基于K-折交叉验证和Stacking融合的短期负荷预测

短期负荷预测对于电力系统的经济调度和稳定运行具有重要意义.为了提升短期负荷预测的精度,提出基于K-折交叉验证和Stacking融合的短期负荷预测方法.首先,基于皮尔逊相关系数对影响短期负荷的多个特征进行筛选,剔除冗余特征.其次,利用K-折交叉验证法训练第一层的各个子模型,并将各个子模型的预测结果作为新特征用于训练第二层模型.接着,将子模型的结果进行Stacking融合,使用第二层的模型得到短期负荷的预测结果.最后,采用新英格兰的实际数据验证所提方法的有效性.仿真结果表明,所提的K-折交叉验证法能够有效地提高模型的泛化能力,Stacking融合不仅可以提升预测的平均精度,还可以减小最大的预测误差,比单一模型预测更具优势.     

改进的Elman神经网络在短期电力负荷预测中的应用

为了提高Elman神经网络进行短期负荷预测时的精度,解决预测过程中易陷入局部最优解等问题,采用非线性阻尼最小二乘法对学习算法进行优化,并对激励函数进行改进,建立双隐含层Elman神经网络模型。Matlab仿真结果表明,改进后的模型对短期电力负荷进行预测的精度高于传统BP神经网络模型,达到了短期负荷预测所要求的误差范围,说明该方法和模型是可行有效的。     

基于PSO-Elman神经网络的短期电力负荷预测

为了解决BP神经网络在短期电力负荷预测中存在局部极小、收敛速度慢等问题,本文采用粒子群算法(Particle Swarm Optimization,PSO)优化Elman动态神经网络进行精准预测。根据输入输出参数个数确定Elman神经网络结构,利用PSO算法优化网络的权值和阈值,并将优化后的最优个体赋给Elman动态神经网络作为初始权值、阈值进行网络训练,从而建立基于PSO-Elman的电力负荷预测模型。采用某钢厂实测电力数据对该方法和模型进行验证,并与传统的BP、Elman网络模型预测方法进行对比,结果表明该方法和模型在有效缩短网络收敛时间的同时,具备更高的负荷预测精度和稳定性。     

遗传神经网络优化预测方法研究及其应用

根据短期电力负荷预测的特点,将遗传算法和人工神经网络相结合,提出一种负荷预测新算法─—遗传神经网络优化预测方法。该方法明显地提高了模型的优化能力,有效地克服了人工神经网络学习速度慢、存在局部极小点的固有缺陷。经实例验证,该方法能有效地提高预测精度和速度。     

地铁供电系统短期负荷预测系统设计

基于地铁供电系统短期负荷预测是电力系统短期负荷预测精细化研究的需要,本文对地铁供电系统短期负荷预测系统进行了设计。系统由负荷统计模块、负荷数据调用模块、负荷预测模块、预测误差统计模块、图形输出模块和数据输出模块等6个模块组成,在负荷预测模块中构造了基于脉冲神经网络的地铁供电系统短期负荷预测模型,用该预测模型对地铁供电系统短期负荷进行预测,并将预测结果与传统BP-NN预测模型进行对比。结果表明,脉冲神经网络预测模型的平均预测误差降低了2%以上,比BP-NN预测模型的平均预测误差明显降低,表明脉冲神经网络预测模型的预测精度明显优于BP-NN预测模型,从而验证了地铁供电系统短期负荷预测系统采用脉冲神经网络预测模型的可行性;并且脉冲神经网络预测模型具有较好的预测稳定性,1周的预测精度稳定在7.01%~7.80%区间内。该模型取得较为满意的预测精度,为地铁供电系统短期负荷预测系统的实际应用提供了理论依据。     

粒子群优化BP算法在短期负荷预测中的应用

电力系统短期负荷预测是电力系统调度运营和用电服务部门的重要日常工作之一,其预测精度直接影响到电力系统运行的安全性、经济性和供电质量。为提高预测精度,本文引入一种新型的群智能方法--粒子群优化算法,并将这种智能算法与BP算法相结合,形成了粒子群优化BP算法模型,建立了计及气象因素的短期负荷预测模型。通过具体算例将此模型与单纯的BP模型进行比较,结果表明:该算法具有较高的预测精度,完全能满足实际工程的要求。     

电力系统超短期负荷预测算法及应用

简述了超短期负荷预测的概念和应用.将目前预测方法分为传统预测算法和现代预测算法,介绍了各种算法的原理、适用范围,以及大规模新能源并网运行对超短期负荷预测的影响.对比分析各种算法的优点和不足,提出了对历史数据预处理、建立分时段的综合预测模型,以及考虑气象因素等提高超短期负荷预测精度的措施.     

