基于深度学习的矿井电力短期负荷预测方法

短期电力负荷预测能准确评估出煤矿的整体电力负荷变化情况,保证煤矿供电系统的安全与可靠运行。由于煤矿电力负荷预测受多种因素影响,难以实现精确预测,文章针对此问题,基于深度学习理论,提出了一种卷积神经网络(CNN)和双向门控循环单元(BiGRU)相结合的矿井电力短期负荷预测方法,并用于煤矿的实际电力负荷预测中。首先,构建了煤矿电力负荷预测的混合学习模型;然后,给出了数据处理方法,设计了模型评判指标,搭建了仿真平台并进行了多种算法的分析与对比;最后,基于组态软件开发了电力监控与预测系统,并应用于煤矿实际监控中。经现场试验表明,设计的方法可以实现对矿井短期电力负荷的准确预测,为煤矿电力系统的安全运行提供准确的决策支撑。     

基于VMD-LSTM模型的短期电力负荷预测研究

经典的电力负荷预测方法,例如回归预测法、时间预测法、指数平滑法等结构过于简单、拟合精度较差,预测效果不明显。为了提高短期电力负荷预测的精确度,建立了一种将变分模态分解（VMD）和LSTM算法相组合的短期负荷预测模型（VMD-LSTM）。使用VMD将原始负荷数据分解为数个有限带宽的模态分量,以降低原始负荷的复杂度,而且不会发生模态混叠现象,提高数据清晰度,然后每个模态分别构建一个LSTM模型进行预测,最后把每个分量的结果相加得到最终的预测值。通过仿真实验,将VMD-LSTM组合模型和其他几个单一模型进行比较,发现VMD-LSTM模型的预测精度更高,误差更小,能够更好地应用于短期电力负荷预测。     

BP算法在电力系统短期负荷预测中的应用

针对电力负荷短期预测问题,提出了一种基于相似日的神经网络预测方法,在建立具体模型时,对于24点负荷预测,采用24个单输出的神经网络来分别预测每天的整点负荷值,具有网络结构较小,训练时间短的优点,考虑了不同小时类型的负荷差异,具有较高的预测精度.分析了如何采用BP多层感知器的隐层数及隐层单元数.最后对四川省电力公司某区一条线路的供电负荷进行短期负荷预测仿真,仿真结果表明其具有较好的预测精度.     

基于支持向量机的短期负荷预测

提出一种基于支持向量机的电力系统短期负荷预测方法,将SVM引入短期负荷预测,通过不断输入新的负荷数据来更新回归函数,以获得更快的计算速度和较好的预测精度,利用佛山地区的历史负荷作为训练数据,结果证明了该方法能在一定程度上提高电力负荷的预测精度。     

短期负荷预测中气象因素的处理策略研究综述

介绍了气象因素的概念,分析了气象因素对电力负荷的影响,从多方面提出并总结评价了目前短期负荷预测中气象因素的处理策略,指出了今后短期负荷预测研究的方向和趋势。认为:考虑多个有合耦作用的气象因素和实时气象因素对短期负荷预测的影响的策略,预测效果较好;在今后的研究当中,需结合待预测地区的实际情况,优先合适的处理策略,保证预测结果可靠。     

夏季短期电力负荷预测的MGM（1，n）建模及应用

在对浙江省嘉兴市的历史气象数据进行分析的基础上，提出了一种带气象因素校正的灰色短期负荷预测模型，称为MGM（1，n）模型。实例分析表明，这种方法能较大地提高夏季短期负荷的预测精度，是预测夏季短期电力负荷的一种行之有效的方法。     

基于Transformer模型的电力负荷预测

根据已知的历史用电需求来预测未来的用电需求是电网稳定且经济运行的重要一环。针对现有电力负荷预测方法存在无法准确长期预测的问题，提出一种新的基于Transformer模型的电力负荷预测模型。该方法在循环神经网络可以捕捉用电负荷短期依赖的基础上，通过编码器-解码器结构很好地捕捉了电力负荷的长期依赖特征；通过建立电力负荷数据集，训练得到了具备精准预测能力的Transformer模型。实验结果表明，Transformer模型具有较高的预测精度，随着预测时间巨幅增加，预测误差只出现了微小累积，该模型较好地预测了电力负荷可能出现的波动，且无时滞效应。     

