基于全信息新陈代谢的GM(1,1)电力预测

传统的灰色预测模型所需的样本容量较少,仅4个数据就可以建立灰色预测模型。虽然传统的灰预测建模较为简单,但是忽略了对预测较为有利的新信息,容易产生预测模型老化的现象,预测精度不高。全信息新陈代谢的GM(1,1)灰色预测模型更为合理、科学,全信息建模避免了局部信息建模的局限性,每预测一个结果去除原始数列的最老数据的新陈代谢处理保证了预测数列的实效性,并用Matlab实现改进GM(1,1)模型的编程计算,应用于双流县电力需求量的预测,预测精度好。

基于WOA-BP神经网络的板式定制家具车间电力预测模型

为落实家具行业的“双碳”战略,实现家具产业的结构优化升级,本文提出了一种基于WOA-BP神经网络的板式定制家具车间电力预测模型,该模型引入鲸鱼优化算法(Whale Optimization Algorithm,WOA)对传统BP神经网络进行改进,建立了WOA-BP神经网络电力预测模型。在此基础上,使用采集的试验数据对模型进行了验证。结果表明:优化后的预测模型预测准确率可达到99%以上。因此,本文提出的基于WOA-BP神经网络预测模型在板式定制家具生产车间的电力节能和管理优化问题上具有较大的参考价值和实际意义。

基于群智能优化算法的电力预测方法研究

文章以电力负荷数据为分析对象,采用基于群智能优化算法结合模糊理论的时间序列预测方法,建立电力预测模型.通过与其他聚类方法、优化方法和预测模型的比较,显示该模型的优越性和准确性.

基于主成分分析的多元回归算法在电力预测中的应用

在电力生产部门,电力预测一直是一项重要工作,通过引入多元回归算法建立相应的模型能提高电力预测的精确程度。多元回归是一种处理变量的统计相关关系的数理统计方法,现通过主成分分析来重构输入空间,以改进模型预测精度。

电力预测软件关键技术分析

规划方案的质量直接受到负荷预测的准确性影响,本文主要就负荷预测采用使用优选组合预测方法,并就设计软件中的关键技术进行分析,通过各预测结果进行比较选优,来实现电力预测的目的。

国际能源展望2006（IEO）关于世界2030年电力预测

国际能源展望2006（IE0）对世界未来电力进行的预测表明．未来世界的用电量将平均每年增长2．7％．2015年将达到21699TW·h，2020年为24371TW·h，2025年为27133TW·h，2030年为30116TW·h其中欧洲经济合作组织（OECD）成员国总计占29％（平均每年增长1．5％）．其他国家占71％（增均每年增长3．9％）。

基于大数据电力预测系统应用探究

电力需求的预测是电力服务企业制定供电项目的重要依据,因此,做好对电力需求的预测,可以让电力企业的经济运行能力的到有效的提高。本文结合大数据电力预测系统设计的要求,提出电力预测系统模式规划、电力需求模型的综合预测、电力预测系统功能设计以及基于大数据电力预测系统架构设计,再综合基于大数据电力系统预测的应用分析,从而希望提高电力需求预测的客观性和准确性,可以有效的服务电力企业和社会。

基于组合模型的电力预测方法

随着经济的发展,电力需求在全世界范围内越来越大,而其中清洁能源的发展占据了新能源开发的主导地位。在我国,风力发电是新能源发展的重中之重。可是风力发电的效率很难控制,基于风力大小的发电依赖于装机容量,或者说依赖于风电场准备发出多少电力。党风电场制造的电力高于实际需求时,由于电力的难于存储性,多余出的电力实际被浪费,当风电场制造的电力低于实际需求时,又会影响实际的工业发展与民用需求。考虑到风电场的装机容量之巨大,0.1个百分点的效率提升,都会给风电场带来巨大的经济利益。本文致力于应用组合模型于电力需求预测并得到精确的预测结果,从而指导实际运营中风电场的电力供给计划。在这篇文章中,ENNM(Elman Network Model)和ARSRM(Spline Rolling Auto-Regressive Model)被应用与短期电力数据预测与中长期电力数据预测。组合模型的测试在New South Wales的实际数据中测试。就在我们做出研究的期间,New South Wales的电力需求波动与6000k Wh与13000k Wh之间。我们通过对总体数据的分析,提出了一种新的基于电力卡方测试的分类方式。通过这种方式电力数据可以被分为7种。我们以字母A^G来命名分类后的数据。与此同时,数据会被分类为两个部分,其中的一个部分含有两个或两个以下的极值点,另一部分含有三个或三个以上的极值点,这种分类是为了帮助我们更好的研究数据特性并为我们能够更好的应用模型做出贡献。

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。

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。

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。

面向电力市场的用户侧电力电量预测综述

对电力电量准确预测,把握其不确定性和随机性对电力市场的管理和发展具有重要意义。该文首先对电力市场及其环境下电力电量预测进行了简要概述;其次,从数据预处理、预测方法和预测场景3个角度出发,对面向电力市场的用户侧电力电量预测研究现状进行了总结与分析,详细阐述了新兴负荷、考虑分布式电源的接入、考虑需求响应、面对特殊事件与极端环境和面对综合能源系统5个场景下用户电力电量预测现状;最后,对现有研究面临的挑战进行了分析,并对未来研究方向进行了展望。

