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。

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BasicNet-LSTM的短期电力负荷预测模型构建

随着计算机技术的不断发展,负荷数据获取、存储难度显著下降,为人工智能技术在负荷预测中的应用提供了必要的支持。短期电力负荷预测工作是电力系统的重要工作内容,其工作质量对于电力系统正常运行具有十分重要的价值与意义。本文结合神经网络技术,针对短期符合预测应用场景,建立预测模型,最终发现,基于小批量训练、Adam算法、selu激活函数、lecun-normal权重初始化的短期电力负荷预测模型具有较高的预测精度,在实际工作情境中具有较高的应用价值。希望本文的研究内容能够为电力系统稳定运行提供一定的理论支持。

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ICEEMDAN-DCN-Transformer的短期电力负荷预测

针对传统负荷预测方法易受复杂环境因素影响的问题,提出了基于ICEEMDAN-DCN-Transformer的短期电力负荷组合预测模型,该模型将电力负荷数据通过ICEEMDAN方法分解为若干个IMF和一个Res函数,考虑复杂环境因素的影响,将分解后各分量与环境特征并行输入到DCN-Transformer中进行预测,并将各组预测数据线性相加得到完整的预测结果。以泉州市电力负荷历史数据为基础进行实验,建立4种单一预测模型和3种组合预测模型作为对比模型,对该地10 d、240 h的电力负荷序列加以预测。结果表明,相较于传统算法,所提算法可以显著提高负荷预测的精度并有效降低误差评价指标值,为电力系统的安全运行和规划制定提供理论依据。

基于多尺度模型融合和VMD-TCN-RF混合网络的短期电力负荷预测方法

为了充分挖掘不同尺度影响因子对短期电力负荷的影响,以及解决预测精度受数据非平稳特性影响的问题,提出了一种基于多尺度模型融合和VMD-TCN-RF混合网络的短期电力负荷预测方法。该方法先采用变分模态分解(Variational Mode Decomposition, VMD)将历史负荷分解为若干平稳性好的本征模态函数(Intrinsic Mode Function, IMF)分量,再把VMD分解得到的各个历史负荷的IMF分量和气象数据分别送入时间卷积网络(Temporal Convolutional Network, TCN)进行特征提取;将所有TCN网络提取的特征融合为一个新的特征向量;最后将融合得到的特征向量与经过One-Hot编码的日期因素特征向量拼接,把拼接得到的向量送入随机森林网络进行预测。通过公开的电力负荷数据集对本方法进行验证,结果表明所提方法与现有模型相比具有更高的预测精度。

基于EWT-GRU-RR的配电网短期电力负荷预测模型

随着间歇分布式电源的大规模并入,电力负荷的波动性和非线性特征日益明显,现有单一预测模型较难实现精准预测。本研究提出一种经验小波变换(EWT)、门控循环单元(GRU)和岭回归(RR)相结合的短期电力负荷预测模型EWT-GRU-RR。首先,应用灰色关联度选取与负荷高相关性的气象耦合因素,作为相似日的分类指标;然后,采用皮尔逊系数法对类别内的负荷进行最佳相似日选取以减小计算规模;接着,采用EWT将相似日负荷数据分解得到不同频率的负荷模态序列;最后,采用GRU与RR分别对不同频率模态序列进行多步预测,并将预测分量叠加得到最终负荷预测结果。实验结果表明,本研究所提模型的预测误差较单一预测模型GRU减少了77%以上,较支持向量机回归(SVR)减少了75%以上,较先采用经验模态分解(EMD)进行分解再采用径向基函数神经网络(RBF)和RR组合预测模型EMD-RBF-RR减少了75%以上,较先采用EMD进行分解再采用GRU和RR组合预测模型EMD-GRU-RR减少了76%以上,有效提高了负荷预测精度。

