基于贝叶斯优化的CNN+LSTM的混合模型超短期负荷预测

随着时代的发展,运用模型预测用电量能有效预测未来所需电量从而能够节约电力资源,常见的预测方法有利用卷积神经网络(convolutional neural network,CNN)和长短期记忆网络(long⁃short term memory,LSTM)。本文将基于某地区某一时间段的负荷值,利用基于贝叶斯优化的CNN模型、LSTM模型和CNN+LSTM模型分别进行预测分析。实验结果表明CNN+LSTM的混合模型超短期负荷预测的平均绝对比例误差(mean absolute percentage error,MAPE)、均方根误差(root mean squared error,RMSE)、平均绝对值误差(mean absolute error,MAE)、平均偏差(mean bias error,MBE)比CNN、LSTM模型单独预测的要低,预测精度更高,并且克服了CNN的池化层会丢失一定信息的缺点及LSTM的时间序列跨度大会出现耗时偏多等问题。

基于BiLSTM网络与误差修正的超短期负荷预测

电力负荷预测对于电力系统电量供需平衡、经济运行具有重要意义,电力负荷具有随机性、波动性等不确定性特征且易受天气因素影响,负荷准确预测存在技术挑战。提出了一种基于双向长短期记忆(BiLSTM)神经网络与误差修正的超短期负荷预测模型,采用最大信息系数描述各影响因素与负荷的关系,并进一步对输入特征进行筛选;考虑负荷变量数值序列的时序性,利用BiLSTM网络建立负荷预测模型,针对预测结果误差,采用自适应噪声的完备集合经验模态分解(CEEMDAN)算法将误差结果序列分解为若干分量,每个误差分量分别再建立BiLSTM预测模型。以我国北方某地区配电网实际负荷数据为算例,采用不同神经网络模型进行对比测试,结果表明该模型具有更高的准确度。

基于时段细分训练时序网络组的超短期负荷预测

为优化能源系统的能源供应调度方案,针对时序类神经网络难以提取与利用影响负荷变化的不固定成分信息的问题,结合相关影响特征在不同时段下重要性不同的特点,提出一种基于时段细分训练时序网络组的预测方法,通过与经典的预测模型长短期记忆网络(LSTM)、可控门循环网络(GRU)、双向长短值记忆网络(BiLSTM)、双向可控门循环网络(BiGRU)的多次对比可知,该方法能有效降低相应模型负荷预测时的RMSE、MSE、MAPE与MAE值。

基于长短期记忆网络的超短期负荷预测

负荷预测的准确率会影响电力生产和经济发展,根据目前广东电力现货市场的出清机制,超短期负荷预测的准确度对未来电力现货市场出清电价有着重大影响。文章采用数据横向纵向修正法对历史负荷数据进行修正,通过长短期记忆网络(Long Short Term Memory Network,LSTM)的预测方法,同时考虑现货市场实际运行时间间隔,对未来15min的负荷进行预测。根据应用情况表明,该方法简单实用,能满足现货市场实际运行出清时的负荷预测要求。

基于相似时间序列检索的超短期负荷预测

针对目前超短期负荷预测算法存在的预测精度不稳定、实时性能不强等问题,从时序数据挖掘的重要方法——相似时间序列的检索出发,结合负荷自身的周期性变化规律,提出了一种新的超短期负荷预测方法。该方法具有简单实用的坏数据处理机制;通过扩展负荷序列相似的概念有效地增加了预测样本的数量,提高了预测样本的质量;对预测值的加权处理抵御了单样本预测带来的风险,使预测的精度稳定在一个较高水平。实际应用结果表明,该方法的预测精度高、稳定性强,能较好地满足电力系统各方面的需求。

改进的基于聚类分析的超短期负荷预测方法

分析了当前超短期负荷预测中存在的主要问题;在对大量历史负荷观测的基础上,提出并应 用聚类分析理论进行负荷变化趋势分析;通过分析,在固定分类预测算法的基础上,提出了动态分 类预测算法,该方法能够根据预测目标自动调整预测样本;大量的模拟测试表明,改进后的预测方 法能够在无需频繁维护样本的情况下,大幅提高超短期负荷预测精度,尤其是对节假日负荷预测, 效果更为明显。

