基于Holt-Winters指数平滑和时间卷积网络的短期负荷预测

为提升短期电力负荷预测的精度,着眼于特征组合的构建,提出了一种基于Holt-Winters指数平滑的特征组合(FCHW),并结合时间卷积网络(TCN)构建了FCHW-TCN负荷预测框架。首先,应用Holt-Winters指数平滑进行负荷序列预测,得到与负荷序列相关的级别分量和季节性分量。通过将上述分量用作输入特征,并与常规特征(历史负荷、日期)构成特征组合,构建了FCHW;其次,选择TCN作为预测模型,以FCHW作为TCN输入,搭建了FCHW-TCN预测框架;最后,采用2个不同负荷数据集和多个预测模型对FCHW和FCHW-TCN进行验证。结果表明,FCHW有助于模型预测精度的提升;与其他预测模型相比,FCHW-TCN预测框架有着最高的预测精度,具有优越的预测能力。     

基于多尺度特征增强DHTCN的电力系统短期负荷预测研究

为充分挖掘蕴含在电力负荷数据中的多尺度时序信息,提升短期电力负荷预测精度,提出了一种多尺度特征增强的改进时间卷积神经网络(improved temporal convolutional network with multi-scale feature enhancement, ECA-MS-DHTCN)模型。首先,使用4种不同尺寸卷积核的因果卷积提取负荷数据特征,并在特征提取层中嵌入高效通道注意力(efficient channel attention network, ECA)模块实现不降维的局部跨通道交互,得到带有通道注意力的多尺度负荷特征。然后,利用双混合扩张卷积层改进基本时间卷积神经网络(temporal convolutional network, TCN)残差块结构,克服TCN模型中扩张卷积结构存在的信息不连续及远距离信息不相关问题,兼顾负荷特征浅层细节及深层联系。最后,将ECA优化的多尺度特征提取层与改进TCN模型结合搭建ECA-MS-DHTCN负荷预测框架,完成短期负荷预测任务。经实际电网负荷数据仿真,结果表明所提出的ECA-MS-DHTCN模型可以在保持较快训练速度的同时有效地提高预测精度。     

基于小波变换与BiGRU-NN模型的短期负荷预测方法

为更好地挖掘大量采集数据蕴含的有效信息,提高短期负荷预测精度,文中提出一种基于小波变换与双向门控循环单元(BiGRU)、全连接神经网络(NN)混合模型的短期负荷预测方法。文章利用小波变换将负荷特征数据分解为高频数据以及低频数据,再分别建立高频混合神经网络以及低频混合神经网络模型进行预测。在混合神经网络模型中,将负荷特征数据作为BiGRU-NN网络的输入,利用BiGRU-NN网络学习负荷非线性以及时序性特征,以此进行短期负荷预测。文中以丹麦东部地区的负荷数据作为算例,实验结果表明,该方法与GRU神经网络、DNN神经网络、CNN-LSTM神经网络相比,具有更高的预测精度。     

基于多负荷特征和TCN-GRU神经网络的负荷预测

传统负荷预测未深入考虑负荷序列对模型预测精度的影响。为提高预测精度,提出了多负荷特征组合(multi-load feature combination, MLFC),并结合时间卷积网络(temporal convolution network,TCN)和门控循环单元(gated recurrent unit,GRU)构建了负荷预测框架。首先,引入负荷变化率特征和基于集合经验模态分解的负荷分量特征,并与负荷、日期特征构成MLFC;其次,选取TCN和GRU进行特征提取和预测,基于MLFC搭建MLFC-TCN-GRU预测框架;最后,采用不同模型验证所提方法。结果表明：MLFC有助于预测精度提升,且适用于不同模型。同时,MLFC-TCN-GRU相较于其他模型有着较高预测精度。     

基于集成模型的混合神经网络电力负荷预测

为了提高负荷预测的精度与泛化能力,提出了一种基于Bagging集成算法的GRU-BiLSTM-Self-attention模型。为充分提取高维输入数据的多个特征,该模型采用BiLSTM-Self-attention模型提取局部特征,采用GRU模型提取时序特征,从同一训练集中独立抽取样本子集并进行训练,对输出结果集成处理并得到最终的预测结果。选取南京某供电公司真实数据进行实验,并与LSTM神经网络、GRU神经网络、BiLSTM神经网络等预测模型进行对比。实验数据表明,该模型的均方根误差为50.770 3,准确率为97.36%。相较于其它用于对比的模型,该结果表明本模型在预测效果上具有一定程度的优势,说明所提出的模型具有更好的泛化能力与预测精度。     

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GRU神经网络的电力负荷预测∗

针对人工提取电力负荷特征困难,传统电力负荷预测方法预测时间序列效果较差等问题,提出了利用门控循环单元 (GatedRecurrentUnit,GRU)神经网络预测电力负荷的方法.利用Python编程语言在 TensorFlow 框架下 搭建 GRU 神经网络,利用第九届电工大赛电力负荷数据集,将清洗好的数据输入搭建的神经网络进行训练.对比 GRU 神经网络模型和循环神经网络 (RecurrentNeuralNetwork,RNN)模型,得出 GRU 神经网络模型的效果优于 RNN 神经网络模型的结论.     

