基于时间卷积网络和门控循环单元的短期用电量预测方法

针对智能电网建设环境下用电数据所呈现出的采集频率低、时变性显著等特点,提出了一种基于时间卷积网络和门控循环单元的短期用电量预测方法。考虑电类特征、环境特征和时间特征,从常见用户用电量的影响因素中筛选出模型的输入数据,分别训练时间卷积网络和门控循环单元两种深度学习模型并建立所提方法的整体架构。对某地区低采集频率用电数据进行仿真分析,与传统的长短期记忆网络、一维卷积及多层感知机等方法相比,所提方法具有更高的预测精度,有效可行。

基于人群搜索算法的电网短期用电负荷预测研究

针对传统预测方法缺少对未知变量的分析,导致预测效果较差的问题,提出了基于人群搜索算法的电网短期用电负荷预测研究。将电力系统负荷时间序列进行分解,获取负荷时间序列的高低频分量,并对电网短期用电负荷特性展开分析。借助人工智能研究成果,研究人群搜索算法原理,充分考虑电网短期用电负荷受到温度因素影响,选取输入变量,并以此构建人群搜索算法预测模型。通过设计预测流程以及对未知变量分析,实现对电网短期用电负荷预测。通过实验结果可知,采用该预测方法具有良好预测效果,为保障电网稳定运行提供依据。

一种基于LSTM神经网络的短期用电负荷预测方法

负荷预测目前已成为保障电力系统用电安全的重要基础工作,在我国市场经济制度持续完善过程中,能源产业也逐渐发展为以市场为导向,这就要求负荷预测要更加可靠、实时与准确。保证负荷预测的准确性,能为电力销售计划的制定奠定坚实基础并提供可靠依据,确保电网运行更加安全与经济。在智能电网时代下,电力用户侧涉及到海量数据,且用户数据具有一定随机性,以往所用负荷预测方法无法满足新时期提出的负荷预测要求。为此,本文分析一种基于LSTM神经网络的短期用电负荷预测方法,以更高效、准确的挖掘大量数据当中有价值的信息,经实例证明,此方法具有更高适用性和准确性。

基于梯度提升树的短期用电负荷预测系统设计

为了解决传统短期用电负荷预测系统存在响应时间慢、预测精度差的问题,设计了一种基于梯度提升树的短期用电负荷预测系统。该系统框架采用C/S架构模式搭建,根据预测需求选择系统的组成硬件,并以梯度提升树为核心,建立预测模型,完成系统软件及短期用电负荷预测系统的设计。实验结果表明,与基于神经网络、数据挖掘、支持向量机的三种传统用电负荷预测系统相比,本系统运行下,响应时间缩短,预测精度提高,为电力企业电量生产和供应提供了可靠的依据。

基于混合聚类分析的区域短期用电量预测方法研究

为减小区域短期用电量的预测误差、减少电力系统的能源消耗,设计了基于混合聚类分析的区域短期用电量预测方法。对采集到的历史用电量数据进行修正处理,并通过归一化处理过程统一用电量数据形式;利用高斯混合模型得到区域短期用电量的正态分布情况,根据区域最小化原理推导出短期用电量的目标函数,并结合聚类分析将用电量预测转化为线性求解过程,划分出用电量数据的子序列,再结合不同时期用电需求配比得到最终的区域短期用电量预测结果。实验结果证明,与现有的预测方法相比,基于混合聚类分析的预测方法的预测结果与实际值更为接近,预测准确性更高。

基于多维特征分析的链式电网短期用电量预测研究

针对链式电网短期用电量既具有波动性,又具有非线性特征,导致用电量预测精度低的问题,进行了基于多维特征分析的链式电网短期用电量预测研究。结合组织映射电网与实际环境,借助多维特征分析方法从非平稳随机序列中提取趋势变量和周期变量。通过计算用户多维特征评价结果,能够构建用户多维度用电特征集合,依据该集合分类多维用电特征集,分别为电模式特征和辅助用户特征,通过这些特征能够获取时间序列关键性信息,构建多维特征分析下用电量预测模型,获取整体数据流转情况,完成链式电网短期用电量预测。通过实验研究结果可知,该方法预测效果较好,相比于以往方法能显著提高预测精准度。

工业园区企业短期用电量预测算法

以经济技术开发区企业为研究对象,考虑当地气候因素,基于灰色系统理论,建立工业企业短期用电量预测模型,采用残差修正法对偏离的预测值进行修正,设计实现一种短期用电量预测算法。实验结果表明,给出的算法预测准确高,可用于指导企业计划生产所需的短期用电量。

梯度采样下的市场用电短期能耗优化预测仿真

为了提高市场用电短期能耗预测正确率,降低二次规划与用电能耗,提出梯度采样下的市场用电短期能耗优化预测方法。根据最小二乘支持向量机回归算法,将湿度、气温、气压、节假日变量作为输入,构建市场用电短期能耗预测模型,依据梯度采样序列二次规划方法优化用电能耗预测模型参数,进行了梯度采样序列二次规划,逐步优化求解LS-SVMR模型目标函数,完成市场用电短期能耗优化预测。实验结果表明:湿度、温度、气压、节假日因素对用电能耗产生影响,采样数量越大,优化性能越好,且能耗预测误差小。实现市场短期用电能耗的预测,预测准确度高,预测能力突出。

基于残差自回归方法的短期区域用电量预测

基于我国区域用电量数据展开了短期用电量预测研究,采用了基于残差自回归方法的时间序列预测模型,有效提高了短期区域用电量预测准确性。相比于传统的时间序列模型(ARIMA模型和Holt-Winters模型),基于残差自回归方法的时间序列预测模型的MAPE值和RMSE值均最小,并在两个不同的数据集上表现平稳。

基于C-LSTM的短期用电预测模型和应用

基于深度学习下的长短期记忆循环神经网络对家庭短期用电预测进行研究。本研究引入卷积神经网络(convolutional neural network, CNN)和长短期记忆(long short term memory, LSTM)模型结合的混合深度神经网络模型C-LSTM,并在此模型基础上提出多步预测策略。根据对5个真实家庭日常用电数据集的研究,C-LSTM实现了以5 min为单位的家庭电力需求预测。通过不断修改模型参数、完善模型,从本研究提供的3种误差指标的分析来看,C-LSTM预测准确性高于自回归集成移动平均模型、支持向量回归模型和LSTM模型。本研究评价模型预测效果的主要依据是平均绝对百分比误差值(mean absolute percentage error, MAPE),从试验结果可得C-LSTM模型在5 min的家庭需求电力预测,比支持向量回归模型提升4.63%,比LSTM提升22.8%,比自回归集成移动平均模型提升34.74%。因此,C-LSTM模型为智能电网对家庭层面电需求的准确及时预测提供了保障,对推动个性化用电套餐的广泛普及、减少能源浪费产生重要影响。