基于MIC-ResNet-LSTM-BP的短期电力负荷预测

电力能源的合理调度是关系民生的重要问题,而合理的电能调度离不开精准的负荷预测。为有效提高负荷预测精度,提出一种基于MIC-ResNet-LSTM-BP的短期电力负荷预测方法来预测未来1天和3天的负荷。首先,采集6维负荷特征数据,利用最大信息系数(MIC)分析各影响因素与负荷的关联程度从而进行特征选择;其次,采用残差网络(ResNet)对数据进行特征提取;然后,将重构数据输入到长短时记忆网络(LSTM)挖掘数据时序特征;最后,采用Dropout层增加模型泛化能力,通过改进BP神经网络学(BPNN)习数据特征并利用Adam优化器训练模型。将以上模型与BPNN、KNN、LSTM、LSTMBPNN作对比实验,有力验证了上述模型在负荷预测领域的精准性。

基于ISSA-BP神经网络的短期风电功率预测

准确的风电功率预测对电网调度和风电消纳有着重要意义,为提高风电功率预测精度,建立一种改进的麻雀搜索算法(Sparrow Search Algorithm,SSA)优化BP神经网络的短期风电功率预测模型。采用Tent混沌映射初始化麻雀种群,以提高麻雀种群多样性和分布均匀性,增强模型的全局搜索和跳出局部最优的能力;引入黄金正弦和线性递减策略改进发现者和警戒者位置更新公式,并采用高斯变异和混沌扰动方法,提高模型的局部搜索能力,加快收敛速度。利用改进后的SSA算法去优化BP神经网络的初始权值阈值,建立ISSA-BP神经网络预测模型。经仿真验证,ISSA-BP预测模型可有效提高风电功率预测精度。

基于CEEMDAN-LSTM-CNN网络的短期电力负荷预测

短期电力负荷随机性和波动性较强,传统的负荷预测方法难以掌握短期负荷变化的规律。为提高短期电力负荷预测精度,提出一种融合自适应噪声完备集合经验模态分解(CEEMDAN)、长短时记忆(LSTM)网络、卷积神经网络(CNN)的短期电力负荷预测方法。从数据集中提取原始负荷序列,利用CEEMDAN将其分解为多个固有模式函数(IMF),降低其非稳定性;采用LSTM网络分析各分量时序特征,获得多个预测结果;将各预测结果叠加后通过CNN和全连接层分别进行特征提取和数据特征学习,获得最终负荷预测结果。将所提方法分别与基准模型及其他文献方法通过实际算例进行对比分析,结果表明,所提方法能够准确掌握负荷变化的规律,且在一天负荷预测问题中精度达到97.32%。

基于GRA-EGA-LSTM模型的短期光伏功率预测

对光伏发电功率进行预测可为电力系统调度提供参考,有利于电网的安全稳定运行。为了提高光伏发电功率预测精度,采用灰色关联度分析法(Grey Relation Analysis,GRA)寻找待预测日的相似日作为训练样本;采用精英保留遗传算法(Elitist Model of Genetic Algorithm,EGA)对长短期记忆网络(Long Short-Term Memory,LSTM)的超参数进行寻优;将相似日的光伏功率和气象因素数据作为训练样本代入超参数寻优后的长短期记忆网络进行预测。通过仿真测试,基于GRA-EGA-LSTM组合预测模型的短期光伏功率预测精度要优于传统的LSTM模型。

基于CNN-LSTM网络的短期电力负荷预测

传统的神经网络在时间相关性较强的负荷预测中精度不高。为了有效提高短期电力负荷预测精度,提出了一种基于卷积神经网络CNN和长短时记忆网络LSTM相结合的负荷预测方法。采集5维负荷特征数据,以CNN卷积层和池化层作为特征提取单元,提取数据空间耦合交互特征;将重构数据输入到LSTM网络挖掘负荷时序特征,采用Dropout技术增加模型泛化能力;利用适应性矩估计(Adam)优化器训练模型;将测试数据输入训练后的神经网络模型,预测未来1 h和12 h电负荷。实验结果表明,该负荷预测模型收敛速度和预测精度均优于改进的BP神经网络、LSTM等预测模型,其1 h负荷预测精度达到98.66%,12 h负荷预测精度达到96.81%,提高了短期电力负荷预测精度。