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.

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。

基于改进联邦学习算法的电力负荷预测方法

针对电力用户在数据隐私保护下的负荷预测问题,提出了基于改进联邦学习算法的电力负荷预测方法。首先,构建了基于横向联邦学习的多用户电力负荷预测框架,在此基础上,针对传统联邦学习算法预测精度不高、易受恶意攻击的问题,提出基于余弦相似度的优化局部模型更新与全局模型加权聚合方式的FedSTA(federated similaritytrainingandaggregation)算法。采用实际负荷数据的算例结果表明,所提框架训练出的全局模型具有可观的预测精度与一定的泛化能力。除此之外,与FedAvg算法、FedAdp算法相比,FedSTA算法训练出的全局模型精度有明显提升。最后,验证了FedSTA算法的鲁棒性和对受攻击客户端的识别能力,结果表明,该算法能准确识别受到攻击的客户端并赋予其较小的聚合权重,相较于FedAvg算法,全局模型预测精度受到的影响显著降低。

基于N-BEATS与辅助编码器的短期电力负荷预测

短期电力负荷预测的准确性对智能电网平稳高效运行具有重要意义,但多种因素影响下的负荷数据具有较强的非平稳性与随机波动性,使得高精度的短期电力负荷预测面临挑战。为充分挖掘负荷序列中的趋势特征与周期性特征,准确提取与电力负荷存在潜在相关性的辅助信息特征,提升短期电力负荷预测精度,该文提出了一种基于神经基扩展分析(neural basis expansion analysis,N-BEATS)与辅助编码器的短期电力负荷预测模型。该模型包含两个并行的编码器,基于神经基扩展分析(neural basis expansion analysis,N-BEATS)模型的负荷特征编码器和基于多头注意力机制的辅助信息编码器,分别用于学习负荷数据中的时序特征与辅助信息特征。同时,构建特征融合模块将时序特征和辅助信息特征构造成联合特征向量,并设计基于门控循环单元(gated recurrent unit,GRU)的预测解码器模块进行短期电力负荷预测。在GEFCom2014公开数据集上进行实验,结果表明所提方法与长短期记忆(long short-termmemory,LSTM)网络模型、卷积神经网络(convolutional neural network,CNN)-LSTM网络模型、序列到序列(sequence-to-sequence,Seq2Seq)网络模型、季节自回归差分移动平均(seasonal autoregressive integrated moving average,SARIMA)模型及支持向量回归模型(support vector returns,SVR)等基线模型相比,在预测精度方面具有明显优势,平均绝对百分比误差(mean absolute percentage error,MAPE)平均提升了24.16%。

结合LSTM和自注意力机制的图卷积网络短期电力负荷预测

针对现有电力负荷预测模型建模工作量大、时空联合表征不足、预测精度低等问题,提出了一种结合长短期记忆(LSTM)网络和自注意力机制的图卷积网络(GCN)的短期电力负荷预测模型GCNLS-STLF。首先,利用LSTM和自注意力机制将原始多维时间序列数据转化为包含序列间关联关系的电力负荷图;然后,通过GCN、LSTM和图傅里叶变换(GFT)对电力负荷图进行特征提取;最后,使用全连接层对特征进行重构,并利用残差进行多次预测,以增强原始电力负荷数据的表达能力。在摩洛哥与巴拿马某电站的真实历史电力负荷数据上进行的短期电力负荷预测实验结果显示,与支持向量机(SVM)、LSTM、混合模型CNN-LSTM和基于注意力的CNN-LSTM(CNN-LSTM-attention)等预测模型相比,GCNLS-STLF在摩洛哥全部电力负荷测试集上的平均绝对百分比误差(MAPE)分别降低1.94、0.90、0.49和0.37个百分点;在巴拿马电力负荷测试集上的3月份MAPE分别降低1.39、0.94、0.38和0.29个百分点,6月份MAPE分别降低1.40、0.99、0.35和0.28个百分点。实验结果表明,GCNLS-STLF能有效提取电力负荷的关键特征,预测效果较好。

基于DBO-VMD和IWOA-BILSTM神经网络组合模型的短期电力负荷预测

新能源在现代电力系统中占比不断提高,其负荷不规律性、波动性远大于传统电力系统,这就导致负荷预测精度不高。针对这个问题,提出了蜣螂优化(dung beetle optimizer,DBO)算法优化变分模态分解(variational mode decomposition,VMD)与改进鲸鱼优化算法优化双向长短期记忆(improved whale optimization algorithm-bidirectional long short-term memory,IWOA-BILSTM)神经网络相结合的短期负荷预测模型。首先利用DBO优化VMD,分解时间序列数据,并根据最小包络熵对各种特征数据进行分类,增强了分解效果。通过对原始数据进行有效分解,降低了数据的波动性。然后使用非线性收敛因子、自适应权重策略与随机差分法变异策略增强鲸鱼优化算法的局部及全局搜索能力得到改进鲸鱼优化算法(improved whale optimization algorithm,IWOA),并用于优化双向长短期记忆(bidirectional long short-term memory,BILSTM)神经网络,增加了模型预测的精确度。最后将所提方法应用于某地真实的负荷数据,得到最终相对均方根误差、平均绝对误差和平均绝对百分比误差分别为0.0084、48.09、0.66%,证明了提出的模型对于短期负荷预测的有效性。

