基于多源数据和模型融合的超短期母线负荷预测方法

母线负荷预测对于电网调度运行的安全性和在线分析决策的准确性具有重要的意义。为了进一步提高母线负荷预测精度,提出了一种基于多源数据和模型融合的超短期母线负荷预测方法。结合当前电力大数据,首先将历史负荷数据、日期信息以及天气信息等多类型数据作为预测模型的输入特征,并建立基于BP-ANN(back propagation)神经网络和CNN(convolutional neural network)神经网络融合的预测模型。然后采用BP-ANN提取数值类型和类别类型数据的特征向量,与CNN提取图像型数据的特征向量进行融合,通过多层BP-ANN神经网络进行超短期母线负荷的预测。最后,采用我国某地区220kV变电站高压侧的有功负荷历史数据和该地区天气信息进行实例分析。实验结果分析表明,所提方法能够充分有效利用多源数据和模型融合的特点进行超短期母线负荷预测,相较于BP-ANN和CNN单独模型预测具有更高的负荷预测精度。     

基于PSR和DBN的超短期母线净负荷预测

随着电网优化调度的精细化、智能化和计及电力系统安全性与经济性的电网高级应用的广泛采用及分布式能源的大量接入,母线负荷预测的精度要求不断提高而负荷的不确定性和非线性特征进一步增强。针对上述问题,文中提出一种基于相空间重构(PSR)和深度信念网络(DBN)的超短期母线负荷预测模型,首先采用C-C法对净负荷时间序列进行PSR,然后利用DBN对重构后的数据进行拟合并得出负荷的预测值。文中利用某市变电站实测负荷数据检验了该超短期母线负荷预测模型的有效性,证明该模型在分布式电源渗透率较高且母线负荷波动较大的情况下仍然有较高的预测精度。     

基于VMD和贝叶斯优化LSTM的母线负荷预测方法

新型电力系统背景下,为提升母线负荷预测的精确性与稳定性,针对母线负荷噪声,提出一种考虑变分模态分解（variational mode decomposition,VMD）降噪优化和长短期记忆网络（long short-term memory,LSTM）的母线负荷预测方法。通过VMD将母线负荷分解为多个平稳的固有模态函数余项,将其分解项去除噪声后进行重组,达到降噪优化效果;对降噪后的母线负荷序列构建基于LSTM的时序预测模型,利用贝叶斯优化方法对网络初始超参数进行优化,以提高时序预测模型的精度。算例研究结果表明：利用VMD对母线负荷进行降噪优化后再进行预测,有利于预测结果更加稳定,且贝叶斯优化寻参解决了因初始参数设置不当而使预测结果精度不高的问题。该文方法可运用于母线短期负荷预测,并为电网调度运行提供了决策依据。     

基于D-S证据理论的母线负荷预测

基于D-S证据理论,提出一种母线负荷预测新方法。该方法对BP神经网络、改进的BP神经网络和支持向量机(SVM)的母线负荷预测模型分别建立权重提取和权重融合模型,并运用D-S证据理论对3种预测模型的权重进行融合。通过对预测数据进行分析,提取证据理论样本,并将可信度函数的融合结果作为母线负荷预测模型的权重,最终得到待预测日的母线负荷预测结果。仿真结果表明,与单一的母线负荷预测模型相比,经D-S证据理论融合的母线负荷预测模型更有效,也具有更高的预测精度。     

小波贝叶斯神经网络在冲击负荷地区短期负荷预测中的应用

大量随机冲击负荷(炼钢厂、轧钢厂)接入系统给负荷预测造成困难,使得短期负荷预测精度下降。首先就冲击负荷地区的负荷特征进行分析,找出影响负荷预测精度的原因,提出利用小波变换对负荷序列进行多尺度分解,得到在不同频段下负荷子序列,重点针对各负荷分量不同特点,建立含不同输入量的贝叶斯神经网络预测模型,再将预测结果进行小波重构,从而得出最后预测结果。再与另两种模型进行对比,结果表明该方法能提高冲击负荷地区的短期负荷预测精度。     

基于DWT-MOSMA-SVM的多目标优化短期母线负荷预测

母线负荷基数小，波动性和不确定性大，随着光伏、风电等可再生能源的接入，母线负荷受天气等随机性因素的影响增加，母线负荷的高精度预测受到很大影响。针对小样本场景下母线负荷预测问题，提出了一种基于离散小波变换-多目标黏菌算法-支持向量机(discrete wavelet transformation-multiple objective slime mould algorithm-support vector machine, DWT-MOSMA-SVM)的多目标优化短期母线负荷预测方法。首先采用离散小波变换对母线负荷数据进行处理；然后兼顾预测的精度和稳定性两个目标函数，采用多目标黏菌算法对支持向量机的惩罚因子和核函数参数进行优化；最后在优化所得的Pareto前沿面上选择Pareto最优解，以此搭建支持向量机(support vector machine, SVM)预测模型进行训练，并将预测结果与长短期记忆网络(long short-term memory, LSTM)、未优化的SVM以及多目标黏菌算法(multi-objective slime mold algorithm, MOSSA)...     