粒子群优化BP算法在电力系统短期负荷预测中的应用

为提高电力系统短期负荷预测的精度,引入一种新型的群智能方法——粒子群优化算法,并将这种智能算法与BP算法相结合,形成了粒子群优化BP算法模型,建立了计及气象因素的短期负荷预测模型.通过具体算例将此模型与单纯的BP模型进行比较,结果表明:该算法具有较高的预测精度,完全能满足实际工程的要求.     

基于注意力机制的CNN-LSTM短期电力负荷预测方法

精准的短期电力负荷预测可以保障电力系统的安全可靠、经济高效运行,传统预测方法无法满足高精度的负荷预测要求,而机器学习算法的广泛应用为短期负荷预测的精确方案。提出了一种基于注意力(Attention)机制的卷积神经网络(Convolutional Neural Network,CNN)-长短期记忆网络(Long Short-Term Memory,LSTM)短期电力负荷预测方法,该方法可以减少历史信息的丢失,实现短期电力负荷预测。考虑到电力负荷值在不同季节的特点,将预测方法设计为分季节进行短期电力负荷预测。最后,以我国某地区的负荷数据作为实例,将此预测方法与其他常用预测模型进行对比,实验结果表明基于注意力机制的CNN-LSTM模型在不同季节的电力负荷预测中均具有更高的预测精度。     

粒子群优化BP算法在电力系统短期负荷预测中的应用

为提高电力系统短期负荷预测的精度，引入一种新型的群智能方法——粒子群优化算法，并将这种智能算法与BP算法相结合，形成了粒子群优化BP算法模型，建立了计及气象因素的短期负荷预测模型．通过具体算例将此模型与单纯的BP模型进行比较，结果表明：该算法具有较高的预测精度，完全能满足实际工程的要求．     

Optimization of support vector machine power load forecasting model based on data mining and Lyapunov exponents

According to the chaotic and non-linear characters of power load data, the time series matrix is established with the theory of phase-space reconstruction, and then Lyapunov exponents with chaotic time series are computed to determine the time delay and the embedding dimension. Due to different features of the data, data mining algorithm is conducted to classify the data into different groups. Redundant information is eliminated by the advantage of data mining technology, and the historical loads that have highly similar features with the forecasting day are searched by the system. As a result, the training data can be decreased and the computing speed can also be improved when constructing support vector machine (SVM) model. Then, SVM algorithm is used to predict power load with parameters that get in pretreatment. In order to prove the effectiveness of the new model, the calculation with data mining SVM algorithm is compared with that of single SVM and back propagation network. It can be seen that the new DSVM algorithm effectively improves the forecast accuracy by 0.75%, 1.10% and 1.73% compared with SVM for two random dimensions of 11-dimension, 14-dimension and BP network, respectively. This indicates that the DSVM gains perfect improvement effect in the short-term power load forecasting.     

电价与负荷的相关性分析及其在电价预测中的应用

为解决传统电价预测模型需要对周末等电价波动较大预测日单独建模,以及模型不加区分地引入负荷因素影响预测精度的问题,提出了利用电价与负荷的相关系数判定是否将负荷因素引入粒子群-BP神经网络模型的新方法,将相关系数作为输入样本的阈值,判定是否在模型输入样本中引入负荷因素.在电价变化平稳、电价与负荷相关性较弱时,在电价预测模型中不引入负荷因素,解决了粒子群-BP神经网络模型由于非关联输入样本过多而影响学习效率、导致预测精度降低的问题.仿真结果表明,新的预测模型对电价相对平稳和波动较大的预测日预测精度明显提高,可用于电力市场的短期电价预测.     

