电力短期负荷时间序列混沌相空间重构参数优选法

采用混沌相空间重构方法进行电力短期负荷预测时,负荷时间序列的延迟时间τ、嵌入维数m以及预测参考点的选取对预测效果有很大的影响。该文通过电力短期负荷重构吸引子的形状和自相关函数确定电力短期负荷时间序列的最佳嵌入时间窗Γ;根据电力短期负荷的m、τ与Γ的函数关系确定m、τ的多组最佳匹配,证明了m、τ的最佳匹配对于负荷伸缩和平移的不变性;提出了选择预测参考点的适用而有效的方法,该方法分为粗搜索和细搜索2个过程,粗搜索主要根据距离选出一定数量的邻近点,细搜索主要根据相点演化的相关性排除“伪邻近点”。实际电网负荷预测的仿真结果验证了提出的电力短期负荷时间序列相空间重构参数优选法的正确性与有效性。

电力短期负荷时间序列混沌特性分析的技术改进

电力短期负荷具有混沌特性。通过深入研究其混沌吸引子的形状、关联维数及最大Lyapunov指数,发现这些混沌特征数对电力短期负荷预测具有重要意义。在相空间重构的基础上,经研究发现电力短期负荷二维相图两坐标间延迟时间为8时,其混沌吸引子能得到最好的再现;对计算关联维数的G-P算法中关键参数的选取提出了简单易行的方法,使该算法更易于操作;对计算最大Lyapunov指数的小数据量方法做进一步改进,提出了一套固定参数,并用Henon系统数据验证了该方法的有效性。用上述改进方法进一步分析了电力短期负荷的混沌特性。

基于改进注意力机制的时间卷积网络-长短期记忆网络短期电力负荷预测

为充分挖掘蕴含在电力负荷数据中的有效时序信息,提高短期电力负荷预测准确度,本文提出一种基于改进注意力机制的时间卷积网络(TCN)-长短期记忆(LSTM)网络负荷预测模型。首先,将时序数据输入TCN模型中进行时序特征提取;然后,将所提取的时序特征与非时序数据组合,并输入LSTM模型中进行训练;最后,采用贝叶斯优化方法进行超参数寻优以获得TCN-LSTM模型的最优参数,引入通过多层感知器(MLP)改进的注意力机制以减少历史信息丢失并加强重要信息的影响,完成短期负荷预测。通过对比多种深度学习模型的预测效果表明,本文所提模型的短期电力负荷预测准确度更高。

基于时间序列聚类算法优化下的多变量短期负荷预测模型研究

为提高短期负荷预测的精度问题,针对短期负荷预测的特点,采用了对海量序列数做数据增强聚类操作,和外部输入变量(天气因素)并行处理,提出了基于时间序列聚类算法优化下的多变量短期负荷预测模型,并对某电力售电公司进行了实际操作。结果表明:该方法大幅提升了模型的预测精度和实用能力。

基于改进SLIQ算法的用户侧短期负荷时间序列预测模型

配电网净负荷需求较大,环境敏感度高,短期负荷预测可靠性较差,由此,研究基于改进SLIQ算法的用户侧短期负荷时间序列预测模型。采用SLIQ算法,分类处理包含气候变化的海量负荷数据,分析用户侧需求响应的不确定性,将分类后的数据和用户需求响应率输入基于时间序列的组合预测模型,初步预测用户侧短期负荷结果;利用S型函数的神经网络模型,改进SLIQ算法求解过程,采用梯度搜索学习的方式,修正S型激发函数计算误差,调整用户侧需求响应的不确定性,输出用户侧短期负荷预测结果。测试结果显示,该模型结合气象条件因素后,完成历史负荷数据分类的可行性较高,日负荷预测准确率和拟合系数结果分别在0.95和0.94以上,能够可靠完成用户侧负荷预测。

基于多视角时间特征的短期电力负荷预测

外部因素对电力负荷具有周期性影响,且这些影响直接反映在电力负荷值上。基于多视角表示学习思想,使用历史电力负荷预测值的不同视角作为外部因素的隐藏表示。通过对历史电力负荷数据进行特征提取,并将电力负荷分为分钟、小时和天三个时间视角,分别采用了适应性的神经网络模型进行特征提取,并引入了一个多视角特征合并模块,融合不同时间尺度上的信息来提高负荷预测准确性。实验证明,所提出的方法在西南某地区的电力负荷数据集上表现出较好的预测性能,与单一时间视角的模型相比,平均绝对误差和均方误差分别降低了12.21%和11.12%。

