短期电力负荷预测
短期电力负荷预测的相关文献在1999年到2022年内共计278篇,主要集中在电工技术、自动化技术、计算机技术、无线电电子学、电信技术
等领域,其中期刊论文115篇、会议论文1篇、专利文献282499篇;相关期刊88种,包括华北电力大学学报(自然科学版)、电工技术学报、电力建设等;
相关会议1种,包括浙江省信号处理学会2011学术年会等;短期电力负荷预测的相关文献由1077位作者贡献,包括张淑清、刘辉、金敏等。
短期电力负荷预测—发文量
专利文献>
论文:282499篇
占比:99.96%
总计:282615篇
短期电力负荷预测
-研究学者
- 张淑清
- 刘辉
- 金敏
- 陈浩林
- 刘海涛
- 卢先领
- 周孟然
- 周明龙
- 周莉
- 姜安琦
- 宋万清
- 张宁
- 张志明
- 张立国
- 张航飞
- 曾鸣
- 朱梓伟
- 李元诚
- 李君
- 李晓兵
- 李盼
- 杨振宁
- 王震
- 程晶晶
- 纪维佳
- 胡锋
- 钱素琴
- 马灿
- 高欣
- 丁津津
- 丁莉芬
- 丛玉良
- 严平
- 乡立
- 于浩
- 于程名
- 井潇
- 仇暑洋
- 任利强
- 任金霞
- 何家裕
- 何杨
- 余志武
- 党雨
- 全思平
- 冯达
- 刘丽
- 刘书刚
- 刘勇
- 刘可真
-
-
赵洋;
王瀚墨;
康丽;
张兆云
-
-
摘要:
准确的短期电力负荷预测对保证电网安全稳定运行、能量优化管理、提高发电设备利用率和降低运行成本等具有重要作用。传统时间序列分析方法难以学习短期电力负荷数据的非线性特征,因此论文首先将支持向量回归、高斯过程回归和前向神经网络等经典机器学习法应用于短期电力负荷预测的适用性和预测效果进行对比分析;预测评价指标表明机器学习方法能够得到较高的预测精度,适用于处理含强非线性特征的短期电力负荷数据;在此基础上,进一步提出一种基于时间卷积深度学习网络的短期电力负荷预测方法,该模型具有从大样本时间序列中提取特征和实现预测的能力,其模型架构能有效解决深层网络学习的退化问题;最后,以实际电力负荷数据作为算例对所提模型进行测试。实验结果表明,时间卷积网络可以获得更高的预测精度,深度学习方法相较于经典机器学习方法在非线性特征学习方面更具优势。
-
-
商立群;
李洪波;
侯亚东;
黄辰浩;
张建涛
-
-
摘要:
针对负荷预测过程中特征量难以确定以及极限学习机(ELM)存在因随机产生的初始权值和阈值导致输出稳定性低的问题,提出了基于格拉姆施密特正交化与皮尔逊相关性分析相结合的特征选择方法(GSO-PCA)和改进灰狼算法(IGWO)优化ELM的短期电力负荷预测模型(IGWO-ELM)。对两种不同类型的特征分别使用GSO算法和PCA进行优选,并根据平均绝对百分比误差(MAPE)确定最优特征集,与传统的经验特征选择、最大互信息系数特征选择、随机森林特征选择比较,GSO-PCA特征选择的MAPE分别降低了1.3%、0.55%和0.83%,验证了其优越性;将Tent混沌映射和粒子群优化算法(PSO)融入到灰狼优化算法中,得到IGWO,并利用两种典型的测试函数对IGWO性能进行测试,证明了其具有更强的寻优能力;使用IGWO算法对ELM的初始权值和阈值进行动态优化,建立IGWO-ELM短期负荷预测模型。将拟合优度检验系数、平均绝对误差、均方根误差和MAPE作为评价指标,结合实例分析,与传统的模型进行比较。仿真结果表明:所提预测模型得到的4个评价指标分别为0.9978、54.90 kW、72.02 kW和1.52%,明显优于其他模型,验证了所提模型的有效性和优越性。
-
-
金辰曦;
卢先领;
徐宇颂;
刘如浩;
张家想
-
-
摘要:
针对短期电力负荷预测精度低、泛化能力弱等问题,提出了一种基于相似日选取与多集成组合的短期电力负荷预测模型。首先利用最大信息准则MIC(maximal information coefficient)选取高相关变量作为模型输入;然后综合考虑MIC与灰色关联度,对气象敏感性较弱地区的负荷进行相似日选取;最后引入集成随机子空间、自适应增强、堆叠-神经网络的框架组合多核核极限学习机,对待预测日进行回归拟合,输出最终预测结果。采用马来西亚柔佛州供电公司提供的负荷数据进行算例分析,结果表明,相比于随机森林、BP神经网络和循环门控单元,所提模型的预测精度更高、泛化能力更强。
-
-
刘杰;
金勇杰;
田明
-
-
摘要:
准确的电力负荷预测对于保证电力系统的稳定运行起着重要作用。针对传统短期电力负荷预测方法预测精度低,模态分解后未考虑子序列融合等问题,提出一种基于变分模态分解(VMD)和时域卷积网络(TCN)的多尺度短期电力负荷预测方法。首先利用VMD将电力负荷数据分解为若干个子序列,解决电力负荷数据的非线性和随机性等问题;再利用TCN对若干个序列采用不同时间尺度进行训练;最后利用全连接网络(FC)对各时间尺度的子序列进行融合,实现短期电力负荷预测,提升预测精度。实验结果表明,该方法相较于VMD和改进的长短时记忆网络(LSTM)相结合的传统预测方法,其均方根误差下降40%,曲线拟合程度提升1.1%。
-
