区域级电力负荷数据特性研究与短期预测

为提高区域级负荷预测的精准度,通过对电力负荷数据特性的研究,建立了基于Attention机制的GRU(gate recurrent unit)与Catboost(gradient boosting and categorical features)混合预测模型.利用低层次信息(智能电表数据)建模去解决高层次(区域级负荷...     

基于灰色模型和最小二乘支持向量机的电力短期负荷组合预测

提出一种联合灰色模型(grey model,GM)和最小二乘支持向量机回归(least square support vector regression,LSSVR)算法的电力短期负荷智能组合预测方法。在考虑负荷日周期性的基础上,通过对历史负荷数据的不同取舍,构建出各种不同的历史负荷数据序列,并对每个历史数据序列分别建立能修正b 参数的GM(1,1)灰色模型进行负荷预测;采用最小二乘支持向量机回归算法对不同灰色模型的预测结果进行非线性组合,以获取最终预测值。该方法在充分利用灰色模型所需原始数据少、建模简单、运算方便等优势的基础上,结合最小二乘支持向量机所具有的泛化能力强、非线性拟合性好、小样本等特性,提高了预测精度。仿真结果验证了所提出组合方法的有效性和实用性。     

基于大数据分析的智能电网降损效果估计模型仿真

针对智能电网降损效果动态估计结果误差较大的问题。提出基于大数据分析的智能电网降损效果估计模型,其采用Map/Reduce模型处理智能电网中的大数据,依据大数据统计和分析结果,将智能电网划分成不同的子网,采用不同负荷预测模型预测各子网负荷。融合子网的预测结果修正总体智能电网的负荷预测值。将负荷预测值输入智能电网降损概率评估模型,实现单一因素和组合因素约束下的智能电网降损分析,对智能电网降损效果进行动态评估。实验结果表明,所设计模型对智能电网工作日和休息日的负荷预测效果较好。     

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。     

基于量测信息的低压配电网阻抗拓扑模型构建

针对低压配电网阻抗拓扑模型不明确的问题,提出一种基于高级量测体系的低压配电网阻抗拓扑模型构建的在线识别方法。利用AMI提供的各用电用户电压数据,根据各负荷节点的电压相关性及辐射性网络节点电压分布特点,通过K-means聚类算法和用户间的皮尔逊电压相关系数分析原则,完成对低压配电网络拓扑模型的修正。根据修正后的台区拓扑结构中同一相别下智能电表所采集的序列数据,通过计算同一相别所有用户的相电压搭建优化问题模型,使得使用时间序列内不同电表数据计算得到的相电压矩阵方差最小,从而求得配电网线路阻抗参数,实现对配电网络的建模。通过实际算例验证了该方法的可行性和有效性。     

基于多特征提取的Attention-BiGRU短期负荷预测方法

电力负荷预测在电力系统发展中起着重要的作用,为供电提供了重要的指导。短期电力负荷预测(STLF)可以在短时间内保证电网的安全和稳定。为解决预测精度不足且数据集单一缺乏参考因素的问题,提出一种基于多特征提取并结合注意力机制的双向门控循环单元(Attention-BiGRU)网络短期电力负荷预测方法。预测模型采用门控循环单元(GRU)的基本结构,在已有数据特征的基础上进行时间特征与数据分布特征提取,将所有特征作为负荷预测的影响因素,然后使用注意力机制对输入序列进行权重分配,使用双向门控循环单元(BiGRU)网络对特征进行学习并输出负荷预测值。仿真结果表明,基于多特征提取的Attention-BiGRU网络表现优于传统高斯回归预测方法、GRU网络、多特征提取的BiGRU网络和BiGRU网络。     

基于TSNE-BiGRU模型短期电力负荷预测

短期电力负荷预测是电力系统合理调度与安全稳定运行的基础。为提高电力负荷预测精度,提出一种基于t分布邻域嵌入(t-SNE)算法和双向门控循环单元(Bi-GRU)网络的短期电力负荷预测方法。该方法首先通过多标签处理将电力负荷时序数据转换成高维时间戳数据,进而在维持数据信息完整性的前提下通过t-SNE算法对其降维,并结合实时电价数据,基于Bi-GRU网络学习时间戳数据、实时电价数据及实时负荷数据之间的非线性特性,最后经全连接输出层聚合相关信息给出预测结果。基于新加坡地区电力基准数据集进行试验,对比分析所建模型TSNE-BiGRU与基准模型Bi-GRU及GRU的预测性能。试验结果表明所建模型TSNE-BiGRU具有良好的鲁棒性,能有效提高短期电力负荷的预测精度。其平均百分比误差值为0.49%,相较Bi-GRU与GRU,分别降低了23.44%与32.88%;其平均绝对误差值为30.58,相较两基准模型分别降低了22.19%与32.84%;其均方根误差值为39.40,相较两基准模型分别降低了17.16%与27.88%。     

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.     

