短期电力负荷预测

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。

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。

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。

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%。

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。

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。

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。

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。

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%。

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。

摘要： 电力系统负荷预测的精度将直接影响电力系统的经济效益和用电的安全和稳定，短期电力负荷预测的重要组成部分。利用人工神经网络可以任意逼近非线性系统的特性，将其用于短期负荷预测。该文研究了在改进的BP网络中加入了动量项和构建输入网络时结合了同类型日思想的模糊映射，预测结果表明比标准BP算法具有更好的性能。同时，针对大量无法用精确数值来量化的信息，采用对输入数据进行分类和线性激活处理并映射到相对应的集合中，结果表明其精度比标准的人工神经网络更高。

摘要： 本申请提供了一种极端因素影响下的电力系统短期负荷预测方法与预测装置。该方法包括：获取训练数据，训练数据包括历史负荷数据和工作日变量，工作日变量包括第一时间变量和第二时间变量，第一时间变量表示一周中的某一天，第二时间变量表示一天中对应的某一个或者某几个小时；构建概率预测模型，概率预测模型为分位数LSTM预测模型，分位数LSTM预测模型是基于深度学习LSTM网络和分位数损失函数构建的；应用概率预测模型对训练数据进行训练，概率预测模型的输入是历史负荷数据和工作日变量，概率预测模型的输出是预测分位数；根据预测分位数预测极端因素影响下的电力系统短期负荷。

摘要： 电力工业是国民经济的基础产业，在整个国民经济的发展起着举足轻重的作用。负荷预测是电力系统规划建设的依据。负荷预测的准确程度将直接影响到投资、网络布局和运行的合理性，因此，负荷预测在规划中显得尤其重要。然而电力负荷预测问题的解决已经成为电力行业人员面临的重要而艰巨的任务。本发明提出了一种基于历史天气数据和预测数据,和历史电力负荷数据进而预测短期电力负荷的系统和方法。本方法基于一种基于递归神经网络的长短期记忆模型来预测短期电力负荷的系统模型可以极大的提高预测准确度。

摘要： 提供一种短期负荷预测方法和短期负荷预测装置。所述短期负荷预测方法包括：获取过去时段的负荷数据和预测时段的外部参数；通过小波分解将过去时段的负荷数据分解为第二级细节分量、第三级近似分量和第三级细节分量；基于第二级细节分量，获取预测时段的预测负荷数据的第二级细节分量；基于过去时段的负荷数据的第三级近似分量和第三级细节分量以及所述外部参数，获取预测时段的预测负荷数据的第三级近似分量和第三级细节分量；通过小波重构将预测负荷数据的第二级细节分量、预测负荷数据的第三级近似分量和第三级细节分量重构为预测时段的预测负荷数据。根据短期负荷预测方法和短期负荷预测装置，能够准确地预测短期负荷。

摘要： 本发明公开了一种短期负荷预测方法、短期负荷预测模型训练方法、装置、可读介质及电子设备，该方法包括：获取待预测数据，待预测数据包括负荷时序数据和影响因素数据；基于负荷时序数据和已训练的预测模型中的长短期记忆网络，获取第一负荷时序特征；基于影响因素数据和已训练的预测模型中的全连接网络，获取影响因素特征；基于第一负荷时序特征、影响因素特征和已训练的预测模型中的输出网络，获取短期负荷预测结果。本发明提供的技术方案通过引入多源数据即负荷时序数据和影响因素数据，并利用长短期记忆网络和全连接网络准确学习到多源特征即第一负荷时序特征和影响因素特征，从而使得基于多源特征获取到的短期负荷预测结果准确性较高。