-
王思萌;
曲晓东;
谢刚;
崔磊
-
-
摘要:
精准的电力负荷预测对电力系统的安全调度和稳定运行至关重要。为了提升短期电力负荷预测精度,提出了一种基于改进鼠群优化算法(IRSO)和时间卷积网络(TCN)的短期电力负荷预测模型。首先将时序特征输入到TCN预测模型进行预训练;然后针对训练好的TCN模型全连接层阈值与偏置易陷入局部最优的问题,采用改进鼠群优化算法对阈值与偏置进行调整,构建IRSO-TCN组合模型对电力负荷进行预测;最后以澳大利亚实测数据进行仿真建模,实验结果表明,加入交叉算子的IRSO比鼠群优化算法(RSO)寻优能力更强,收敛速度更快,能够有效提高电力负荷的预测精度。
-
-
陈梓行;
金涛;
郑熙东;
庄致远
-
-
摘要:
针对电力负荷非线性、预测条件多样性、预测模型参数设置主观性等问题,提出一种基于强适应性的日均负荷日期映射法、高非线性拟合性能的门控循环单元(Gate Recurrent Unit,GRU)和强搜索性能的改进麻雀搜索算法(Improved Sparrow Search Algorithm,ISSA)相结合的ISSA-GRU(ISGU)混合模型进行短期电力负荷预测(Short-term Load Forecasting,STLF)。首先,利用日均负荷日期映射法对星期-节假日因素进行映射,解决该因素因非数字化导致不易输入预测网络的问题。随后,从诸多相关因素中筛选出高度相关特征值,以此解决预测条件多样性问题。最后,构建GRU网络进行负荷预测,并引入ISSA算法对GRU网络参数进行客观配置。为验证ISGU混合模型的有效性,采用新加坡电力负荷数据进行实验,并将实验结果与现有算法进行比较。实验结果表明,所提方法对STLF具有良好性能,有效提高了STLF统计标准的精度指标。
-
-
李文武;
石强;
李丹;
胡群勇;
唐芸;
梅锦超
-
-
摘要:
为降低短期负荷序列的非线性以提升预测精度,提出一种基于多阶段优化的变分模态分解(variational mode decomposition,VMD)和粒子群算法优化支持向量回归(particle swarm optimization support vector regression,PSO-SVR)的短期电力负荷预测模型。第1阶段采用VMD优化和预处理原始负荷序列,分解获得多个较为平稳的模态分量。第2阶段利用相空间重构优化重组各序列分量,并针对各分量分别建立支持向量回归(support vector regression,SVR)预测模型。第3阶段将粒子群算法(particle swarm optimization,PSO)用于优化SVR模型内部参数,便于更好地进行训练和预测。最后累加所有序列的预测值,实现短期电力负荷预测。研究结果表明:所提方法可以取得更高的预测精度。
-
-
张扬
-
-
摘要:
针对现有电力负荷预测方法精度比较低的问题,该文提出一种改进深度神经网络的短期电力负荷预测模型。首先通过长短时记忆网络(Long Short-Term Memory,LSTM)对不同类型的日历史用电量数据进行时间序列预测,然后通过前馈神经网络(Forward Feedback Neural Network,FFNN)以及一个热编码形状表示的附加信息来提高预测性能。最后采用均方根误差(Root Mean Square Error,RMSE)评估预测模型性能。仿真结果表明,与原始LSTM模型和平均基线的短期电力负荷预测模型相比,LSTM-FFNN预测模型识别精度更高。
-
-
狄曙光;
刘峰;
孙建宇;
冀超;
董铎亮;
蔄靖宇
-
-
摘要:
为提高受外部因素影响敏感的短期电力负荷预测精度,提出了一种基于改进ABC优化密度峰值聚类和多核极限学习机的短期电力负荷预测方法。构建融合特征提取、人工蜂群算法(ABC)、密度峰值聚类(DPC)和核极限学习机(KELM)的短期电力负荷预测模型。针对ABC收敛效率不高的缺陷,设计新型蜜源搜索和蜜蜂进化方式,以提升改进ABC全局寻优能力;针对DPC截断距离与聚类中心人为设定的不足,定义邦费罗尼指数函数和聚类中心截断指标,并将改进的ABC应用于DPC参数优化过程,以实现DPC最佳聚类分析;针对KELM回归能力不强、参数选取难以确定的问题,设计多核加权KELM,并采用改进的ABC进行参数优化,以提高极限学习机预测精度。仿真结果表明,所提短期电力负荷预测方法更具有效性,平均误差低了约8.8%~39.8%。
-
-
黄志祥;
周莉
-
-
摘要:
为了提高短期电力负荷预测的精准度,提出一种基于变分模态分解(VMD)和长短期记忆网络(LSTM)相结合的组合型预测模型。利用VMD将原始负荷样本集分解为多个不同的本征模函数(IMF)和一个剩余分量,以降低负荷数据样本集的非平稳性和复杂度,用LSTM模型对分解得到的多个子模态分量分别进行预测,对不同分量的预测结果进行叠加,得到最终负荷预测值。通过仿真实验,对比VMD-LSTM模型、BP模型、ELM模型和LSTM的预测结果,VMD-LSTM模型的预测效果优于其他3种预测模型,在短期电力负荷预测方面表现出良好的性能。