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.

强化数据预处理的BLSTNet-CBAM短期电力负荷预测

针对负荷数据复杂性、非平稳性以及负荷预测误差较大等问题,提出一种综合特征构建和模型优化的短期电力负荷预测新方法.首先采用最大信息系数(MIC)分析特征变量的相关性,选取与电力负荷序列相关的特征变量,同时,考虑变分模态分解(VMD)方法容易受主观因素的影响,采用霜冰优化算法(RIME)优化VMD,完成原始电力负荷序列的分解.然后改进长短期时间序列网络(LSTNet)作为预测模型,将其递归层LSTM更新为BiLSTM,并引入卷积块注意力机制(CBAM)进行预测.通过对比实验和消融实验的结果表明:经RIME-VMD优化后,LSTM、GRU、LSTNet模型预测的均方根误差(RMSE)均降低20%以上,显著提高模型预测精度,且能够适应于不同预测模型.所提出的BLSTNet-CBAM模型与LSTM、GRU、LSTNet相比,RMSE分别降低了35.54%、6.78%、1.46%,提高了短期电力负荷预测的准确性.

改进PSO-BP算法的短期电力负荷预测方法

针对电力负荷的周期性、随机波动性等复杂特点易造成预测精度低等问题,提出一种基于相似日分析、混沌映射优化粒子群算法(particle swarm optimization,PSO)和BP神经网络相结合的短期电力负荷预测方法。采用乘积法量化气象因素与时间因素间的综合相似度,选出综合相似度高的若干历史日作为相似日集;采用相似日集与非相似日集分别训练PSO-BP模型,相似日集的平均绝对百分比误差(mean absolute percentage error,MAPE)降低3.9%;利用Sine映射对PSO中粒子的速度和位置进行优化,增强PSO算法的全局搜索能力和寻优精度,采用2个集合分别训练SPSO-BP模型,相似日集的MAPE降低19.4%。结果表明,基于相似日分析和SPSO-BP模型的短期电力负荷预测方法可有效提高电力负荷的预测精度。

基于VMD-SSA-BiLSTM网络下的短期电力负荷预测

短期电力负荷预测是电力系统运控的重要部分,为提高负荷预测精度,针对实际负荷数据非线性、随机性等特征,建立了一种基于变分模态分解(VMD)下麻雀搜索算法(SSA)优化的双向长短期记忆网络(BiLSTM)的短期电力负荷预测模型。采用VMD对电力负荷数据进行分解,提取多个不同频率特征的模态分量,并引入SSA算法对BiLSTM网络参数进行优化,根据输入的模态分量建立SSA-BiLSTM预测模型进行预测。结果表明:相比于BiLSTM模型和VMD-BiLSTM模型,所建立的模型预测精度更高,拟合效果更好。

基于MA-CNN-LSTM和自注意力机制的单变量短期电力负荷预测

精准的短期电力负荷预测对保证电网安全稳定运行、能量优化管理、提高发电设备利用率和降低运行成本等具有重要作用。针对单变量场景下地区短期电力负荷预测问题,提出了一种基于多重滑动平均(moving average,MA)和卷积网络-长短期记忆网络(convolutional networks long short-term memory networks,CNN-LSTM)混合模型,并添加自注意力(Self-Attention)机制的预测方法。首先利用多重滑动平均将原始负荷数据分解为多个平稳序列,以降低数据的噪声和复杂度。接着将各一维序列数据变换为多维结构,使用CNN提取多个时间点之间的内在关系。再输入LSTM模型中训练,并使用自注意力机制进行加权融合以提高预测精度。最后把各序列预测值相加得到最终负荷预测值。为了验证该方法的有效性,在中国某地区电网间隔15 min的真实负荷数据上进行了预测实验,并将预测结果与其他常见的模型预测结果进行对比。通过实验结果表明,在单变量短期电力负荷预测问题中该方法的准确性比其他方法更高。

基于迁移模糊系统的短期电力负荷预测建模

针对电力负荷数据缺失导致预测精度降低的问题,本文提出基于TSK迁移模糊系统(TSK-TFS)结合变分模态分解(VMD)、迁移成分分析(TCA)和改进斑马优化算法(IZOA)的短期电力负荷预测模型(IZOA-VMD-TSK-TFS-TCA)。首先利用VMD将电力负荷数据分解为若干子序列,并利用TCA将与电力负荷相关的因素降维;其次对斑马优化算法进行改进,利用改进后的斑马优化算法(IZOA)对TSK-TFS的参数寻优,并利用减法聚类算法得到聚类个数,把源域中的数据输入TSK模糊系统训练得到前件参数和后件参数并保留,继承参数并利用一部分目标域数据训练得到后件参数;最后根据得到的后件参数并经过计算得到测试集(另一部分目标域数据)若干子序列的预测值,将各个子序列的预测值叠加得到短期电力负荷的预测值。仿真实验结果表明,本文提出的IZOA-VMD-TSK-TFS-TCA短期电力负荷预测模型具有较高的预测精度,经过统计检验也证实了该模型具有较优的预测性能。

基于改进二次模态分解和BiLSTM-Attention的短期电力负荷预测

针对短期电力负荷预测中变分模态分解的参数选择缺乏有效优化,采用长短期记忆神经网络预测时存在长期信息弱化等问题,提出了一种基于改进二次模态分解,并利用注意力机制重新分配神经网络中输入权重的预测方法。首先对传统二次模态分解中的分解参数采用分解损失的评价标准进行优化。然后在特征选择的基础上,将注意力机制和正反向记忆层添加到长短期神经网络中,针对各个模态分量分别进行训练预测。最后将子序列预测结果重构输出。算例分析表明,所提方法解决了预测中变分模态分解的参数选择及长期信息的弱化等问题,有效减小了分解损失,具有更高的预测精度。

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。

基于多视角时间特征的短期电力负荷预测

外部因素对电力负荷具有周期性影响,且这些影响直接反映在电力负荷值上。基于多视角表示学习思想,使用历史电力负荷预测值的不同视角作为外部因素的隐藏表示。通过对历史电力负荷数据进行特征提取,并将电力负荷分为分钟、小时和天三个时间视角,分别采用了适应性的神经网络模型进行特征提取,并引入了一个多视角特征合并模块,融合不同时间尺度上的信息来提高负荷预测准确性。实验证明,所提出的方法在西南某地区的电力负荷数据集上表现出较好的预测性能,与单一时间视角的模型相比,平均绝对误差和均方误差分别降低了12.21%和11.12%。