基于ICEEMDAN分解重构的BiLSTM-KELM短期电力负荷预测

短期电力负荷预测在维持电力系统稳定运行、优化资源配置中发挥着至关重要的作用。针对电力负荷数据的复杂性和随机性以及现有预测模型的低精度问题,提出了一种新型的短期电力负荷预测模型。该模型包括改进的自适应噪声完备集经验模态分解(improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN)和排列熵(permutation entropy,PE)重构部分,以及双向长短期记忆神经网络(bidirectional long short-term memory,BiLSTM)与核极限学习(kernel extreme learning machine,KELM)预测部分。首先,使用ICEEMDAN将复杂的负荷数据分解成n个相对平稳的子序列,从而降低数据的随机性,并引入排列熵来计算每个子序列的PE值来进行重构,有效减小了模型的计算规模。其次,采用BiLSTM模型来挖掘数据之间的内在联系,对各个重构序列进行学习和预测。最后,利用KELM对重构序列的预测值进行非线性拟合,进一步提高预测精度。实验结果表明:ICEEMDAN-PE-BiLSTM-KELM模型比传统长短期记忆神经网络(long short-term memory,LSTM)模型的均方根误差(root mean square error,RMSE)降低了106.05 MW,平均绝对误差(mean absolute error,MAE)降低了62.34 MW,平均绝对百分比误差(mean absolute percentage error,MAPE)降低了0.877%,可见该模型能够更好地解决数据的复杂性和随机性,同时提高预测精度。

基于改进粒子群算法优化LSTM的短期电力负荷预测

电力负荷数据具备时序性和非线性特征,长短时记忆神经网络(LSTM,long short-term memory)可以有效处理上述数据特性。然而LSTM算法性能对预置参数具有极大的依赖性,依靠经验设定的参数会使模型具有较低的泛化性能,降低了预测效果。为解决上述问题,提出非线性动态调整惯性权重粒子群算法(NIWPSO,nonlinear dynamic inertia weight strategy particle swarm optimization)与LSTM相结合的预测模型NIWPSO-LSTM。利用非线性动态调整惯性权重的方法来提升PSO的全局寻优能力,再通过NIWPSO对LSTM的参数进行优化。实验结果表明,NIWPSO-LSTM预测精度要远高于其他模型,验证了所提方案的可行性。

基于SF-Transformer的智能教育平台短期电力负荷预测研究

建设智能教育平台是推动教育智能化的一个重要过程,但智能教育平台依赖的人工智能模型在训练过程中会消耗大量电力,因此,开展短期电力负荷预测对建设智能教育平台具有重要意义.针对在考虑多个属性开展短期电力负荷预测时,由于部分属性与电力负荷数据的相关性不强并且Transformer无法捕捉电力负荷数据的时间相关性,而导致电力负荷预测不够准确的问题,基于SR(Székely and Rizzo)距离相关系数、融合时间定位编码和Transformer,提出了一种短期电力负荷预测模型SF-Transformer.SF-Transformer通过SR距离相关系数对影响电力负荷数据的属性进行筛选,选择与电力负荷数据之间SR距离相关系数较大的属性.SF-Transformer采用一种全局时间编码与局部位置编码相结合的融合时间定位编码,有助于模型全面获取电力负荷数据的时间定位信息.在数据集上开展了实验,实验结果表明SF-Transformer与其他模型相比,在两种时长上进行电力负荷预测具有更低的均方根误差和平均绝对误差.

基于CEEMDAN模态分解和TCN-BiGRU的短期电力负荷预测

为了深入分析复杂的短期电力负荷变化规律和其长期相关性,提出了一种基于自适应噪声完备集合经验模态分解(CEEMDAN)的时间卷积网络(TCN)与双向门控循环单元(BiGRU)的融合模型。采用CEEMDAN方法将完整的电力负荷数据分解成多个本征模态函数序列和残差项序列,通过时间卷积网络模型的扩展卷积策略提取时间序列的特征;结合双向门控循环单元的非线性拟合能力进一步提取TCN训练输出的非线性特征。实验结果表明,在短期电力负荷预测中,所提模型预测的决定系数为96.6%、平均绝对百分比误差为3.82%、平均绝对误差为45.5,各项指标均优于对比模型。

基于KLPP-K-means-BiLSTM的台区短期电力负荷预测

随着智能电网的发展,各场景的用电更加多元化,而准确的台区负荷预测是确保相关电力部门制定合适检修任务的关键,同时为有序用电、电网经济运行提供重要参考。为了挖掘台区负荷的特征以提高台区负荷预测的精度,提出了一种基于核主元分析与局部保持投影降维、K均值聚类算法(K-means)以及双向长短时记忆网络(BiLSTM)的台区电力负荷预测方法。首先利用核局部保持投影(KLPP)对台区多特征负荷数据进行降维以提取主要特征信息;然后采取K-means聚类算法将相似特征的数据归类成各自的簇集;最后针对聚类后的各典型类型,有针对性地训练BiLSTM,并选取中国某高校低压台区负荷作为算例与其他经典预测方法进行对比分析,结果表明所提方法更拟合实际负荷走向,有效提升了预测效果。