基于SF-Transformer的智能教育平台短期电力负荷预测研究

建设智能教育平台是推动教育智能化的一个重要过程,但智能教育平台依赖的人工智能模型在训练过程中会消耗大量电力,因此,开展短期电力负荷预测对建设智能教育平台具有重要意义.针对在考虑多个属性开展短期电力负荷预测时,由于部分属性与电力负荷数据的相关性不强并且Transformer无法捕捉电力负荷数据的时间相关性,而导致电力负荷预测不够准确的问题,基于SR(Székely and Rizzo)距离相关系数、融合时间定位编码和Transformer,提出了一种短期电力负荷预测模型SF-Transformer.SF-Transformer通过SR距离相关系数对影响电力负荷数据的属性进行筛选,选择与电力负荷数据之间SR距离相关系数较大的属性.SF-Transformer采用一种全局时间编码与局部位置编码相结合的融合时间定位编码,有助于模型全面获取电力负荷数据的时间定位信息.在数据集上开展了实验,实验结果表明SF-Transformer与其他模型相比,在两种时长上进行电力负荷预测具有更低的均方根误差和平均绝对误差.

强化数据预处理的BLSTNet-CBAM短期电力负荷预测

针对负荷数据复杂性、非平稳性以及负荷预测误差较大等问题,提出一种综合特征构建和模型优化的短期电力负荷预测新方法.首先采用最大信息系数(MIC)分析特征变量的相关性,选取与电力负荷序列相关的特征变量,同时,考虑变分模态分解(VMD)方法容易受主观因素的影响,采用霜冰优化算法(RIME)优化VMD,完成原始电力负荷序列的分解.然后改进长短期时间序列网络(LSTNet)作为预测模型,将其递归层LSTM更新为BiLSTM,并引入卷积块注意力机制(CBAM)进行预测.通过对比实验和消融实验的结果表明:经RIME-VMD优化后,LSTM、GRU、LSTNet模型预测的均方根误差(RMSE)均降低20%以上,显著提高模型预测精度,且能够适应于不同预测模型.所提出的BLSTNet-CBAM模型与LSTM、GRU、LSTNet相比,RMSE分别降低了35.54%、6.78%、1.46%,提高了短期电力负荷预测的准确性.

基于BP神经网络-时间序列模型的中期负荷预测

电力负荷预测在电力系统运行和规划中具有重要作用。它有助于电力公司更好地管理电力供应,提高电力系统的效率,减少能源浪费,以及满足用户对电力的需求。本文首先对研究人员收集的原始数据进行预处理,采用传统的时间序列分析法对电力负荷进行预测,发现其在时间尺度较长的预测中误差较大。其次,研究人员引入BP神经网络(back propagation neural network, BPNN)模型,与时间序列分析法相结合,利用全国内连续12个月的用电量去预测次月的用电量。最后,研究人员在仿真预测中分析了影响因子对其影响的情况。仿真结果表明,时间序列分析法和BP神经网络协同使用会大大减小中期电力负荷预测误差,引入影响因子分析后会使预测结果准确率进一步提高。

电力短期负荷的多变量时间序列线性回归预测方法研究

根据单变量时间序列的相空间重构思想,提出了一种电力短期负荷的多变量时间序列相空间重构方案,同时针对每一分量时间序列采用互信息法进行最佳延迟时间的选择,最优嵌入维数则采用最小预测误差法进行确定。根据相点间的欧氏距离和关联度,提出了最近邻域点的优化选择方法,建立了多变量时间序列的一阶局域线性预测模型。通过重庆某地区电力系统短期负荷预测的计算实例表明,基于多变量时间序列的负荷预测方法与单变量负荷预测方法相比,具有较强的自适应能力和较好的预测效果。

提高时间序列气象适应性的短期电力负荷预测算法

采用时间序列中的自回归求和移动平均算法(ARIMA)对日负荷进行粗预测,获得消除了周期性的受气象因素影响较强的差值序列。结合气象信息,为小规模神经网络构造能反映气象变化的新息序列,为网络提供良好的训练与适应环境,训出对气象非平稳变化敏感的输出因子Y,再用敏感因子对ARIMA算法的预测结果进行修正,从而构建出对气象适应性较强的ARIMA+Y的预测算法。利用Delphi5．0实现的负荷预测软件对广西负荷区进行预测,多年的运行证明：该算法对广西负荷区气象非平稳变化具有很好的敏感性和适应性,能显著提高气象非平稳变化日的预测准确率,较好地解决了在气象变化影响下用ARIMA算法预测准确率偏低的问题。