摘要： 本申请提供了一种极端因素影响下的电力系统短期负荷预测方法与预测装置。该方法包括：获取训练数据，训练数据包括历史负荷数据和工作日变量，工作日变量包括第一时间变量和第二时间变量，第一时间变量表示一周中的某一天，第二时间变量表示一天中对应的某一个或者某几个小时；构建概率预测模型，概率预测模型为分位数LSTM预测模型，分位数LSTM预测模型是基于深度学习LSTM网络和分位数损失函数构建的；应用概率预测模型对训练数据进行训练，概率预测模型的输入是历史负荷数据和工作日变量，概率预测模型的输出是预测分位数；根据预测分位数预测极端因素影响下的电力系统短期负荷。

摘要： 本申请提供了一种电力系统概率性短期负荷的预测方法、预测装置与处理器。该方法包括基于电力系统构建多个概率性负荷预测模型，各概率性负荷预测模型对应于多个分位数；确定各分位数的权重；根据各分位数的权重和各概率性负荷预测模型，得到综合预测模型；根据综合预测模型对电力系统的短期负荷进行预测。该综合预测模型可以实现对对电力系统的短期负荷的精确预测，该综合预测模型不仅适用于极端因素影响下的电力系统，同样适用于非极端因素影响下的电力系统。解决了负荷预测方法的适用范围较小，预测精度较低的问题。

摘要： 本发明涉及一种基于长短期记忆网络的电力负荷预测与电价预测系统，该系统包括数据分区处理模块、天气信息模块、电价信息模块、数据库、长短期记忆网络负荷预测模块、电价预测模块和实时通信模块以及控制管理模块，所述的数据分区处理模块、天气信息模块和电价信息模块分别连接数据库，所述的控制管理模块分别通过电价预测模块、实时通信模块和长短期记忆网络负荷预测模块连接数据库。与现有技术相比，本发明具有以下优点：较为准确的预测相关电力数据，保证电力系统安全可靠运行，实现社会经济效益最大化。

摘要： 本发明提供了一种基于用户负荷模式分类的短期电力负荷预测方法，所述短期电力负荷预测方法主要包括海量高维数据预处理、用户负荷模式分类器、LSTM模型训练及预测，通过对所有历史样本进行数据预处理、K‑means聚类分析、灰色关联分析、通过K近邻分类算法(KNN)建立分类器以及对不同类型负荷数据采用LSTM神经网络方法建立不同的负荷预测模型，从而得到待预测日的电力负荷特性。本发明提供一种基于用户负荷模式分类的短期电力负荷预测方法，能够迅速准确的得到待预测日的负荷特性，保证电力系统运行和管理的高效和稳定。

摘要： 本发明提供的基于多负荷模式的短期电力负荷预测方法，包括：获取预测区域的负荷历史数据；对负荷历史数据进行分类并形成各负荷模式的负荷曲线；对负荷曲线进行智能分段；构建多种模式的预测模型，并分别对各种负荷模式的各分段负荷进行模拟预测；筛选出各种负荷模式及其分段负荷曲线对应的负荷预测模型，对带预测日的日负荷曲线进行预测，完成日负荷曲线的预测。本发明还提供的应用该方法的预测系统，充分考虑了工作日、周末日和重大节假日负荷曲线的差异，并对待预测负荷区域进行智能分段，根据不同的时段选择相对应的负荷预测模型，获得相应的负荷预测值，最后得到最终的日负荷预测数值，大大提高了负荷预测的精确性，也使得负荷预测更加合理。

摘要： 本发明公开了一种短期电力负荷预测方法及预测系统，获取第一序列数据集；将第一序列数据集划为若干第二序列数据集；选择任意一个第二序列数据集，采用差分自回归移动平均方法对第二序列数据集处理，获得第一电力负荷序列数据；采用BP神经网络方法对第二序列数据集处理，获得第二电力负荷序列数据；构建第一目标函数，并采用混沌粒子群算法进行处理，获得第一权重系数以及第二权重系数，遍历所有第二序列数据集，获得若干第一权重系数以及若干第二权重系数；计算获得第n+1天的第一权重系数与第二权重系数；计算获得第n+1天的电力负荷数据；本发明的有益效果为提高了对电力负荷序列数据预测的准确度，增加了对电力负荷序列数据的精度。