基于FA-SVR-LSTM组合模型的短期电力负荷预测

短期电力负荷预测作为维护电网系统运行和分析的基础,为电网系统的经济调度、安全分析提供了判断依据和信息,对维护电网系统的正常运行具有重要作用。文中采用萤火虫算法(Firefly Algorithm,FA)将SVR(Support Vector Regression)模型的惩罚因子c、核参数g和LSTM(Long Short-Term Memory)模型的神经元个数m、学习率lr进行优化,利用寻优的最佳参数建立FA-SVR-LSTM组合预测模型,并对样本数据进行预测。以佛罗里达州电力负荷历史数据为例,建立LSTM、SVR、FA-SVR和FA-LSTM4种参照模型,对该地15天360 h的电力负荷进行预测,并与FA-SVR-LSTM预测结果作比较。实验结果表明,FA-SVR-LSTM模型与LSTM模型和SVR模型相比,预测精度分别提高了33.1849%、30.3265%,且MAPE(Mean Absolute Percent Error)和RMSE(Root Mean Square Error)两种误差指标评价值低于其它4种模型。相比于其他模型,FA-SVR-LSTM组合模型预测效果得到了显著提高。

基于LSTNet模型的配电台区短期电力负荷预测研究

短期电力负荷预测作为电力系统运行规划的重要依据,对电力系统的安全经济运行有重要意义。提出一种长期和短期时间序列网络(LSTNet)模型对配电台区的短期负荷变化进行预测。该模型用卷积神经网络(CNN)提取负荷数据间的局部依赖关系,用长短时记忆(LSTM)神经网络提取负荷数据长期变化趋势,再融合传统自回归模型解决神经网络对负荷数据极端值的不敏感问题,最后将某一配电台区的电力负荷数据用于网络的训练和预测过程中。通过仿真实验案例发现,相较于以往LSTM、双向长短时记忆神经网络(Bi-LSTM)和CNN-LSTM的预测模型,LSTNet模型在短期负荷预测方面更具优势、预测精度更高。

基于EMD-Bayes-SVR组合模型的短期电力负荷预测

短期电力负荷是电力供需平衡的关键,针对短期电力负荷预测精度问题,文中提出了EMD(Empirical Mode Decomposition)-Bayes-SVR(Support Vector Regression)组合预测模型,即将原始电力负荷序列通过EMD方法分解为若干个IMF(Intrinsic Mode Function)和1个Res(Residual),依据Hurst指数将各IMF重构为高频分量、低频分量和残差分量,利用贝叶斯优化算法对SVR进行参数寻优,将寻优得到的最佳参数带入SVR并对重构后的3个分量分别进行预测,将3个分量的预测值相加得到最终预测结果。以美国内布拉斯加州的历史电力负荷数据为例,建立8种单一预测模型和7种组合预测模型作为参照模型,对该地的电力负荷序列进行预测。实验结果表明,EMD-Bayes-SVR组合预测模型能够有效预测短期电力负荷的变化趋势,其MAE(Mean Absolute Error)、RMSE(Root Mean Square Error)和MAPE(Mean Absolute Percentage Error)这3种误差评价指标数值相对于SVR模型分别降低了29.84%、32.05%和22%,并显著低于其它参照模型。

基于联合模型的短期电力负荷预测方法

为了准确预测电力负荷并提高电力系统调节和调度的灵活性、准确性,提出了基于差分自回归滑动平均和长短期记忆神经网络的短期负荷联合模型预测方法,以避免单一预测模型可能难以满足预测准确需求的情况。首先,使用差分自回归滑动平均和长短期记忆神经网络单一模型对短期电力负荷开展预测;然后,使用改进的粒子群优化算法对联合模型权重进行寻优;最后,利用最优权重将单一模型预测结果进行合并得到最终的预测结果。验证结果表明,所建立的联合模型能够对短期电力负荷进行准确的预测,且联合模型的预测精度要优于差分自回归滑动平均、长短期记忆神经网络和BP神经网络等单一模型,具有一定的工程应用价值。

基于LSTM与seq2seq模型的短期电力负荷预测方法

为了提高短期负荷预测的精度,利用长短期记忆(Long Short-Term Memory,LSTM)与seq2seq(sequence to sequence)模型预测短期电力负荷。根据电力负荷数据的组成结构和产生原理,收集历史负荷数据,通过缺失补全、归一化等步骤,完成初始收集数据的预处理。构建LSTM与seq2seq模型,利用该模型提取历史电力负荷数据特征,推导出电力负荷数据的变化规律。综合考虑了各因素对电网的影响,得到了电网的短期负荷预测结果。实验结果证明,与传统预测方法相比,在工作日和休息日中,优化设计预测方法的平均误差分别降低了5.64 kW·h和3.53 kW·h,提高了电力负荷预测精度。

