基于宽度和深度模型以及残差网络的综合能源负荷短期预测

针对用户级综合能源系统负荷波动大,能源耦合复杂的特点,提出一种基于深度和宽度模型(Wide&Deep)和残差网络(ResNet)框架并且采用完整集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)和主成分分析(Principal Components Analysis,PCA)的综合能源系统联合负荷预测方法。所提模型由宽度和深度两部分组成:深度部分参考ResNet拟合残差映射的思想将多个长短期神经网络(Long Short-Term Memory,LSTM)子层堆叠构建深度预测网络,深度部分数据在输入前采用CEEMDAN进行分解,并利用主成分分析对分解结果进行主要影响因素提取和排序,并通过对数据的梯级输入实现对不同信息密度数据的梯级利用;宽度部分则采用简单模型并对传统Wide&Deep-LSTM模型的Wide部分输入进行改进,有效降低了模型的训练难度。通过实际算例分析可知所提模型具有良好的预测精度和收敛速度。与常规模型相比,所提模型具有一定优越性。

基于宽度&深度学习的基站网络流量预测方法

针对无线网络流量长期预测问题,提出一种基于宽度&深度学习的基站网络流量预测方法。首先,利用S-H-ESD算法和数据平滑方法对网络流量数据进行预处理,以降低噪声数据对预测的影响;然后,将网络流量作为宽度&深度模型的深度部分(神经网络)的输入,将无线资源控制(RRC)连接数和物理资源块(PRB)利用率作为模型的宽度部分(线性模型)输入,通过结合深度部分和宽度部分来预测网络流量。所提方法为所有基站的网络流量建立一个预测模型,预测结果的均方根对数误差(RMSLE)为0.985,明显优于传统的季节性差分自回归滑动平均模型(RMSLE为2.095)和长短期记忆网络模型(RMSLE为3.281)。实验结果表明:宽度&深度模型通过结合线性模型的记忆能力和深度模型的泛化能力,能够更好地解决无线网络流量的长期预测问题。

基于Wide&Deep-XGB2LSTM模型的超短期光伏功率预测

为了充分利用电网自身的海量历史数据进行光伏功率预测,提出一种宽度&深度(Wide&Deep)框架下融合极限梯度提升(XGBoost)算法和长短时记忆网络(LSTM)的Wide&Deep-XGB2LSTM超短期光伏功率预测模型。对历史数据进行特征提取,获得时间、辐照度、温度等原始特征,在此基础上进行特征重构,通过交叉组合和挖掘统计特征构造辐照度×辐照度、均值、标准差等组合特征,并通过Filter法和Embedded法进行特征选择。在TensorFlow框架下通过算例对比验证了所提模型及特征工程工作对光伏功率预测性能的提升效果。

基于Wide&Deep-LSTM模型的短期台区负荷预测

负荷预测是电力系统经济运行的基础,其对电力系统规划和运行都极其重要。由于影响负荷预测的因素较多,因此用常规的方法很难获得较好的预测结果。随着新一代人工智能技术的兴起,尤其以深度学习和大数据技术的快速发展,为进一步提高负荷预测的精确度奠定了良好的基础。文中将深度学习方法引入到电力系统的短期台区负荷预测中,综合利用了负荷台区的电压、电流、功率以及时间等特征信息。同时在已有的长短期记忆网络(LSTM)模型和宽度&深度(Wide&Deep)模型的基础上,建立了基于Wide&DeepLSTM的深度学习短期负荷预测模型,并在此基础上进行了日前台区负荷预测。该模型能够兼具深度神经网络的学习能力与LSTM模块的时间序列信息表达特性,能够较好地解决台区电力负荷预测的多特征维度及时序性特征问题。最后利用Tensorflow深度学习框架生成了仿真模型并加以验证,仿真结果充分证明了所提方法的准确性与实用性。