基于变分模态分解和FABP的短期电力负荷预测

针对电力负荷序列非线性、随机性等特点引起的电力负荷预测精度下降等问题,提出了一种基于变分模态分解(VMD)和萤火虫算法优化BP神经网络(FABP)的短期负荷预测方法。利用VMD将原始电力负荷序列分解为若干个子序列,能够降低原始数据的复杂度和不稳定性同时克服模态混叠;萤火虫算法优化传统BP神经网络模型,能够克服其极易陷入局部最小的缺陷。最后通过样本熵(SE)对各子序列进行重组得到两个新分量,将其分别输入神经网络模型进行预测并叠加预测结果,实现短期负荷预测。应用于实例,结果表明,该方法能有效提高预测精度。     

电力负荷与气象因子因果关系分析及预测研究

短期电力负荷预测是电力部门生产调度的重要参考,不同地区影响电力负荷的因素有所不同,因此,为探索电力负荷与气象因子之间的因果关系,以某变电站逐小时电力负荷和气象要素数据为基础,采用格兰杰因果检验分析气象要素与电力负荷的因果关系。采用ADF检验验证气象因子与电力负荷数据的平稳性,将通过ADF检验的平稳性变量进行格兰杰因果检验。结果显示,温度、相对湿度和风速均是电力负荷的格兰杰原因,温度和相对湿度对电力负荷变化的影响是实时的,风速对电力负荷变化的影响具有1 h以上的滞后性。采用灰色关联度和余弦相似度建立综合相似性指标,基于相似日法提出一种短期电力负荷预测模型,以2018—2020年的气象数据和电力负荷数据作为样本库,采用2021年的数据对模型预测准确性进行检验。经验证,模型在天气因子变化不明显或变化缓慢情况下预测准确率为90%以上,可作为电力部门生产调度参考。     

基于BA-VMD-LSSVM的超短期电力负荷预测

超短期电力负荷具有随机性强、波动性大等特点，使得对其进行高精度的预测比较困难。文中提出基于全局参数优化的超短期负荷预测模型。在训练阶段，建立平均绝对百分比误差（MAPE）作为蝙蝠算法（BA）的目标函数，以优化变分模态分解（VMD）、最小二乘支持向量机（LSSVM）及输入数据点数。在测试阶段，应用设置最优参数的VMD分解负荷数据，并使用LSSVM处理各分量，以完成对电力负荷的高精度预测。数据分析结果表明，使用BA对VMD、LSSVM和输入数据点数进行全局优化能够有效地提高超短期电力负荷的预测精度。     

基于相似日和RBF神经网络的短期电力负荷预测

短期电力负荷预测中选取合适的相似日作为训练样本可以简化训练过程并提高预测精度。为了减小积温效应对相似日选取的影响,提出了一种根据综合相似度选取相似日的方法。通过将温度和其他负荷影响因素分别计算相似度,从而根据计算得到的综合相似度来选取相似日。此外,为了提高RBF神经网络的预测效果,将训练样本先用减聚类进行聚类,根据聚类结果设置模糊c-means聚类的初值,运用模糊c-means聚类来优化RBF神经网络的隐含层参数,最后结合相似日和改进RBF神经网络进行短期电力负荷预测。通过实际电力负荷数据的仿真分析验证了所提方法的有效性。     

智能用电环境下电力负荷预测方法的研究

针对在智能用电环境下研究对象复杂且负荷随机性强,短期电力负荷预测算法精度差、计算时间长等问题,提出一种基于ELM-Adaboost神经网络改进算法预测短期电力负荷的新方法。该方法引入Adaboost算法,首先对经过预处理后的历史数据进行测试样本权重初始化,然后反复训练ELM网络预测输出,ELM算法预测过程简洁,速度快;通过Adaboost算法调整测试样本权重并确定弱预测器权重,最后将得到的多个ELM弱预测器组成强预测器。实验以某市的电力负荷数据的进行预测仿真以及结果比较。仿真结果表明该方法具有较高的预测精度,泛化性能好,具有一定的理论意义和较好的应用前景。     

