基于多维气象信息时空融合和MPA-VMD的短期电力负荷组合预测模型

为提高电力负荷预测精度,需考虑区域内不同地区多维气象信息对电力负荷影响的差异性。在空间维度上,提出多维气象信息时空融合的方法,利用Copula理论将多座气象站的风速、降雨量、温度、日照强度等气象信息与电力负荷进行非线性耦合分析并实现时空融合。在时间维度上,采用海洋捕食者算法(MPA)实现变分模态分解(VMD)核心参数的自动寻优,并采用加权排列熵构造MPA-VMD适应度函数,实现负荷序列的自适应分解。通过将时间维度各分量与空间维度各气象信息进行融合构造长短期记忆(LSTM)网络模型与海洋捕食者算法-最小二乘支持向量机(MPA-LSSVM)模型的输入集,得到各分量预测结果,根据评价指标选择各分量对应的预测模型,重构得到整体预测结果。算例分析结果表明,所提预测模型优于传统预测模型,有效提高了电力负荷预测精度。

一种时频尺度下的多元短期电力负荷组合预测方法

随机因素的增加导致电力负荷数据成分日渐复杂,使短期负荷预测的难度逐渐增大。针对该问题,提出一种时频尺度下的时间卷积网络与多元线性回归相融合的组合预测模型。利用自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)在时频域上将负荷数据分解为若干个频率特征不同的本征模态分量,在模糊熵准则下聚类为随机项和趋势项。采用皮尔逊系数从诸多影响因素中筛选出与电力负荷高度相关的特征,鉴于小时间尺度分析更易于挖掘局部细节特征,分别构建了随机项与趋势项的细颗粒度特征集。利用具有强非线性处理能力的时间卷积网络(temporal convolutional network,TCN)去预测随机项,利用结构简单及线性拟合效果好的多元线性回归(multiplelinearregression,MLR)去预测趋势项,将二者的预测结果进行叠加重构后获得最终预测值。在新加坡和比利时两组数据集上的实验结果证明:所提模型具有较高的预测精度、较好的泛化性能及鲁棒性。

最佳电力负荷空间分辨率的获取方法

空间电力负荷分析是对指定区域内电力负荷的大小、分布及其发展趋势等特点的描述与刻画。这种分析是以供电小区划分为基础而展开的。针对如何划分供电小区及其会给空间电力负荷分析带来哪些影响的问题,提出在地理信息系统环境下电力负荷空间分辨率的概念,并分别讨论空间分辨率与负荷同时率、电网规划目标、空间电力负荷预测方法、负荷预测误差之间的关系。提出最佳电力负荷空间分辨率的获取方法。得出所用空间分辨率决定了空间电力负荷分析方法的适用范围及其应用效果的结论。实例分析表明,文中所给空间分辨率获取方法和相应结论是正确的。

基于生成对抗Transformer的电力负荷数据异常检测

电力负荷异常数据将给电力系统规划、负荷预测以及用能分析等带来较大的负面影响,因此亟须对负荷数据异常进行检测与识别。首先,针对电力负荷数据异常分类、原因及其特征开展分析。其次,改进传统Transformer编码器结构,采用多头注意力层代替掩码多头注意力层,同时移除前馈网络,以提高模型对负荷时序序列的全局注意力。基于生成对抗网络(generative adversarial networks,GAN)生成器与判别器的博弈结构,提出一种改进的GAN-Transformer模型,以更好地捕捉趋势性特征并加速模型收敛。然后,引入多阶段映射与训练方法,综合焦点分数打分机制,通过分阶段负荷序列重构帮助模型更好地提取负荷数据异常特征。最后,算例分析结果表明,GAN-Transformer模型在负荷数据异常检测精确率、召回率、F_(1)值以及训练时间方面均具有更优的性能,验证了所提方法的有效性和优越性。文中研究工作为基于深度学习进一步实现电力负荷数据异常分类与数据修复提供了有益参考。

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,R~2)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。

