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。

面向数据隐私保护的分布式多风电场短期功率预测

【目的】基于集中式数据的深度学习可以有效提高风功率的预测精度,但数据泄露带来的严重后果令各风电场不断重视自身数据的保密,对数据驱动的风功率预测方法造成阻碍。【方法】针对上述问题,提出一种面向数据隐私保护的分布式多风电场短期功率预测方法,利用横向联邦学习(federated learning,FL)框架完成对风电场的功率预测任务。首先,多个风电场采用分布训练方式,利用时序模式注意力(temporal pattern attention,TPA)机制和长短期记忆(long short-term memory,LSTM)网络组合成TPA-LSTM本地模型完成本地数据训练;再将这些本地模型的参数进行聚合处理,同时引入模型上传权重值,提高拟合效果好的本地模型的贡献率;最后实现全局模型参数的更新。【结果】实验结果证明,提出的方法在保证风电场数据隐私的前提下,获得的全局模型在多场景下具有良好的预测性能和泛化能力。

基于CNN-TPA-GRU的电价预测模型研究与应用

文章介绍一种解决电力市场价格波动的电价预测方法。该方法利用卷积神经网络提取输入序列的局部特征,并降维处理。同时,应用时序模式注意力机制,考虑不同时间步之间的依赖关系,为每个时间步分配权重,优化门控循环单元的输入特征。该模型在TGE数据集上进行了验证,并与其他算法进行了比较,结果在各项评价指标上均达到最优,证实了其适应性和在电力现货市场中的可行性。

基于TPA机制改进的VMD-GRU抽水蓄能机组振动预测

针对抽水蓄能机组振动趋势预测中振动信号时间序列非线性、非平稳性极强导致常规预测方法难以进行精确预测的问题,提出变分模态分解(Variational Mode Decomposition,VMD)结合时序模式注意力(Temporal Pattern Attention,TPA)机制改进的门控循环单元(Gated Recurrent Units,GRU)神经网络的抽水蓄能机组振动预测方法。利用VMD算法首先将振动信号序列分解为若干个本征模态分量(IMF),降低时间序列的非平稳性,结合其他特征参数,构建预测输入矩阵。将输入矩阵放入TPA改进的GRU神经网络中训练,利用神经网络强大的非线性特征提取能力,达到精准的预测效果。最后将本方法与GRU-TPA、结合常规注意力机制(AM)的VMD-GRU预测方法进行对比发现,基于TPA改进的VMD-GRU预测方法效果更好,能够更加准确地预测振动信号的时间变化趋势。