基于QWDAE和HWMHGRU融合的电力系统短期负荷预测模型

为提升电力系统短期负荷预测精度,提出量子加权降噪自编码器和高速通道多层级门控循环单元神经网络融合的短期负荷预测模型。首先利用量子信息处理机制,采用量子加权神经元构建量子加权降噪自编码器,挖掘负荷序列中的有效信息作为输入特征;然后提出具有两级门控结构和高速通道结构的高速通道多层级门控循环单元,构成量子加权降噪自编码器和高速通道多层级门控循环单元融合的短期负荷预测模型。仿真结果表明,所提模型具有较好的预测精度和预测稳定性。

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。

一种基于随机森林和GRU网络的短期电力负荷预测模型

为了解决电力负荷预测中存在的影响因素过多导致模型精度下降的问题,提出一种基于随机森林和门控循环单元网络的RF⁃GRU模型。用随机森林计算袋外数据错误率,从含有时间、气象的高维数据集中筛选出高评分特征并与历史负荷数据组成新的数据集作为GRU模型的输入,以实现对某地的短期电力负荷进行预测。实验结果表明,RF⁃GRU模型的预测效果明显优于BP、GRU和LSTM模型,说明新模型用于短期电力负荷预测是可行且有效的。

二次分解策略组合Informer的短期电力负荷预测方法

针对电力负荷数据存在的波动性、非平稳性而导致预测精度低的问题,提出一种具有二次分解重构策略的深度学习电力负荷预测模型。首先,对负荷数据进行基于局部加权回归的周期趋势分解(STL)-改进的自适应噪声完备集合经验模态分解(ICEEMDAN)二次分解,通过计算样本熵和最大信息数对分量进行重构;然后在Informer模型中引入非平稳性机制,并融合卷积神经网络对重构分量进行预测;最后,将各分量的预测结果线性相加,得到最终预测结果。实验结果表明,所提方法在3个评价指标上的预测误差均低于所对比模型,证明该预测方法可以有效降低数据的非平稳性并提高预测精度。

二次指数平滑多目标组合模型电力负荷预测

为提高短期电力负荷预测精度,提出一种二次指数平滑多目标组合模型ES-BiLSTM-LSTM预测方法。通过获取负荷目标预测值和残差目标预测值,实现多目标负荷预测;利用Pearson相关系数,选取与电力负荷相关性较高的影响因素;采用双向长短期记忆神经网络(BiLSTM)和长短期记忆神经网络(LSTM)串行学习负荷数据的时序性特征和周期性特征;利用二次指数平滑法平滑处理负荷数据,获得残差项,通过LSTM模型训练和迭代,提取残差数据的波动性特征;将负荷预测值与残差预测值融合得到修正预测值。实验结果表明,该方法在MAE、MSE和RMSE上,对比3种负荷预测模型均有提升。

SSA优化混合RNN的短期电力负荷预测

针对传统短期电力负荷预测模型特征获取能力欠佳、预测精度低的问题,提出一种SSA优化CNN+BILSTM-LSTMAttention的双通道短期电力负荷预测模型。该模型构建多层CNN与BiLSTM双通道结构,提高模型的特征获取能力;利用灰色关联分析筛选温度、湿度等气象影响因素参与模型训练,同时,利用以均方误差最优为目标函数的SSA优化算法,自适应选取迭代次数、时间步等模型超参数,提高模型的预测精度。通过实验对比表明,该模型在误差指标和拟合优度指标两方面较BiLSTM-Attention、Attention-BiLSTM-LSTM等模型均有提升。

基于小波变换与BiGRU-NN模型的短期负荷预测方法

为更好地挖掘大量采集数据蕴含的有效信息,提高短期负荷预测精度,文中提出一种基于小波变换与双向门控循环单元(BiGRU)、全连接神经网络(NN)混合模型的短期负荷预测方法。文章利用小波变换将负荷特征数据分解为高频数据以及低频数据,再分别建立高频混合神经网络以及低频混合神经网络模型进行预测。在混合神经网络模型中,将负荷特征数据作为BiGRU-NN网络的输入,利用BiGRU-NN网络学习负荷非线性以及时序性特征,以此进行短期负荷预测。文中以丹麦东部地区的负荷数据作为算例,实验结果表明,该方法与GRU神经网络、DNN神经网络、CNN-LSTM神经网络相比,具有更高的预测精度。