基于LSTM网络的时间多尺度电采暖负荷预测

电采暖负荷的准确预测对配电网安全稳定运行具有重要作用。为提高电采暖负荷预测精度,提出基于长短期记忆网络的时间多尺度电采暖负荷预测方法。该方法首先确定负荷预测网络模型参数,通过分析不同时间尺度下的电采暖负荷数据特征,在不同训练步长下,建立基于长短期记忆网络的电采暖负荷预测模型,实现电采暖负荷的准确预测。采用北京某地的电采暖负荷实测数据进行验证,结果表明在不同的时间尺度下,长短期记忆网络均能够实现电采暖负荷的准确预测。     

电采暖负荷-气温耦合特性与可调节潜力分析

为评估电采暖可调节潜力，基于新疆某地区实际情况开展电采暖负荷-气温耦合特性研究。分析了该地区的电源、负荷和冬季大负荷期间电力平衡情况，结合该地电采暖负荷装机及采暖期用户使用情况，开展电采暖负荷-气温耦合特性研究，并采用正弦和拟合法根据气温实现电采暖负荷预测。根据电采暖负荷预测结果，对电采暖可调节潜力进行分析，结果表明电采暖作为柔性负荷具备可观的可调节潜力。     

严寒地区分散式电采暖负荷可调节特性量化建模研究

我国北方地区冬季采暖需求巨大,这为利用电采暖解决大气污染及大规模风电消纳等问题提供了巨大的发展空间。但是,现有研究缺乏对分散式电采暖负荷可调节能力量化建模及评估的关注。由此,建立了基于多层建筑物传热过程的电采暖负荷可调节特性模型,并基于严寒地区实测数据,定量分析了多层建模分散式电采暖负荷功率-时间维度的可调节能力及其影响因素,为进一步控制电采暖负荷满足电力系统多种灵活调度需求奠定了良好基础。     

基于贝叶斯网络的短期负荷预测方法

作为电力系统经济调度中的重要内容之一,短期负荷预测的准确性对改善电网运行性能起着重要作用。由于传统预测方法具有一定的缺陷,提出了一种基于贝叶斯网络的短期负荷预测方法,在综合考虑影响负荷要素的基础上构建贝叶斯网络模型,并在已知负荷数据的基础上提出基于贝叶斯法则的学习算法,对某已知电网的大量负荷数据进行学习和预测。预测结果表明,贝叶斯网络模型较传统多元线性回归方法相比具有更高的预测准确度。     

基于LSTM网络的分散式电采暖负荷仿真分析

基于等效热参数模型的分散式电采暖负荷存在参数识别困难、仿真误差大,不能满足电网调节需求的问题,为此提出基于长短时记忆网络的分散式电采暖负荷仿真模型。首先,根据分散式电采暖负荷与建筑物之间的传热过程,确定模型参数。然后,结合模型输入变量与输出变量确定长短时记忆网络参数,建立负荷模型。并通过对测试集输入数据中的室内温度进行动态更新,实现了长时间尺度的温度仿真。接着,为衡量模型的准确性,提出了纵向与横向两种维度上的模型误差评价指标。最后,算例分析结果表明,相比于分散式电采暖负荷二阶等效热参数模型,基于长短时记忆网络的分散式电采暖负荷模型仿真结果的纵向误差与横向误差更小,模型精度更高。     

基于EEMD-BP神经网络的电采暖配电变压器短期负荷预测

为了快速准确地预测含高比例电采暖设备的配电变压器的短期负荷,提出了基于集成经验模态分解(ensemble empirical mode decomposition,EEMD)及BP神经网络算法组合的电采暖配电变压器短期负荷预测方法,该方法考虑了采暖日天气类型、采暖日温度等环境条件对居民采暖行为的影响。首先运用EEMD方法将日负荷序列分解成4组频率由低至高的分量序列及1组剩余分量序列,再将各分量序列及温度数据、气象数据输入BP神经网络中进行预测,最后各个预测分量相加得到最终的预测结果。将该方法应用于北京地区冬季“煤改电”工程中,对某个含高比例电采暖负荷的配电变压器进行短期预测,算例表明,EEMD-BP组合预测方法能够有效减小负荷预测误差。     

基于多因子考虑的地区电网电采暖负荷预测分析

冬季电采暖可以有效促进新能源的消纳,减少弃风、弃光现象.然而,大规模电采暖设备产生的谐波会影响电网质量,因此有必要对电采暖负荷进行分析和预测,以利于电网调度及安全运行,缓解电力系统负荷调峰和调频压力.为预测电采暖负荷,以某地区电采暖实际负荷为例,分析了影响电采暖负荷变动的4个因子即稳定负荷因子、气象敏感因子、随机负荷因...     

