基于CNN-BiGRU-NN模型的短期负荷预测方法

为充分挖掘蕴含在大量采集数据中的有效信息,提高短期负荷预测精度,提出一种基于卷积神经网络(CNN)和双向门控循环单元(BiGRU)、全连接神经网络(NN)的混合模型的短期负荷预测方法,将海量的历史负荷数据、气象信息、日期信息按时间滑动窗口构造特征图作为输入,先利用CNN提取特征图中的有效信息,构造特征向量,再将特征向量...     

基于GRU-NN模型的短期负荷预测方法

目前基于统计分析和机器学习的预测方法难以同时兼顾负荷数据的时序性和非线性特点。文中提出了一种基于GRU-NN模型的短期电力负荷预测方法。该方法基于深度学习思想处理不同类型的负荷影响因素,引入门控循环单元(GRU)网络处理具有时序性特点的历史负荷序列,建模学习负荷数据内部动态变化规律,其输出结果与其他外部影响因素(天气、日类型等)融合为新的输入特征,使用深度神经网络进行处理,整体分析特征与负荷变化的内在联系,最后完成负荷预测。以美国某公共事业部门提供的公开数据集和中国某地区的负荷数据作为实际算例,该方法预测精度分别达到了97.30%和97.12%,并与长短期记忆神经网络、多层感知机以及GRU神经网络方法进行对比,实验结果表明所提方法具有更高的预测精度和更快的预测速度。     

基于小波网络的短期负荷预测方法

提出一种基于小波网络的短期负荷预测模型，小波网络结合了小波变换良好的时频局域性质和神经网络的自学习能力，因此具有比神经网络更灵活的函数逼近能力，同时有效地改善了神经网络难于合理确定网络结构、存在局部最优等缺陷，算例表明，这种模型是快速准确的。     

基于CNN-ISSA-GRU模型的短期负荷预测方法

电网的可靠运行及持续发展离不开对短期电力负荷的高效、准确预测。针对表征电网负荷变化的历史数据具有复杂性和时序性等特点,且现有的机器学习预测方法仍存在依据经验选取关键参数的不足,利用卷积神经网络(CNN)提取表征负荷变化的多维特征向量,构造成时间序列输入到门控循环单元(GRU),并使用改进麻雀搜索算法(ISSA)对GRU网络中的超参数进行迭代寻优。预测试验样本来自云南某地区的负荷数据,所提方法的预测精度达到了98.624%,与循环神经网络(RNN)、GRU和长短期记忆(LSTM)等神经网络预测方法进行对比,算例表明,所提方法克服了依据经验选取关键参数难题的同时具有更高的预测精度。     

基于小波分析的电力系统短期负荷预测方法

在分析电力负荷频谱特性时发现负荷信号的变化过程具有连续频谱的特性。该文在此基础上提出一种基于小波变换的电力系统短期负荷预测新方法：通过小波变换，将各序列分量分别投影到不同的尺度上，对不同的子负荷序列进行数据处理，并分别采用相匹配的模型进行预测，最后退过小波重构，得到完整的负荷预测结果。算例计算表明新方法具有较高的预测精度和较强的适应能力。     

基于小波变换理论在电力系统短期负荷预测中的应用

介绍了基于数学模型小波（变换）分析法，能够提取短期负荷时间序列中的任意细节，短期负荷序列经过小波变换后，可以分解为相应的子序列，并对子序列进行时域与频域处理，使用周期自回归模型对子序列进行预测的方法，指出其预测的精确度比传统的要高，是目前很多领域中实现短期负荷预测较好的方法。     

基于VMD-CNN-BIGRU的电力系统短期负荷预测

为提高负荷预测精度,考虑了历史负荷本身内在规律及外部影响因素,提出一种基于变分模态分解（variational modal decomposition,VMD）–卷积神经网络（convolutional neural networks,CNN）–双向门控循环单元（bi-directional gated recurrent unit,BIGRU）混合网络的短期负荷预测方法,改善了训练时长和预测效果。通过仿真分析验证了所提方法的有效性,且该方法与其他模型相比有更高的负荷预测精度和更强的鲁棒性,能够提高电力系统短期负荷预测的精确度。     

基于小波变换和季节性Holt-Winters模型的 短期负荷预测方法

精准的负荷预测对售电公司在电力市场中的运行起着十分重要的作用,而企业用户的负荷受多种因素的影响具有不平稳的特性,对此,提出了基于离散小波分解和粒子群优化的季节性Holt-Winters模型的短期负荷预测方法.针对原始负荷序列周期性不平稳的特性,利用离散小波变换对原始负荷序列进行分解,并采用季节性Holt-Winters模型进行预测,同时借助小波去噪和粒子群算法进一步提高预测模型的准确性.小波去噪在过滤原始数据中潜在的噪声的同时,对数据进行平滑处理,而粒子群算法能让Holt-Winters模型在训练过程找到最优参数.采用该模型来预测具有不同变化趋势的日负荷曲线,结果表明所提出的模型具有较高的预测精度,可适用于不同用电类型的用户负荷短期预测.     

基于小波变换和支持向量机的电力系统短期负荷预测

提出一种改进的基于离散小波变换和支持向量机的短期负荷预测方法.运用离散小波变换将负荷时间序列分解为高低频子序列,采用目前较为成熟的支持向量机方法,选择适当的参数对每个序列进行滚动式的单支预测,最后将各分支预测结果相加最终实现负荷预测.实例中负荷数据采用四川省某地区的历史负荷,对该地区的日96点负荷进行全年预测,并将该算法与支持向量机算法进行比较,结果表明,该算法具有较高预测精确性.     

