Theory Study and Application of the BP-ANN Method for Power Grid Short-Term Load Forecasting

Aiming at the low accuracy problem of power system short-term load forecasting by traditional methods, a back-propagation artificial neural network （BP-ANN） based method for short-term load forecasting is presented in this paper. The forecast points are related to prophase adjacent data as well as the periodical long-term historical load data. Then the short-term load forecasting model of Shanxi Power Grid （China） based on BP-ANN method and correlation analysis is established. The simulation model matches well with practical power system load, indicating the BP-ANN method is simple and with higher precision and practicality.

Short-Term Load Forecasting Using Radial Basis Function Neural Network

An accurate short-term forecasting method for load of electric power system can help the electric power system’s operator to reduce the risk of unreliability of electricity supply. This paper proposed a radial basis function (RBF) neural network method to forecast the short-term load of electric power system. To demonstrate the effectiveness of the proposed method, the method is tested on the practical load data information of the Tai power system. The good agreements between the realistic values and forecasting values are obtained;the numerical results show that the proposed forecasting method is accurate and reliable.

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。

基于二次分解双向门控单元新型电力系统超短期负荷预测

在新型电力系统中,电力负荷随机性和波动性较强,现有预测方法难以对其实现高精度预测。为此,提出一种基于二次分解和双向门控循环单元的超短期负荷预测模型。首先,针对电力负荷的强随机性和强波动性,利用自适应噪声完备经验模态分解对电力负荷历史序列进行初步分解,使负荷序列更加平稳。随后,对初步分解得到的强非平稳分量运用连续变分模态分解进行二次分解,降低其预测难度。最后,为充分学习电力负荷的时序特征,在预测过程构建基于双向门控循环单元的超短期电力负荷预测模型。实验结果表明,该模型相较于现有优秀预测模型有更高的预测精度。

基于集群辨识和卷积神经网络-双向长短期记忆-时序模式注意力机制的区域级短期负荷预测

为了解决区域级短期电力负荷预测时输入特征过多和负荷时序性较强的问题,提出一种基于集群辨识和卷积神经网络(convolutional neural networks,CNN)-双向长短期记忆网络(bi-directional long short-term memory,BiLSTM)-时序模式注意力机制(temporal pattern attention,TPA)的预测方法。首先,将用电模式和天气作为影响因素,基于二阶聚类算法对区域内的负荷节点进行集群辨识,再从每个集群中挑选代表特征作为深度学习模型的输入,这样既能减少输入特征维度,降低计算复杂度,又能综合考虑预测区域的整体特征,提升预测精度。然后,针对区域电力负荷时序性的特点,用CNN-BiLSTM-TPA模型完成训练和预测,该模型能提取输入数据的双向信息生成隐状态矩阵,并对隐状态矩阵的重要特征加权,从多时间步上捕获双向时序信息用于预测。最后,在美国加利福尼亚州实例上分析验证了所提方法的有效性。

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。

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。

基于融合技术的中长期电力负荷预测方法

当前电力负荷预测模型在数据复杂性高、数据稀缺、模型泛化和动态社会经济因素适应性方面存在局限,影响了其在复杂电网规划中的应用。为满足电网或者大型风、光、火、储、网、荷能源基地项目的规划调度需求,提出了一种融合技术,将灰色预测、空间负荷密度预测和变分自编码器与深度因果卷积神经网络相结合,以实现中长期负荷预测。通过引入有序加权平均微分算子,融合不同预测方法,提升结果的准确性。实验结果表明,本方法相较于传统方法展现更高的准确性和鲁棒性,特别是在进行电力负荷远景预测时,所提方法能够有效提升预测的可靠性和适用性。该技术有效克服传统方法固有的数据复杂性、数据稀缺性和模型泛化问题,同时适应社会经济条件的动态变化。该方法为电网、大型源网荷储多能互补类项目的规划和发展提供有力的决策支持。

基于历史天气的区域电网负荷预测

随着社会经济的迅速发展,人们对电能的需要日益增加,但是在电网运行中,常常会出现电力产能过剩或者不足的情况,为保证电力系统安全稳定、经济运行,就必须掌握各种区域电网负荷的变化规律和发展趋势。论文对重庆市区供电分公司供电区域电网中长期负荷进行预测,提出一种预测区域电网中长期负荷的方法,即一种基于前12个月历史天气条件和区域电网负荷关联关系的多元非线性拟合的特征参数因子曲线的中长期负荷预测方法,建立基于不同算法的多种预测模型,通过归一化处理,得到的区域电网中长期负荷预测的精度高,与实际区域电网负荷之间的误差小,对于区域电网中长期负荷预测分析具有重要参考利用价值。

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.