基于极限学习机的短期电力负荷在线预测

为满足智能电网对电力负荷实时预测的需求,提出基于稀疏递归最小二乘法的极限学习机(SRLS-ELM)在线学习算法,用于短期电力负荷的在线预测.相比在线序列ELM, SRLS-ELM算法无需选择离线样本初始化网络输出权重,将网络学习的平方误差与输出权值的稀疏正则化项相结合,用l1-范数稀疏化网络隐藏层节点,用次梯度策略解决求解过程中代价函数无法处处可微的问题,以递归最小二乘的训练方法完成在线学习,根据估计误差自适应寻找最优正则化参数.仿真结果表明,基于SRLS-ELM的算法能有效简化网络结构,且与ELM、堆叠核ELM批量、在线序列ELM半在线以及精确在线支持向量机回归模型相比,对短期电力负荷在线预测时具有更高的预测精度和学习效率,且鲁棒性强.

基于IGWO-Attention-GRU的短期电力负荷预测模型

为了提高短期电力负荷的预测精度,针对电力负荷序列波动性强、复杂性高的特点,综合考虑气象因素及日期类型的影响,文中提出一种基于改进灰狼优化算法(IGWO)优化Attention-GRU网络的短期电力负荷预测模型。首先,构建Attention-GRU网络;其次,对灰狼优化算法(GWO)进行改进,并利用IGWO寻找Attention-GRU网络的超参数;最后,使用IGWO-Attention-GRU模型在电力负荷数据集上进行实验,并与多种预测模型进行比较。实验结果表明,IGWO-Attention-GRU模型的MAPE、RMSE和MAE值均为各种预测模型中最低,验证了IGWO-Attention-GRU模型的优越性。

基于变分模态分解(VMD)数据分解的多通道短期电力负荷预测模型

针对电力负荷数据的随机性与不稳定性,以及传统预测模型难以准确抓取数据的局部与全局特征的问题,提出了一种基于变分模态分解(VMD)的多通道短期电力负荷预测模型(VACCLA)。首先,该方法利用VMD将原始负荷数据分解为代表不同尺度的特征模态分量,以降低原始序列的不平稳度;然后,将多特征引入分解后的各模态分量,利用AdaBoost决策树算法对各个数据集进行加权处理,通过对数据特征进行放大或压缩,使模型更加注重于一些重要的数据特征;最后,使用CNN-CBAM+LSTM-ATT模型进行负荷预测。通过与多个预测模型进行对比实验,结果表明该模型相较于传统的预测方法具有更好的预测效果。

基于CEEMDAN-SBiGRU-OMHA的短期电力负荷预测

为了提高短期电力负荷预测的精准度,充分挖掘电力负荷数据的复杂相关性,提出了一种优化多头注意力机制的CEEMDAN-SBiGRU组合预测模型,改进了特征提取和特征融合两个模块.首先,采用自适应噪声完全集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)将电力负荷数据分解成多个内在模态函数(IMF)和一个残差信号(RES);同时引入降噪自编码器DAE挖掘数据中受气象因素、工作日类型和温度变化的潜在特征.其次,将提取到的复杂特征输入至堆叠双向门控循环单元(stacked bidirectional gated recurrent unit,SBiGRU)模块中继续学习,以获取隐藏状态.最后,将获取的隐藏状态输入至加入残差机制和层归一化优化的多头注意力(optimized multi-head attention,OMHA)机制模块,可以准确地给重要特征分配更高的权重,解决噪声干扰问题.实验结果表明,CEEMDAN-SBiGRU-OMHA组合模型具有更高的精确性.