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TCN-BiLSTM-AM的居民住宅短期电力负荷预测

针对当前住宅短期电力负荷预测模型存在预测精度低和特征提取困难等问题,提出一种基于TCN-BiLSTMAM的住宅电力负荷预测模型。该模型主要由TCN模型和引入注意力机制层改进的BiLSTM模型组成。首先,通过在历史数据中使用负荷曲线技术计算特征变量的输入权重,以提高数据输入的准确度和关联性;然后,采用权重匹配的方法将数据序列化输入到TCN模型进行采样训练,提取更多不同时间尺度的特征并加快训练速度,同时,构建改进的BiLSTM模型,引入AM层以提高BiLSTM网络结构的运算速度和处理长序列数据的能力,从而提高模型的泛化能力和运算速度;接着,通过对训练好的TCN模型和改进的BiLSTM模型进行加权输出初始预测值,并利用遗传算法对预测值与真实值的偏差进行偏置寻优,得到优化权重并输出最终预测结果。最后,在同一公开数据集上与RNN、LSTM、BiLSTM和TCN等模型进行对比验证,结果表明,相比较其中较好的模型,文中提出的TCN-BiLSTM-AM模型在MAE和RMSE上分别降低了40.43%和35.59%,同时R2指标为0.9957,具有更高的预测精度和更好的稳定性。

基于Tent-ASO-BP的短期电力负荷预测模型

针对短期电力负荷预测精度低与可靠性差的问题,设计一种基于Tent-ASO-BP的电力短期负荷预测模型。该模型利用了Tent混沌映射的方法,设计了一种原子种群初始化方法,其在保证个体的同时选出适应度最优的个体,增强原子种群在分布空间的均匀性,进而加快ASO算法的收敛;同时引入自适应,增加该算法的局部探索和开发能力;将改进的ASO算法应用于BP神经网络参数优化,搭建了Tent-ASO-BP预测模型对短期电力负荷进行预测。使用Matlab工具进行仿真,通过对Tent-ASO-BP、ASO-BP和BP三种算法进行实验对比,结果表明,Tent-ASO-BP网络预测模型的RMSE、MAE和MAPE分别为32.736 MW,51.783 MW和6.623%,相比于ASO-BP和BP网络预测模型有明显减少,得出该模型具有更强的迭代能力和更强的局部寻优能力,为电力系统短期电力负荷预测提供依据,具有普遍的指导意义。

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ISSA-LSTM模型的可再生能源电力需求预测

为了更精准地预测未来能源结构调整方向及成效,选用ISSA-LSTM组合预测模型对中国2023-2030年可再生能源的电力需求进行预测。首先,利用Circle混沌映射改进麻雀搜索算法(SSA)以提高搜索能力以及种群多样性;然后引入长短期记忆神经网络(LSTM)以有效捕捉可再生能源电力需求随机波动性和时序性;最后,通过ISSA-LSTM模型预测长期可再生能源的电力需求,验证测试集数据,并与其他传统模型进行对比。结果表明:ISSA-LSTM模型预测结果能够满足对可再生能源电力需求预测的精度要求;在未来2023-2030年可再生能源电力需求稳定,波动幅度不大,可达到全国用电量的1/3;利用Circle混沌映射改进策略能有效提升SSA寻优能力。与PSO算法相比,SSA算法寻找LSTM超参数最优解的能力更优,ISSA-LSTM模型预测可再生能源电力需求精度更高。

基于CNN-LSTM电力消耗预测模型及系统开发

有效预测电能负荷,对提高电力负荷时间序列测量准确度及合理制定用电能管理措施具有重要意义。针对传统预测模型在电能负荷预测中无法充分挖掘时间序列数据中隐藏特征的问题,基于电能数据时间序列的趋势,融合数值信息提出一种卷积神经网络(convolutional neuralnetwork,CNN)与长期短期记忆循环神经网络(long short-term memory network,LSTM)相结合的混合多隐层CNN-LSTM电力能耗预测模型。首先,通过设定最小目标函数作为优化目标,Adam优化算法更新神经网络的权重,并对网络层和批大小进行自适应调优以确定最佳层数和批大小。其次,构建混合多隐层模型并进行隐层组合优化与讨论,确定最佳时间维度的参数,进行时间维度的特征学习进而预测下一时间序列的耗电量。然后以某公司的电力负荷数据为例进行验证,并与LSTM、CNN、RNN等模型的预测结果分析比较。结果表明上述混合多隐层模型预测准确度达98.94%,平均绝对误差(MAE)达到0.0066,均优于其他相关模型,证明以上混合预测模型在电力负荷预测精度方面具有更好的性能。基于上述理论,开发了能耗监控决策系统,实现设备状态实时监控和能耗智能预测功能,为解决传统制造业能耗需求不精确和能源库存浪费问题提供参考和指导。

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。