多节点超短期负荷预测方法

对多节点有功和无功负荷变化规律的动态自适应超短期预测进行了深入的研究和分析,提出将负荷数据分层分区的处理方法,建立它们之间相互牵制和联系的表达,在由递推最小二乘支持向量机(RLS-SVM)算法实现顶层预测的基础上,建立输电系统多节点负荷动态行为特征的描述模型,构建了自适应动态模型的超短期负荷预测总体构架。以山东电网为例的现场测试效果验证了所述方法的可行性和有效性。

基于日周期多点外推法的超短期负荷预测及其误差分析

具有预测功能的超前自动发电控制AGC(AutomaticGenerationControl)可以提高AGC的控制性能,同时,电力市场中的实时交易也需要一种较为精确的超短期负荷预测方法。从目前常用的周期外推法出发,针对该方法的误差来源提出一种多点外推方法,并使用随机信号和数理统计方法对其精度作了分析。对预测结果的分析表明,多点外推法不仅减少了平均误差,也使最大误差降低,能有效提高预测精度。该方法简单实用,能满足电力市场实时调度的需要。

超短期负荷预测在发电市场中的应用

阐述了超短期负荷预测在实时发电市场中的重要性。在充分研究和比较多种超短期负荷预测方法的基础上 ,提出了适合发电市场的综合预测方法 ;解决了负荷伪数据处理的问题 ;

基于超短期负荷预测和混合量测的线性动态状态估计

目前电力系统量测主要是广域测量系统(wide area measurement system,WAMS)和数据采集与监控系统(supervisory control and data acquisition,SCADA)混合量测并存。利用量测变换技术,将SCADA系统下支路功率量测和节点注入功率量测转换为等效的电流相量量测,并与WAMS量测组成混合量测系统,在此基础上提出了直角坐标系下的线性动态状态估计算法。此外,采用高精度的母线超短期负荷预测并通过潮流计算得到预测值,实现了系统状态的实时跟踪预测。该算法减少了动态状态估计的计算时间,提高了动态状态估计的计算精度。采用IEEE14节点系统对提出的算法进行了验证。

基于自适应双向加权最小二乘支持向量机的超短期负荷预测

应用模糊加权最小二乘支持向量机对超短期负荷进行预测,为了体现离预测点越远的历史负荷数据对预测点负荷值的影响越不明显的特点,即'近大远小'的原则,在双向,即横向(输入样本)与纵向(训练样本集)引入时间域的隶属分布。并用快速留一法在线优化模型的参数,实现了相关参数的自适应选择,克服了应用固定系数进行预测的缺点。应用某地区的负荷数据进行了仿真预测,并应用不同的方法进行了对比。结果表明,所提出的方法与传统方法相比提高了超短期负荷的预测精度。

基于EEMD-LSSVM的超短期负荷预测

针对传统的最小二乘支持向量机(LSSVM)参数不易确定且单一预测模型精度不高的问题,提出了一种基于集合经验模态分解(EEMD)与LSSVM的组合预测模型。首先利用EEMD将历史数据分解成一系列相对比较平稳的分量序列,再对各子序列分别建立合适的预测模型。进一步通过贝叶斯证据框架来优化LSSVM的参数,用贝叶斯推理确定模型参数、正规化超参数和核参数。然后将各子序列预测结果进行叠加得到最终预测值。最后,将该预测模型用于某一家庭超短期负荷预测中,仿真结果表明,该模型取得了比单一模型更好的预测效果。

基于局部形相似的超短期负荷预测方法

在对电力负荷局部特性分析的基础上,定义了一个描述负荷序列形状相似程度的指标——负荷曲线形系数,提出了一种基于局部形相似的超短期负荷预测方法。该方法将预测时刻前一段负荷序列与各相似日同一时段负荷序列的形系数引入到超短期负荷预测中,强调基于形相似基础进行值预测,克服了现有预测方法中对各相似日采用相同权重所导致的平滑效应对拐点负荷预测的影响。研究结果表明,该方法在保证运算速度的同时,提高了总体预测准确性和拐点处的预测准确性。该改进方法可用于对现有多种超短期负荷预测方法的改进。