基于鲸鱼优化参数的最小二乘支持向量机短期负荷预测方法

大量分布式能源站的出现以及电动汽车的普及,给电力系统的安全、经济运行带来影响的同时,传统的负荷预测方法也面临挑战。针对这个问题,提出了利用鲸鱼算法优化最小二乘支持向量机（Whale Optimization Algorithm-Least Squares Support Vector Machine,WOA-LSSVM）进行短期电力系统负荷预测。利用鲸鱼算法全局寻优能力强、收敛速度快的优点,弥补最小二乘支持向量机（Least Squares Support Vector Machine,LSSVM）选参的盲目性,提高LSSVM的负荷预测精度。采用WOA-LSSVM对2013年浙江某地区历史负荷数据预测未来1 d的负荷,并与粒子群优化最小二乘支持向量机模型和标准LSSVM模型预测结果对比。结果表明,基于鲸鱼优化LSSVM的短期负荷预测具有较高的预测精度,相对误差较小。     

结合改进残差网络和Bi-LSTM的短期电力负荷预测

为充分挖掘电力负荷历史数据的潜在特征,提高短期负荷预测模型的预测精度,提出了一种由改进残差网络（ResNetPlus）、注意力机制（Attention mechanism,AM）和双向长短期记忆网络（Bi-directional long short-term memory,Bi-LSTM）结合而成的残差AM-Bi-LSTM预测模型。该模型将历史负荷、温度和所预测日期的特征作为输入,在Bi-LSTM模型基础上,引入多层改进残差网络提取输入数据的隐藏特征,有效克服了网络隐藏层数加深导致的网络退化问题,使模型的反向传播能力大幅提升;加入注意力机制,分析网络中输入信息与当前负荷的相关性并突出重要信息的影响,从而提高模型的速度与准确率;使用Snapshot策略集成收敛于不同局部极小值的多个模型,以提升模型的准确率和鲁棒性。最后,使用美国ISO-NE数据集进行模拟预测,测试结果表明:所提模型的平均预测精度达到98.27%;在连续的12个月中采用该模型的平均预测精度相比于LSTM模型提高了2.87%;在不同季节下采用该模型的平均预测精度相比于AM-Bi-LSTM和ResNetPlus模型分别提高了1.05%和1.16%。说明所提模型相较于对比模型具有较高的准确率、鲁棒性以及泛化能力。     

基于多尺度小波分析的大坝变形自回归预测模型

针对大坝变形监测数据序列一般具有较明显的多尺度特征、年周期性和非平稳趋势性等特点,为克服自回归模型在大坝非平稳性变形预测方面存在的不足,利用多尺度小波分析理论在处理非平稳信号上的优势对变形监测数据序列进行分解和重构,然后对重构的不同尺度下的数据子序列分别建立自回归预测模型(AR模型),最后叠加各尺度下的预测结果,从而将多尺度小波分析与自回归模型有机地结合起来,为大坝变形预测提供了一种新的预测模型,并给出了一个工程实例.研究表明:与传统的单一自回归预测模型相比,该大坝变形预测模型能较大地提高预测精度.     

基于混沌蚁群算法的电力短期负荷预测

通过对电力负荷变化规律和影响因素的分析,提出了一种新的短期电力负荷预测模型。首先利用混沌理论将杂乱无章的历史数据进行相空间重构,找出其中的潜在规律,并粗选预测参考点;然后利用蚁群优化算法,考虑距离因素和相点演化的相关性因素,对粗选的预测参考点作进一步精选,提高其质量;最后采用GM（1,1）灰色模型得到预测日的负荷数据。实际算例验证了提出的方法具有较好的预测精度。     

基于模糊逻辑聚类神经网络算法的中长期负荷预测

电力系统中长期负荷预测受大量不确定因素的影响,聚类方法能够将各种影响因素综合引入预测模型,提高了预测精度。采用一种由模糊逻辑单元组成的聚类神经网络用于中长期负荷预测。利用模糊集理论中的模糊逻辑算子y1完成网络运算,提高了聚类神经网络的运算速度。虽然网络采用了竞争学习作为网络的学习算法,但是它克服了一般竞争学习算法固有的死点问题,使得历史数据的聚类分析中聚类中心初始点的选取有更大的随意性。运用文中所述模型及算法综合考虑了历史负荷情况和未来不确定因素等对未来负荷变化的影响。通过与传统的方法进行中长期负荷预测比较,结果表明该方法可以提高负荷预测的精度。     

基于VMD和TCN的多尺度短期电力负荷预测

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%。     

基于沿海风力发电场风机输出功率预测的分类算法对比

介绍了风力发电场风机输出功率预测的相关背景和研究意义,应用数据挖掘中的经典M5P算法和改进的M5P分类算法对风力发电机输出功率预测进行归纳、对比和分析．首先,对原始数据进行预处理,去除无效数据,以提高实验精确度和效率;然后,采用上述两种算法进行数据处理;最后,验证了改进的MSP算法对风机输出功率预测的高效性和准确性．