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-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,再将特征向量作为BiGRU-NN网络的输入,采用BiGRU-NN网络进行短期负荷预测。以2016年举办的全国第九届电工数学建模竞赛试题A题中的负荷数据作为实际算例,实验结果表明：该方法与DNN神经网络、GRU神经网络、CNN-LSTM神经网络短期负荷预测法相比,有更高的预测精度。     

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PSO算法优化GRU神经网络的短期负荷预测

为了实现高精度的电力系统短期负荷预测,提出了基于粒子群优化(particle swarm optimization,PSO)算法优化门控循环单元(gated recurrent unit,GRU)神经网络的电力系统短期负荷预测模型。首先建立GRU神经网络,GRU神经网络采用了门控循环单元,与采用传统循环单元的传统循环神经网络相比,克服了传统循环神经网络中可能出现的梯度爆炸和梯度消失问题;继而采用具有较强全局优化能力的改进粒子群算法对GRU神经网络参数进行优化,有效提高模型的预测精度。通过实际算例仿真分析,并与传统的GRU神经网络预测模型以及反向传播(back propagation,BP)神经网络预测模型进行对比,验证了所提电力系统短期负荷预测模型具有较好的精度和稳定性。     

基于并联时序卷积神经网络的电力负荷短期预测

电力负荷的短期预测可以合理地确定机组运行方式,安排日调度计划,提高计量精准度,对实现系统功率平衡和保障系统的安全经济运行具有重要意义。在利用神经网络进行负荷短期预测时,若训练数据不足,模型的学习能力会大大降低。同时,由于电力负荷数据存在小时周期、日周期、周周期、季节周期特性,常规神经网络训练模型无法反映负荷的不同周期特性,对预测结果的准确性也会造成一定的影响。为此,首先提出一种数据增强方法,有效解决电力负荷预测中训练数据不足的问题。其次,针对负荷的周期性特征,进一步提出使用不同周期特征的并联时序卷积神经网络模型的融合方案,有效反映负荷数据的多周期特征,从而提升电力负荷短期预测的准确度。通过对某地市不同电压等级线路负荷数据的建模和训练,验证所提方法在短期预测方面的有效性和优越性。     

基于TCA-CNN-LSTM的短期负荷预测研究

为有效地挖掘历史数据信息,提高短期负荷预测准确性,文章针对电力负荷时序性和非线性的特点,在原有一维卷积神经网络(Convolutional Neural Network, CNN)-长短期记忆网络(long short term memory,LSTM)模型的基础上,分别在CNN和LSTM侧嵌入通道注意力机制(Channel Attention,CA)和时序注意力机制(Temporal Attention,TA),构建CA-CNN和TA-LSTM模块,然后结合CA-CNN和TA-LSTM模块构建TCA-CNN-LSTM的层级注意力机制短期负荷预测模型。同时,为提高训练数据的质量并加快模型训练速度,运用K-means和决策树模型选取相似日数据, 构建基于相似日数据的向量特征时序图,最后将时序图输入TCA-CNN-LSTM负荷预测模型完成预测。以澳大利亚某地真实数据集和2016电工杯数学建模竞赛电力负荷数据为算例,分别应用TCA-CNN-LSTM模型与支持向量机、多层感知机(Multilayer perceptron, MLP)、LSTM、CNN-LSTM和CNN-Attention-LSTM模型的预测结果进行对比,实验结果表明所提方法具有更高的预测精度。     

基于新型日期映射法和ISGU混合模型的短期电力负荷预测

针对电力负荷非线性、预测条件多样性、预测模型参数设置主观性等问题,提出一种基于强适应性的日均负荷日期映射法、高非线性拟合性能的门控循环单元(Gate Recurrent Unit, GRU)和强搜索性能的改进麻雀搜索算法(Improved Sparrow Search Algorithm, ISSA)相结合的ISSA-GRU(ISGU)混合模型进行短期电力负荷预测(Short-term Load Forecasting, STLF)。首先,利用日均负荷日期映射法对星期-节假日因素进行映射,解决该因素因非数字化导致不易输入预测网络的问题。随后,从诸多相关因素中筛选出高度相关特征值,以此解决预测条件多样性问题。最后,构建GRU网络进行负荷预测,并引入ISSA算法对GRU网络参数进行客观配置。为验证ISGU混合模型的有效性,采用新加坡电力负荷数据进行实验,并将实验结果与现有算法进行比较。实验结果表明,所提方法对STLF具有良好性能,有效提高了STLF统计标准的精度指标。     

基于TCN-LSTM和气象相似日集的电网短期负荷预测方法

为充分挖掘不同气象因素的相似日信息和输入特征蕴含的信息以提升负荷预测精度,提出一种基于时间卷积网络和长短期记忆网络组合（TCN-LSTM）和气象相似日集的电网短期负荷预测方法。首先通过Pearson系数和最大信息系数,选出与负荷强相关的气象因素;然后根据该气象因素,选取最佳相似日组成气象相似日集,以气象相似日集负荷、历史负荷、气象因素和时间因素作为预测模型的输入特征;最后,搭建TCN-LSTM预测模型,用TCN进行特征提取后,再用LSTM网络完成短期负荷预测。以中国某地区的实际历史数据进行仿真验证,结果表明所提预测方法可有效提升负荷预测精度。