数据驱动下造纸过程短期电力负荷预测研究

造纸过程中对于短期电力负荷量的设置,参考预测值结果,因此若发生实际负荷量大于预测结果的情况,则会导致造纸工作任务的失败。为顺利实施造纸工作任务,针对数据驱动下的造纸过程短期电力负荷预测方法展开研究。按照数据驱动模型定义条件,设计电力等效电路,并以此为基础,求解短期电力负荷空间方程,完成数据驱动下的造纸过程短期电力负荷量预估。基于数据驱动模型,构建预测决策树组织,并根据短期电力负荷向量搜索结果,确定负荷值预测参数的实际取值范围,实现数据驱动下造纸过程短期电力负荷预测方法的设计。实验结果表明,依照数据驱动模型预测值设置短期电力负荷量,可以确保实际负荷量不超过预测结果,不会造成造纸工作任务失败的问题。

基于扩大周期的电力负荷预测模型

针对现有电力负荷预测模型依赖近期数据导致预测结果偏离时间序列真实情况的问题,文中提出了基于扩大周期信息的电力负荷预测模型。将预处理完的电力负荷时间序列按照同一时刻不同天进行处理,在此基础上分别利用ARIMA(Autoregressive Integrated Moving Average Model)模型和LSTM(Long Short-Term Memory Network)模型进行建模分析,并采用3种评价指标评估模型的预测表现。预测结果表明,扩大周期信息构建的ARIMA模型的3种评价指标都比传统ARIMA模型低,对应的RMSE(Root Mean Square Error)、MAE(Mean Absolute Error)和MAPE(Mean Absolute Percentage Error)分别为32 434.114 8、5 828.390 9和0.025 2;扩大周期信息的LSTM模型也比原始LSTM模型低,对应的RMSE、MAE和MAPE分别为13 520.497 4、9 298.352 6和0.091 4。

基于深度学习的电网短期负荷预测

针对微电网短期负荷预测精度不够的问题,论文提出了一种基于双向长短时记忆(bidirectional long short-term memory,Bi-LSTM)深度学习的负荷预测方法。将影响家庭和商业负荷分布形成的参数为输入变量,以微电网的家庭和商业总负荷分布为目标,利用输入变量对Bi-STM网络进行训练,通过识别微电网的消费模式,对微电网负荷进行时预测。利用相关系数(R)、均方误差(MSE)和均方根误差(RMSE)等性能评价指标对预测结果进行分析。结果表明,Bi-LSTM方法具有较高的相关系数。

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。

VMD-Stacking集成学习的多特征变量短期负荷预测模型

针对当前短期电力负荷预测结果准确度不够高的问题,提出一种由变分模态分解(variational modal decomposition, VMD)和Stacking集成学习框架组合的多特征变量短期负荷预测模型。在预测前使用VMD算法将负荷数据分解,然后加入对模型重要性较高的特征变量,再建立由轻量级梯度提升机(light gradient boosting machine, LightGBM)与极限梯度提升机(extreme gradient boosting, XGBoost)融合的Stacking集成学习预测模型,并比较不同天气情况下对预测模型准确度的影响。经实际算例对比验证表明:多特征的VMD-Stacking集成学习预测模型的误差较小。采用VMD算法分解历史负荷序列,分解后子模态分量的周期性体现了出来,让模型预测波动性较大的负荷时更容易;温度、天气、农历和节假日情况等影响负荷变化的关键因素有被考虑到,模型的准确度得以提高;Stacking集成学习模型对各算法取长补短,泛化能力增强,预测的准确度高于单一模型。

面向虚拟电厂运营的温度敏感负荷分析与演变趋势研判

随着极端天气频发,温度敏感负荷用电逐年攀升,温度敏感负荷作为虚拟电厂优质的调控资源,亟须分析气象变化对于此类负荷的影响,由于叠加极端高温、大规模寒潮等异常天气的影响,温度敏感负荷波动剧烈,常规分析预测方法难以适应极端气象场景。针对寒潮天气下温度敏感负荷样本数据及预测精度不足的问题,提出寒潮天气小样本条件下的温度敏感负荷日最大负荷预测方法。该方法先采用时序对抗生成网络(TimeGAN)扩充寒潮期间小样本数据,再采用卷积-长短时记忆神经网络(CNN-LSTM)对寒潮期间的日最大负荷进行预测。以国内某省近两年迎峰度冬期间数据进行模型验证,结果表明所提模型优于其他模型的预测结果,在验证集上日最大负荷的预测精度为99.5%。

基于深度学习的矿井电力短期负荷预测方法

短期电力负荷预测能准确评估出煤矿的整体电力负荷变化情况,保证煤矿供电系统的安全与可靠运行。由于煤矿电力负荷预测受多种因素影响,难以实现精确预测,文章针对此问题,基于深度学习理论,提出了一种卷积神经网络(CNN)和双向门控循环单元(BiGRU)相结合的矿井电力短期负荷预测方法,并用于煤矿的实际电力负荷预测中。首先,构建了煤矿电力负荷预测的混合学习模型;然后,给出了数据处理方法,设计了模型评判指标,搭建了仿真平台并进行了多种算法的分析与对比;最后,基于组态软件开发了电力监控与预测系统,并应用于煤矿实际监控中。经现场试验表明,设计的方法可以实现对矿井短期电力负荷的准确预测,为煤矿电力系统的安全运行提供准确的决策支撑。