基于自适应图注意力网络的短期用户负荷预测

为提高短期用户负荷预测精度,提出了一种基于自适应图注意力网络(adaptive graph attention network,AGAT)的短期用户负荷预测模型。首先,针对用户负荷存在规模小、波动性强的问题,通过门控机制结合多个大小不同的扩张卷积核来构造时序特征提取层,从多个尺度上提取用户负荷的高维时序特征。同时,考虑到不同用户负荷间潜在的动态相关性,使用马氏距离构造动态图学习层,生成动态图邻接矩阵。然后,采用图注意力网络根据动态图邻接矩阵将用户负荷的高维时序特征进行信息汇聚。最后,通过全连接层输出用户负荷预测值。为验证AGAT模型的有效性,采用UCI电力负荷数据集进行预测实验,分别与多种基线模型比较。实验结果表明,所提模型预测指标优于各基线模型,有助于提高短期用户负荷预测精度。

基于互信息和LSTM的用户负荷短期预测

相对于系统级负荷,用户负荷具有基数小、波动性与随机性更强的特点,加大了用户负荷预测的难度。文章借助互信息与深度学习理论,提出了一种基于最大相关最小冗余(max-relevance and min-redundancy, mRMR)和长短期记忆网络(long-short term memory networks, LSTM)的用户负荷短期预测模型。首先,采用mRMR算法对特征变量进行排序并选取合适的输入变量集合,mRMR既可以保证输入变量与目标值间互信息值最大,又使得变量间冗余性最小。接着,对选取的输入变量集合建立LSTM预测模型,LSTM能较好处理和预测延迟较长的时间序列,且不会存在梯度消失和梯度爆炸现象。最后,通过算例验证了所提算法的有效性。

基于不同分布下GARCH-M族模型的短期用户负荷预测

电力负荷预测是电力系统研究的基础工作之一,而时间序列分析法是目前使用最广泛的预测方法。针对用户日度负荷时间序列存在的波动性及尖峰厚尾特征,文中提出利用均值广义自回归条件异方差(GARCH-M)族模型进行用户负荷预测。首先根据用户日度负荷时间序列的分布情况,利用拉格朗日乘数(LM)检验方法检验了负荷序列的自回归条件异方差(ARCH)效应;其次提出在高斯分布、t分布和广义误差分布(GED)3种不同分布下,根据波动补偿项的不同形式,建立GARCH-M族模型;最后结合损失函数进行预测分析,结果表明相比传统时间序列分析模型,在不同分布下的GARCH-M族模型提高了短期用户负荷预测准确度。