基于数值天气预报的母线负荷综合预测模型

母线负荷预测是电网安全校核和编制发电调度计划的基础。基于母线负荷历史数据和数值气象数据,通过相关性分析将母线负荷进行分类,提出了一种基于数值天气预报的BP神经网络母线负荷预测方法。进而以倍比平滑法和基于数值气象数据的BP神经网络法为基础,建立了分时段变权重的综合预测模型。对烟台地区的母线负荷预测结果表明,所提出的母线负荷综合预测模型有效地提高了预测准确率,对含大规模风电接入电网的输电设备安全校核具有重要的实用价值。     

基于Seq2seq模型的多特征短期母线负荷预测

母线负荷短期预测对电力系统调度运行及电力现货交易市场具有重要意义，由于母线负荷受到复杂多因素的影响，单独采用母线负荷历史数据进行预测不能取得很好的效果。为提升多因素影响下母线负荷预测的准确率，本文结合特征工程和深度学习法，对母线负荷的影响因素进行斯皮尔曼相关性分析，设计时间连续性周期编码；对Seq2seq模型的编码器和解码器设置不同的特征组进行消融实验；将实验结果与采用离散小波变换分解提取特征的方法进行对比，结果表明，本文提出的特征工程结合深度学习Seq2seq框架的母线负荷短期预测效果更佳。     

基于Prophet-LSTM组合模型的短期负荷预测方法

针对短期负荷预测精度问题,提出一种基于Prophet加法模型和长短期记忆LSTM(long-short term memo?ry)网络的组合模型的短期负荷预测方法.首先分别建立Prophet预测模型和LSTM预测模型,然后采用最小二乘法对两种方法取不同的权重组合,得到新的模型并进行预测.以2014年全球能源预测竞赛(GEFCom2014)的电力负荷数据作为算例验证.实验结果表明,与ARIMA模型预测方法、随机森林模型负荷预测模型方法和标准Prophet和LSTM负荷预测方法相比,所提负荷预测方法所得结果具有更高的预测精度.     

面向节能发电调度的母线负荷预测平台

根据节能发电调度对母线负荷预测提出的新要求,提出了建设母线负荷预测平台的总体方案.采用多层体系的B/S结构和J2EE技术,应用高性能网络数据库作为后台数据支持,建立了以母线负荷分析和预测为核心,集数据采集与管理、预测后评估分析和预测结果的上报考核管理一体化的信息管理和预测系统.提出了母线负荷建模方法、母线负荷预测模型方法库、自适应训练机制、预测过程控制等关键技术,为进行详尽的数据挖掘分析、高质量的需求预测和一体化的母线负荷管理提供灵活的网络化操作平台.该平台适应电网调度管理精益化的新要求,可为提高母线负荷预测精度、提升负荷预测工作的管理水平、保障电力系统安全经济运行提供有力的技术支持.     

基于Dropout-ILSTM网络的短期电力负荷预测

针对传统BP神经网络难以处理电力负荷数据间关联的问题,提出了一种基于Dropout的改进的长短期记忆神经网络结构用于短期电力负荷预测。这种改进的长短期记忆神经网络(Improved LSTM,ILSTM),通过将长短期记忆网络的多个时间步输入与输出矢量进行全连接,增强了对目标系统中线性成分的表征;使用Dropout对ILSTM网络进行优化,提高了网络的泛化能力,同时减少了模型的训练时间;以日期、温度、电价和电力负荷数据作为输入构建了Dropout-ILSTM电力负荷预测模型。以AEMO提供的新南威尔士州电力负荷数据作为测试用例,实验结果表明,相较其它神经网络模型,文中所提出的Dropout-ILSTM模型预测精度更高、泛化能力更强,适用于不同预测宽度的电力负荷预测。     

基于改进BP神经网络的短期电力负荷预测方法研究

针对短期负荷预测精度低、准确性差等问题,将猫群算法CSO和BP神经网络相结合用于短期负荷预测,模型的输入因子是负荷数据和气象信息等,利用猫群算法对BP神经网络的权值和阈值进行优化,得到BP神经网络预测模型的最优解,建立了短期预测模型。通过实例验证了预测模型的有效性和有效性,结果表明,改进模型能够有效降低BP神经网络模型的预测误差,提高预测精度,为我国电力系统短期负荷预测的发展提供了参考和借鉴。     