银川市夏季最大电力负荷与气象要素的相关性分析

文章利用2022年银川市夏季(6—8月)电力用电负荷数据和气象数据,全面分析了银川市夏季小时和日电力最大负荷与气象要素的相关关系,提取了降温负荷,结果发现:银川夏季小时电力负荷与平均气温相关性最高;日最大负荷与闷热指数、最低气温和平均气温的联系更为紧密;用适当方法提取降温负荷能更好地体现与气象要素的相关性;2 d累计的风效指数和人体舒适度与降温负荷的相关性更高。

基于改进注意力机制的时间卷积网络-长短期记忆网络短期电力负荷预测

为充分挖掘蕴含在电力负荷数据中的有效时序信息,提高短期电力负荷预测准确度,本文提出一种基于改进注意力机制的时间卷积网络(TCN)-长短期记忆(LSTM)网络负荷预测模型。首先,将时序数据输入TCN模型中进行时序特征提取;然后,将所提取的时序特征与非时序数据组合,并输入LSTM模型中进行训练;最后,采用贝叶斯优化方法进行超参数寻优以获得TCN-LSTM模型的最优参数,引入通过多层感知器(MLP)改进的注意力机制以减少历史信息丢失并加强重要信息的影响,完成短期负荷预测。通过对比多种深度学习模型的预测效果表明,本文所提模型的短期电力负荷预测准确度更高。

基于STL-MIC-LSTM方法的最大电力负荷预测方法研究

随着经济社会的快速发展,对电网调度的安全稳定提出了更高的要求,准确的电网负荷预测将发挥更加重要的作用。文章运用STL方法提取气象负荷,利用MIC选取适当的气象因子,建立了基于LSTM网络和多气象因子特征、按季节分类的最大电力负荷预测模型并进行检验。利用模型预测了2023/2024年冬季银川市最大电力负荷,结果表明:STL方法能够有效地提取不同周期下的气象负荷;MIC可以较好地体现气象因子与气象负荷的非线性关系;在时间序列预测方面,LSTM网络能够较为准确地预测银川市日最大电力负荷;银川市2023/2024年冬季最大电力负荷为3161 MW,平均最大电力负荷较2022/2023年冬季偏高6%。

夏季气象电力负荷相关性分析模型修正方法——以北京为例

气象电力负荷相关性分析对电力负荷预测影响关键,需根据实际数据对相关性经验模型修正。基于综合气象指数、积温效应以及电力负荷与气象因素相关性分析经验公式,提出一种夏季气象负荷相关性模型修正方法;采用负荷趋势分析和Python爬取提取气象负荷与气象数据,提高分析数据的精准性;通过对比分析负荷与单气象因子、综合气象指数以及两种积温效应修正的相关系数,结合负荷与气象指标随时间变化趋势吻合度,确定适用于相关性分析的最优指标参数,进而构建气象负荷与最优指标参数之间的拟合关系式,并以2019年北京夏季主城区为例应用验证。结果表明,与单气象因素相比,电力负荷、气象负荷和综合气象指数的相关性更强;各综合气象指数中,基于日平均气温的酷热指数与气象负荷的相关系数最高;2种积温修正方法中,考虑累积效应系数的方法对气温的修正效果更好,修正后气温与气象负荷的相关系数提高7.39%;基于修正气温的酷热指数与气象负荷的相关性较未修正时均有所提高,与负荷的变化趋势更接近;以酷热指数和修正后温度为自变量构建的气象负荷拟合关系式与实际值的吻合度高于参考的经验公式。

基于差分隐私的个性化联邦电力负荷预测方案

为了实现兼具模型个性化和隐私保护个性化的电力负荷预测方案,文章提出了基于差分隐私的个性化联邦电力负荷预测方案。方案基于数据的缺失情况和时序特征进行集群式训练,得到适用于局部数据的本地个性化模型。在此基础上提出了个性化差分隐私保护方案,根据客户端到当前集群中心的距离调整隐私预算的分配,确保数据安全并实现客户端级别的隐私保护个性化。实验表明,算法在保证数据安全的同时,能训练得到效用较好的个性化模型。

基于大数据的电力负荷预测与优化探讨

伴随着大数据技术的不断发展,大数据技术对电力负荷的预测和优化应用也逐渐受到关注。文章论述了大数据对提高电网运行效率,推动电力系统持续发展具有重要意义。对基于大数据电力负荷预测方法进行深入分析,主要包括时间序列分析,机器学习和深度学习方法,组合预测模型和实时数据分析等。同时对电力负荷优化策略进行研究,包括需求侧管理,峰谷电价策略,分布式能源资源整合以及基于预测数据的电网升级维护方案等。本论文研究的目的是为电力系统高效,可持续地运行提供一定的理论及实践指导。