基于Matlab的电力系统负荷频谱分析研究

简要介绍了快速傅立叶变换技术,结合电力系统实际负荷数据,利用Matlab软件对负荷进行频谱分析。结果表明,频谱分析能够有效识别电力用户周期性规律,充分挖掘负荷特性,对短期负荷预测和需求响应项目的普及具有重要意义。     

一种简单实用的超短期负荷组合预测方法

超短期负荷预测是电力市场的重要组成部分。现结合淮安供电公司洪泽供电公司的大量电网历史负荷数据,提出了一种简单实用的最优组合预测方法,该方法结合了线性外推法和改进的负荷求导法的优势,对于最优组合预测模型中权重正负的问题,寻找到了一个有利于提高预测精度的新不等式约束。实例证明,该预测方法计算速度快,预测时间短,预测精度高,符合工程应用的要求。     

基于MATLAB的短时电力负荷预测方法研究

电力系统负荷预测在电力系统调度、用电、规划中起着至关重要的作用。通过对历史数据的分析和研究,基于MATLAB软件平台对ARMA时间序列和BP神经网络两种预测方法进行了仿真实现。算例仿真结果表明,进行短期电力负荷预测时,时间序列法较BP神经网络法具有原始数据少、程序实现简单和训练时间短等优点。     

基于改进粒子群优化LSSVM的短期电力负荷预测

电力系统正常运行时,负荷预测是其运行和规划的重要依据之一。因此,针对粒子群算法(Particle Swarm Optimization,PSO)优化最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)存在的速度变化梯度方向产生的非最优粒子问题,提出了一种基于自适应粒子群优化LSSVM参数的短期电力负荷预测方法。该预测模型在保持PSO优点的基础上,引入了自适应步长,使PSO在速度梯度上找到更优的粒子;引入遗传算法的变异操作保持粒子群的多样性,减小算法陷入局部极值的可能。随后将自适应PSO对LSSVM回归估计方法的参数进行优化,得到自适应PSO-LSSVM。最后将该方法应用于短期电力负荷预测。     

电力需求侧的超短期负荷预测分析

从整合用电信息和气象信息等实时多信息源出发,研究了ARIMA预测及BP神经网络预测的单一模型,得出了BP神经网络预测模型更加适用于需求侧超短期负荷预测的结论,对全力推进电力需求侧管理信息平台和长效机制的建设具有重要指导作用。     

电力负荷总量预测与电力负荷空间预测在配电网规划中的应用

电力负荷预测是城市配电网规划工作的基础,关系到规划工作的合理性与规划成果的实效性。其中总量预测针对整个规划区域的负荷预测,是对未来电力负荷需求总量的预测;而空间预测涉及电力负荷的空间分布,影响规划成果的可行性。因此,分析了电力负荷总量预测与电力负荷空间预测方法及类别,然后结合实际案例进行了说明和讨论。     

面向智能物联的动态负荷预测量子进化方法

物联网与智能制造的结合导致大量制造数据的产生,为了实现基于大数据的智能制造电力负荷预测,提出并实现了一种智能物联云计算平台,实现用户与智能物联网之间双向通信控制的快速响应。提出一种基于改进外加输入的自回归滑动平均模型的短期动态负荷预测模型,结合平台中的智能传感设备和历史负荷、天气变化等综合数据,作为预测模型的外部输入变量,并利用改进的实数编码量子进化算法对预测模型进行参数估计以提高动态负荷预测的准确性。利用智能制造企业的实际负荷数据,采用所提方法进行预测并与实际负荷数据及传统方法的预测结果进行比较,实验结果表明,所提方案和算法能够有效提高智能制造过程中短期动态负荷预测的精度,同时通过并行化计算提升负荷预测的速度。     

长、短期电力负荷大数据下的智能预测实例分析

电力信息化平台的感知能力与检测精度日益提高,基于电力多维海量数据开展智能算法数据分析与知识挖掘,可高效处理数据,并获取具有指导意义的结论。考虑到不同时期的数据中彼此存在联系,可通过筛选历史时期数据的有效相关信息进行智能算法训练并做出合理预测。通过长、短期记忆网络对实际负荷数据进行预测,验证结果显示,基于长期数据可以较为准确地预测负荷变化情况,平均误差小于5%,对于合理规划电力生产具有一定的指导作用。