基于改进灰色关联分析与蝙蝠优化神经网络的短期负荷预测

针对短期负荷预测的精度问题,文中提出基于改进灰色关联与蝙蝠优化神经网络的短期负荷预测方法。在传统的灰色关联分析方法基础上,引入以距离相似性和形状相近性相关联的综合灰色关联度选取更高相似度的相似日。为缩小训练样本的差异程度,提高预测精度,利用相似日集合中的样本来训练蝙蝠优化的反向传播(BP)神经网络预测模型。以中国南方某城市的历史数据作为实际算例,将文中提出的基于改进灰色关联与蝙蝠优化神经网络的短期负荷预测方法与单纯的BP神经网络法、蝙蝠优化BP神经网络法、传统灰色关联与蝙蝠优化的BP神经网络组合法的预测结果相比,结果表明文中方法的预测精度较高。     

基于完整自适应噪声集成经验模态分解的LSTM-Attention网络短期电力负荷预测方法

短期电力负荷预测在电网安全运行和制定合理调度计划方面发挥着重要作用。为了提高电力负荷时间序列预测的准确度,提出了一种由完整自适应噪声集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)和基于注意力机制的长短期记忆神经网络(long short-term memory network based on attention mechanism, LSTM-Attention)相结合的短期电力负荷预测模型。完整自适应噪声集成经验模态分解有效地将负荷时间序列分解成多个层次规律平稳的本征模态分量,并通过神经网络模型预测极大值,结合镜像延拓方法抑制边界效应,提高分解精度,同时基于注意力机制的长短期记忆神经网络自适应地提取电力负荷数据输入特征并分配权重进行预测,最后各预测模态分量叠加重构后获得最终预测结果。通过不同实际电力负荷季节数据分别进行实验,并与其他电力负荷预测模型结果分析进行比较,验证了该预测方法在电力负荷预测精度方面具有更好的性能。     

基于预测可信度的多级协调空间负荷预测方法

提出了一种基于负荷预测可信度的多级协调SLF方法。该方法首先确定了元胞历史负荷数据的评价指标,并运用灰色关联度理论,计算出各元胞的负荷预测可信度。然后建立空间电力负荷多级协调模型,并将元胞负荷预测可信度应用到多级协调模型中,最后利用该模型调整元胞目标年的预测值。空间电力负荷多级协调模型以不同层级负荷之间的关系为基础,在一定程度上能够消除上下级电网的预测结果之间出现的不均衡、不协调的现象,从而提高了空间负荷预测结果的准确性,为进一步的电网规划打下了坚实的基础。选取了指数平滑作为预测方法,并对预测结果采用空间电力负荷多级协调模型进行优化调整,调整结果表明空间电力负荷多级协调模型具有实用性和有效性。     

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CNN-LSTM混合神经网络模型的短期负荷预测方法

为了更好地挖掘海量数据中蕴含的有效信息,提高短期负荷预测精度,针对负荷数据时序性和非线性的特点,提出了一种基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合模型短期负荷预测方法,将海量的历史负荷数据、气象数据、日期信息以及峰谷电价数据按时间滑动窗口构造连续特征图作为输入,先采用CNN提取特征向量,将特征向量以时序序列方式构造并作为LSTM网络输入数据,再采用LSTM网络进行短期负荷预测。使用所提方法对江苏省某地区电力负荷数据进行预测实验,实验结果表明,文中所提出的预测方法比传统负荷预测方法、随机森林模型负荷预测模型方法和标准LSTM网络负荷预测方法具有更高的预测精度。     

基于串行式GA-BP的短期负荷预测方法

针对短期电力负荷预测问题,提出一种基于串行式遗传算法-反向传播神经网络模型的预测方法。首先,由关联分析法确定负荷主要影响因素。然后,确定反向传播神经网络1的输入量为负荷主要影响因素,输出量为相应负荷值,实现多因素回归预测。最后,将反向传播神经网络2串行式融入,并确定其训练数据集为反向传播神经网络1的预测值集,继而实现时间序列预测。两个反向传播神经网络在训练前均采用遗传算法进行初始权值阈值的优化,该方法实现了多因素回归预测与时间序列预测的融合。仿真结果表明,本文所提方法较其他同类型负荷预测方法具有更高的预测精度,可较好地应用于负荷预测工作。     

基于关联模糊神经网络和改进型蜂群算法的负荷预测方法

为提高负荷预测精度,考虑历史负荷数据之间相关联的特性,利用关联模糊神经网络建立了负荷预测模型。与其他负荷预测方法相比,基于关联模糊神经网络和改进型蜂群算法的负荷预测方法,减少了模型所需要的模糊规则的数量,降低了模型的复杂度。将该方法应用于某地实际负荷预测,数值结果表明,该方法具有较高的预测精度。