负荷求导法在超短期负荷预测中的应用

负荷求导法是超短期电力负荷预测的一种新方法。以负荷求导法为基础,对其中的不足进行了改进,并根据分形理论和相似日理论提出了一种历史数据处理的新方法:对历史负荷分类取样同时进行伪数据辨识处理,以提高预测精度。算法具有实现简单、运算迅速、精度高等特点。仿真表明了改进模型的有效性和算法的可行性,对于超短期负荷预测这类需要反应迅速的问题,采用本文提供的方法进行预测是可靠且非常有效的。

考虑多能时空耦合的用户级综合能源系统超短期负荷预测方法

针对用户级综合能源系统(integratedenergysystem,IES)规模小、负荷波动大、能量耦合复杂的特点,提出一种考虑多能时空耦合的超短期负荷预测方法。首先,结合K-means聚类方法和Pearson相关系数,将无明显规律的各类基本负荷单元进行"像素重构",使之在水平和竖直两个方向具有一定的关联特征;其次,利用多通道卷积神经网络(multi-channel convolutional neural network,MCNN)对多类重构后的二维负荷像素在高维空间进行特征的独立提取和统一融合;最后,将扩展气象与节假日信息的综合特征按照时序的方式输入长短时记忆网络(long short-term memory,LSTM)进行负荷预测。以某用户级IES实测负荷数据为算例进行分析,结合基本卷积神经网络(convolutionalneuralnetwork,CNN),对比是否进行像素重构和负荷特征融合的各场景下LSTM、CNN-LSTM、MCNN-LSTM方法的预测效果,结果表明,考虑像素重构和负荷特征融合的MCNN-LSTM方法可有效提高用户级IES负荷的预测精度。

考虑超短期负荷预测的储能电池参与电网一次调频控制策略

考虑电力系统调频效果和储能容量,提出一种储能参与电网一次调频的出力策略。通过超短期负荷预测曲线得到调频需求,提出了基于双层模糊控制的动态荷电状态(SOC)基准储能容量恢复策略,并给出了储能电池参与一次调频的效果评价指标与储能SOC健康度评价指标。最后,以典型区域电网为例,对所提策略在2种典型工况下进行仿真分析并与常规控制策略比较。结果表明,所提策略能够有效改善调频效果和储能SOC健康状态。

一种实用的超短期负荷预测曲线外推方法

超短期负荷预测对电网功率平衡控制具有重要作用。文中针对超短期负荷预测特点,提出一种基于曲线模式分析的曲线外推方法,并讨论了历史坏数据处理以及对当前负荷水平的特殊处理等实用性问题,以保证预测结果的稳定性。通过对几个实际系统的应用结果表明,该方法速度快,精度高,运行稳定可靠,同时具有较强的适应性。

基于短期负荷预测的超短期负荷预测曲线外推法

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PSO-OMP优化的WD-ASD超短期负荷预测

为提高负荷预测精度,降低电力系统规划决策的保守性,本文提出了一种基于小波-原子稀疏分解(WD-ASD)的超短期负荷预测模型。该模型使用模糊聚类算法提取相似日为历史数据,采用小波分解(WD)作为前置环节,以基于原子表达式的自预测和基于最小二乘支持向量机(LSSVM)的残余分量预测为基础构建原子稀疏分解(ASD)预测模型,分别对负荷的高低频分量进行预测,并将结果相加得到最终预测值。其中ASD分解过程由正弦原子库自适应匹配分解完成,并将粒子群算法(PSO)和正交匹配追踪(OMP)算法相结合以增强原子稀疏分解能力。实际负荷数据算例验证了所提方法的自适应性、快速性及有效性。

基于形态相似准则的曲线拟合算法及其在超短期负荷预测中的应用

提出了一种基于形态相似准则的曲线拟合算法,以保证拟合曲线与实际曲线的形态最相似为准则,同时引入时间影响因子。将拟合曲线方程参数的求解转化为约束极值问题,利用罚函数法将该约束极值问题转化为无约束极值问题,采用Powell方法求解该无约束极值问题。利用该算法对超短期负荷预测中的曲线拟合预测方法进行了改进,研究结果表明,该算法在保证运算速度的同时,提高了总体预测准确性和拐点处的预测准确性。