区间时间序列向量自回归模型在短期电力负荷预测中的应用

电力负荷数据通常随着时间的不同而呈现一定的波动性。针对电力负荷随着时间波动呈现出一个范围波动的特点,采用区间时间序列估计与向量自回归相结合的方法对短期电力负荷进行预测,预测结果拟合良好,提高了电网公司对电力负荷的预测精确度,为电网公司制定负荷预报曲线提供精准数据信息,为电网公司编制电力负荷计划提供理论支持和有效的方法。

一种应用时间序列技术的短期电力负荷预测模型

提出一种时间序列算法和模糊逻辑技术相结合的电力系统短期负荷预测方法 .它包括一个具有非线性特性的传递函数模型 ,可以考虑气温等外界因素对负荷的非线性影响 ,能使预测及时跟上负荷变化的趋势 ,适用于由于天气等因素变化引起负荷突变的预测场合 .为了更好地处理影响电力系统负荷的不确定性因素 ,便于利用预报人员的丰富知识和经验 ,此文采用了具有较强结构性知识表达能力的模糊逻辑技术与时间序列相结合的方法进行负荷预测 .

基于混沌时间序列的电力负荷短期预测方法

针对加权一阶局域法单步预报计算量大且存在累积误差的不足,在相空间重构技术基础上提出了一种加权一阶局域法多步预报模型。通过对统一混沌系统的预测仿真,证明该模型对混沌时间序列多步预报的有效性。采用加权一阶局域法对四川省电力系统日负荷进行了短期预测,实际结果说明加权一阶局域法的预测精度能满足要求。

基于混沌时间序列和神经网络的电力短期负荷预测

提出一种将混沌时间序列和神经网络相结合的短期负荷预测方法,利用混沌理论重构相空间的吸引子,然后用BP神经网络来拟合空间吸引子的演化,同时利用空间欧氏距离来选取神经网络的输入样本,实例预测结果表明所提出方法的有效性和可行性.

电力系统短期负荷预计——时间序列的分解集合算法

电力系统短期负荷预计——时间序列的分解集合算法高晓萍单渊达阎欣（东南大学电气工程系，南京２１００１８）系统发电出力必须随时紧跟系统负荷的变化，这是对电力系统运行的基本要求．但负荷是随机变化的，特别是在不长的时段里，对负荷进行变化幅度很大时，负荷精确...

基于时间序列组合模型的电力负荷预测

针对传统电力负荷数据非稳定、非线性的特性导致预测精度不高的问题,提出一种基于数据模态分解与CNN-BiLSTM相结合的负荷预测模型。利用自适应噪声完备集合经验模态分解算法(CEEMDAN)对原时间序列负荷数据进行分解,分解成多个稳定的本征模态函数分量(IMF)和残差(Res);对各分量使用卷积神经网络和双向长短期记忆网络组合模型逐一预测。对预测效果评估指标较差的分量继续采用变分模态分解(VMD)算法进行分解,再次预测从而提高模型的整体预测精度。经过实验验证表明,该组合模型与其他模型相比,有效提高了拟合优度,降低了预测误差。

基于时间序列和灰色模型的短期电力负荷预测

针对短期电力负荷预测,从不同研究角度出发,分别构建了时间序列ARIMA模型和基于相似日的灰色预测GM(1,1)模型,使用SPSS、MATLAB等软件编程,得出不同模型下所研究地区未来七天内各个时点的电力负荷预测值,并对其精度进行了检验。结果表明两种模型下的预测结果精度较高且各具优点,在实际应用中,可根据短期电力负荷的具体特征和预测要求,灵活的选择模型加以应用。

基于时间序列对电力系统短期负荷的预测

针对电力系统短期负荷的预测,建立了多元回归和时间序列预测模型,分析了最高温度、最低温度、平均温度、相对湿度、降雨量分别对日最高负荷、日最低负荷、日平均负荷的影响程度,以及预测出短期负荷,应用MATLAB、SPSS进行求解,研究得出:最高温度对日最高负荷、日最低负荷、日平均负荷的影响程度最大,且预测值与实际值的相对误差在允许误差范围内,模型可靠性较高。

基于模糊时间序列的短期电力负荷预测

本文利用时变模糊时间序列模型预测未来一小时的负荷,给出了一种短期电力负荷预测新方法。同时,分析了时变模糊时间序列模型相关参数对预测精度的影响。应用模糊时间序列进行电力负荷预测,克服传统时间序列在建立离散的递推模型时需要准确的数据的缺点,消除了病态数据对模型的影响。应用山东省某电力公司的数据进行仿真研究取得了较好的预测精度。