消纳风电预测偏差功率的电采暖负荷群运行调度策略

构建以新能源为主体的新型电力系统将面临尖锐的调节资源供需矛盾,电采暖负荷具有可时移特性,是优质的存量可调节资源。拟挖掘电采暖负荷调节功率作为电网辅助备用,针对风电功率预测偏差消纳问题,设计了负荷聚合商响应风电预测偏差功率的调度架构,构建了电采暖负荷群响应风电预测偏差功率的轮流调控响应策略以最大化消纳偏差功率,设计了电采暖负荷群-风电场算例系统,基于此对所提出的电采暖负荷群响应风电预测偏差调控方法的有效性进行了仿真验证,并分析了负荷群参与响应后的经济性。     

基于贝叶斯神经网络的电网超载负荷预测模型优化

电网负荷具有非线性的特点,可预测性较差。提出一种基于神经网络的电网负荷超载预测模型,设计了一个由输入层、隐含层以及输出层构成的网络模型,采用该模型对电网负荷超载进行预测,并基于贝叶斯定理训练该预测模型,对预测过程中的超载负荷不确定因素进行全面分析,采用求极大似然估计和迭代算法得到预测模型的最优参数,然后将各步迭代求解得到的神经网络输入当作随机变量输入,最后依据塑造的最佳预测模型得到最优电网负荷超载的预测结果。实验结果说明,所设计模型的预测结果同实际更接近,避免了不确定性对电网负荷超载预测的干扰,具有较高的预测准确度。     

考虑气象因素的电采暖负荷预测研究

为了改善空气环境,政府大力推进煤改电工程的落地实施,电采暖负荷被大量采用。电采暖负荷具有功率大、与季节和气象关系紧密、负荷密度集中的特征,对配电网规划运行产生较大影响,文中主要从气象因素角度出发,通过分析电采暖负荷的典型特征,筛选了温度和湿度两个主要气象因素,并结合北京某煤改电工程实际数据,通过回归分析方法分别提取了温度和湿度两个因素对电采暖负荷的灵敏度系数,提出了以温度因素为主,湿度因素为修正的电采暖负荷预测方法,经与实测数据对比,证明该预测方法具有更高的精准度。     

基于神经网络和ARIMA模型的冷热电短期负荷预测

冷热电负荷预测对终端供能系统的规划设计有重要意义,针对冷热电负荷预测方法中存在的变量多、时间开销大等问题,以5种典型建筑的冷热电负荷历史数据为基础,将Elman神经网络、自回归求和滑动平均ARIMA(autoregressive integrated moving average)模型和小波神经网络用于冷热电短期负荷预测。仿真结果表明:在冬夏典型日的冷热电负荷预测中,小波神经网络的最大平均绝对百分比误差为2.1%,计算速度适中,是较为合适的冷热电负荷预测方法;ARIMA模型的最大平均绝对百分比误差为4.1%,计算速度慢,但调试和确定参数的难度不大;Elman神经网络的最大平均绝对百分比误差为7.4%,但计算速度最快,网络参数少且调节简捷,适用于对预测精度的要求不太高,但需快速响应的场合。     

基于并行深度信念网络的电力负荷预测

针对传统电力负荷预测算法的训练速度慢、预测准确度不高等问题,提出了一种并行的基于深度信念网络的电力负荷预测方法.该方法基于并行计算框架和深度信念网络,对历史电力负荷和天气信息数据进行并行训练并预测负荷值.实验结果表明,该方法预测的电力负荷值与实际值之间的平均误差较低,预测精度高于传统方法,有效减少了算法训练和预测的耗时...     

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。     

基于深度学习的综合能源配电系统负荷分析预测

为支撑综合能源配电系统的经济调度和优化运行,提出了一种基于深度学习的冷热电多元负荷综合预测方法。首先,使用皮尔逊系数定量计算多元负荷间的相关关系,分析负荷与影响因素间相关性;然后,构建基于卷积神经网络和支持向量回归的深度学习模型,其中卷积神经网络作为特征提取器从输入数据中提取隐含的更具代表性的特征信息,支持向量回归作为预测模型输出预测结果,同时开展缺失数据与离群数据的预处理;最后,应用某综合能源系统的实际数据对算法的有效性进行了验证,比较分析了考虑多元负荷相关性对预测结果的影响。结果表明:所提出的RCNN-SVR模型对冷、热、电负荷均有较好的预测精度。研究成果可为综合能源配电系统的综合负荷预测提供参考。     

基于长短期记忆神经网络组合算法的短期电力负荷预测

短期电力负荷具有不平稳、随机性强等特点,传统的负荷预测方法在建模中常表现出一定的局限性。为提高预测精度,提出了一种基于互补集合经验模态分解(complement-ary ensemble empirical mode decomposition, CEEMD)、长短期记忆(long short-term memory, LSTM)神经网络和多元线性回归(multiple linear regression, MLR)方法组合而成的CEEMD-LSTM-MLR短期电力负荷预测方法。首先将电力负荷数据通过CEEMD分解为高频分量和低频分量;将复杂的高频分量通过经贝叶斯优化的LSTM神经网络进行预测,周期性的低频分量通过MLR方法进行预测,最后将各分量叠加重构得到最终预测结果。通过算例分析,一方面将不同分解方法进行对比,一方面将不同模型进行对比并探究贝叶斯调参对结果的影响,验证了所提模型更具可靠性与准确性。     

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。     

One-hour-ahead load forecasting using neural network

Load forecasting has always been the essential part of an efficient power system planning and operation. Several electric power companies are now forecasting load power based on conventional methods. However, since the relationship between load power and factors influencing load power is nonlinear, it is difficult to identify its nonlinearity by using conventional methods. Most of papers deal with 24-hour-ahead load forecasting or next day peak load forecasting. These methods forecast the demand power by using forecasted temperature as forecast information. But, when the temperature curves changes rapidly on the forecast day, load power changes greatly and forecast error would going to increase. In conventional methods neural networks uses all similar day's data to learn the trend of similarity. However, learning of all similar day's data is very complex, and it does not suit learning of neural network. Therefore, it is necessary to reduce the neural network structure and learning time. To overcome these problems, we propose a one-hour-ahead load forecasting method using the correction of similar day data. In the proposed prediction method, the forecasted load power is obtained by adding a correction to the selected similar day data