基于密度峰值聚类和改进LWLR的短期电力负荷预测

短期电力负荷数据具有复杂性和不确定性等特征,这些特征往往会对数据的预测结果产生不可控制的影响。使用传统的聚类方法对短期电力负荷数据进行聚类分析时,预测结果会因电力负荷的不确定性等特点产生偏差。此外,考虑到全局回归预测方法在建模阶段无法对不同部分的数据采用不同的建模方式,限制了对于不同分布区域或不同特征子集的自适应性能力的问题。文中采用K近邻和加权相似性的密度峰值聚类算法对短期电力负荷数据进行特征分类,并提出一种利用K近邻的局部加权线性回归模型对短期电力负荷进行预测。该模型的优点在于避免了欧氏距离对簇类中心选取的影响,降低了全局数据对局部数据的负面影响,避免了簇类划分的集中效应,提高了模型的泛化能力。通过与模糊C均值聚类和传统的全局回归预测方法对比,本文提出的模型对于真实电力数据的预测效果更加优越。

基于改进Autoformer模型的短期电力负荷预测

针对短期电力负荷预测因受天气、温度、节假日等多重不确定性因素影响而造成精度低的问题,提出一种基于改进Autoformer模型的短期电力负荷预测模型。改变序列分解预处理的惯例,设计深度模型的内部分解模块,该模块提取模型中隐藏状态的内在复杂时序趋势,使得模型具有复杂时间序列的渐进分解能力;提出Nystrom自注意力机制,该机制利用Nystrom方法来逼近标准的自注意力机制。某地电力负荷预测实验结果表明,所提模型比基于标准Autoformer模型的短期电力负荷预测模型的时间复杂度更低,准确率更高。

基于PLESN和LESQRN概率预测模型的短期电力负荷预测

针对现有电力负荷预测不能很好反映负荷数据的周期性和趋势性以及残差的波动性特征提出一种考虑周期性建模的泄露积分型回声状态网络点预测模型和泄露积分型回声状态分位数回归网络概率预测模型组合的短期电力负荷预测方法.首先为了捕捉负荷的多重特征定义了周期性和趋势性损失函数辅助优化点预测模型然后为克服残差的波动问题利用概率预测模型对点预测值与真实值的残差进行建模预测最后整合同时刻的点预测值与残差预测区间得到概率预测模型结果.实际算例结果表明与其他模型相比所提模型不仅有效抑制尖端振荡现象而且能够生成可靠的概率密度分布.

基于鹈鹕优化CNN-BiLSTM的电力负荷预测

为了提高电力负荷的预测精度,基于卷积神经网络(CNN)的空间特征提取能力、双向长短时记忆(BiLSTM)网络的时序预测性能以及鹈鹕优化算法(POA)的寻优能力,提出了一种新的基于CNN、BiLSTM、POA的组合电力负荷预测模型(POA-CNN-BiLSTM)。首先利用CNN提取电力负荷时间序列的特征向量,然后输入到BiLSTM网络进行双向循环训练,构建CNN-BiLSTM预测模型,并采用POA优化BiLSTM网络的隐藏层单元数、学习率和正则化系数等参数,最后输出电力负荷预测结果。将提出的模型应用于某区域电力负荷预测,结果表明,BiLSTM、LSTM模型预测精度优于最小二乘支持向量机(LSSVM)模型;BiLSTM模型预测精度优于LSTM模型;POA的寻优精度优于粒子群优化算法(PSO);CNN-LSTM、CNN-BiLSTM组合预测模型预测精度优于LSTM、BiLSTM模型;POA-CNN-BiLSTM模型预测精度优于POA-LSSVM、PSO-LSTM、POA-LSTM、POA-BiLSTM和POA-CNN-LSTM模型,能更好地追踪电力负荷的变化趋势。