基于小波变换和支持向量机的电力系统短期负荷预测

提出一种改进的基于离散小波变换和支持向量机的短期负荷预测方法。运用离散小波变换将负荷时间序列分解为高低频子序列,采用目前较为成熟的支持向量机方法,选择适当的参数对每个序列进行滚动式的单支预测,最后将各分支预测结果相加最终实现负荷预测。实例中负荷数据采用四川省某地区的历史负荷,对该地区的日96点负荷进行全年预测,并将该算法与支持向量机算法进行比较,结果表明,该算法具有较高预测精确性。     

基于小波变换的混合神经网络短期负荷预测

准确的短期负荷预测是作出正确营销决策的依据。采用小波变换对负荷序列进行分解,对于每一分解序列,分别按照各自的特点选择出比较合适的影响因素,采用信息熵理论和主成份分析相结合的属性约简法对其进行约简,并利用动态聚类对各分解序列的样本归类,通过灰色关联分析找到与预测时刻负荷模式最接近的一些典型样本,训练各分解序列相应的神经网络预测模型,最后通过序列重构,得到完整的负荷预测结果。采用实际负荷数据进行测试,表明这一方法预测效果较好。     

基于小波变换的ARMA-LSSVM短期风速预测

对风电场风速的准确预测,可以有效减轻并网后风电对电网的影响,提高风电市场竞争力。提出将时间序列自回归滑动平均模型（Auto Regressive Moving Average, ARMA） 与最小二乘支持向量机模型（Least Square Support Vector Machine,LS-SVM）相结合的混合模型短期风速预测方法。采用小波变换（Wavelet Transform,WT）方法将历史风速序列分解成具有不同频率特征的序列。根据分解后各分量的特点,对于低频趋势分量选取LS-SVM方法进行预测,而高频波动分量则选取ARMA模型进行预测,采用小波重构得到最终预测结果。仿真实例表明,不同的预测方法整体的预测精度不同,而混合模型预测的均方根误差最低为11.5%,与单一预测方法相比,混合模型提高了预测精度。     

基于多神经网络融合的短期负荷预测方法

为了利用不同深度神经网络的优势,提高深度学习算法对短期负荷的预测能力,提出一种基于多神经网络融合的短期负荷预测方法。以电力系统历史有功负荷、季节、日期类型和气象数据为输入特征,并行架构的深度神经网络和注意力机制网络为核心网络;以并行架构中的卷积神经网络通道提取静态特征,门控循环单元网络通道挖掘动态时序特征,采用注意力机制网络融合提取的特征并动态调整网络对不同特征的依赖程度;使用Maxout网络增强网络整体的非线性映射能力,通过全连接网络输出预测结果。与支持向量机、长短期记忆网络的算例结果对比表明,所提方法具有更高的预测平稳性和准确性。     

基于DWT-Informer的台区短期负荷预测

电力负荷预测是确保电力系统安全高效运行的关键任务,针对台区短期电力负荷预测这一关键问题,该文章研究了电气特性数据处理和Informer模型优化的新方法。文章通过离散小波变换（DWT）对电流数据进行降噪处理,同时使用Prophet模型提取时序特征优化输入数据;并采用Informer的稀疏自注意力机制和自注意力蒸馏,增强了模型的特征捕捉和预测速度。实例数据验证表明,经过DWT和Prophet特征处理后的模型在各项相同的指标下均优于原始模型,验证了DWT-Informer模型在数据预处理和模型优化方面均取得了显著的性能提升。     

基于混合神经网络的短期电力负荷预测方法

电力负荷预测对电网的经济运行至关重要,为提高短期负荷预测精度并降低混合神经网络模型的训练时间,提出了一种基于多层感知器（MLP）的基础子网、简单循环单元（SRU）与主成分分析（PCA）的短期电力负荷预测模型。首先,考虑影响电力负荷变化的各种因素,建立负荷预测输入特征集;其次,利用PCA对输入网络的部分特征进行变换并降维;最后,将经过PCA处理后得到的全新数据信息作为模型的输入,并结合Adam梯度下降算法进行训练,输出负荷预测的结果。通过仿真实验结果表明,包含SRU的混合模型在全部测试集样本上的MAPE为2.126%,远低于仅有子网的单一模型与包含DNN的混合模型,而与包含LSTM的混合模型相比,训练时间却降低了22.74%,同时PCA的应用也使得模型的收敛速度加快,极大地减小了训练轮数。     

基于PSO-WPESN的短期电力负荷预测方法

精确的短期电力负荷预测是电力生产优化调度和安全稳定运行的重要保证,是智能电网建设的重要一环。为提高模型的预测精度,提出了一种基于粒子群优化小波包回声状态神经网络的短期电力负荷预测方法。首先利用多分辨率小波包分解方法对负荷数据进行分解和重构,建立小波包回声状态网预测模型;然后,利用粒子群算法对预测模型储备池中的参数进行优化。实验结果表明:针对短期电力负荷动态时间序列数据,与BP、Elman、传统ESN等网络相比,PSO-WPESN网络的预测精度、稳定性和泛化能力都得到明显增强,尤其是能在一定程度上缓解由于输出矩阵过大造成ESN存在病态解的弊端。