基于改进 VMD-GAT-GRU 的交通流量组合预测模型

针对短时交通流时间序列非平稳性、空间相关性和时间依赖性的特点,为提高短时交通流预测模型的预测精度和收敛 速度,该文提出了一种基于改进的变分模态分解(VMD)、图注意力(GAT)网络和门控循环单元(GRU)网络的交通流量组合预 测模型。 首先,利用互信息熵(MI)改进的变分模态分解算法,将交通流量时间序列分解成一系列调幅调频信号子序列,降低了 时序信号的非平稳性,提高后续预测模型的预测精度;然后,将其输入图注意力网络,捕捉路网邻近节点的交通流量对中心预测 节点交通流量不同程度的影响,从而实现交通流量序列的空间相关性建模,进一步提高模型预测精度;接着,将交通流量分量子 序列分别送入门控循环单元网络,捕捉其时间依赖性,并使用改进的 RMSPRop 优化算法迭代寻优,在提升优化算法收敛速度的 同时提高了模型的预测精度;最后,结合各分量子序列的预测值,作为预测模型的最终输出。 实验采用 RTMC 系统交通数据,结 果表明,该文提出的改进 VMD-GAT-GRU 时空融合组合预测模型相较于 LSTM、GCN 和 GAT 基准模型,平均绝对误差(MAE)分 别降低 9. 35、4. 12、4. 09,平均绝对百分比误差(MAPE)分别降低 16. 42%、7. 32%、8. 1%,优化算法的收敛速度和组合模型的预 测精度均得到有效提升。     

基于CEEMD-GRU模型的短期电力负荷预测方法

针对电力负荷序列不平稳、随机性强,直接输入模型会导致拟合效果差、预测精度低等问题,本文提出了一种基于添加互补白噪声的互补集合经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)以及门控循环单元神经网络(gated recurrent unit neural network, GRU)融合的预测方法。首先,针对传统经验模态分解(empirical mode decomposition, EMD)分解方法处理干扰信号大的序列时,存在的模态混叠问题,提出了CEEMD分解方法,加入互补白噪声,将原始序列分解成不同尺度的子序列,随后使用GRU神经网络,并优化网络超参数,从而获得最好的预测结果。通过实验证明,该方法重构误差小,预测效果好。     

电力负荷混沌动力特性及其短期预测

根据非线性动力系统理论进行负荷建模和预测,并将预测精度作为一种辨识工具,用于分析电力负荷变化的动力特性。分析结果表明,可将负荷的变化特性描述为低维混沌系统。根据负荷的混沌特性及一步向前预测的精度提出一种优选重构参数的方法,并采用基于相空间重构的加权一阶局域法多步预测模型进行了负荷预测。相空间模型能识别负荷序列的内部特性并进行预测,因此是分析和预测负荷的有效工具。     

基于TCN-GRU模型的短期负荷预测方法

为了进一步提高短期负荷的预测精度,为电力系统的稳定运行提供更加有力的保障,文中提出了一种将时间卷积网络(TCN)和门限循环单元(GRU)相结合的短期负荷预测方法TCN-GRU。首先,将采集的训练数据划分为时序数据和非时序数据;其次,将时序数据输入到TCN模型中以提取时序特征;然后,将提取出来的时序特征与非时序数据组合起来输入到GRU模型中对模型进行训练;最后,利用训练好的模型实现对短期电力负荷的预测。基于广东省佛山市某行业真实负荷数据验证了TCN-GRU模型的负荷预测能力,并通过对比多种深度学习模型的预测效果,验证该模型具有更高精度的短期负荷预测能力。     

基于ISSA-CNN-GRU模型的电动汽车充电负荷预测方法

电动汽车用户充电行为的随机性,给电动汽车充电站充电负荷的短期预测带来极大挑战。针对在多因素影响下电动汽车充电站充电负荷短期预测精度低的问题,提出一种基于改进麻雀搜索算法-卷积神经网络-门控循环神经网络(improved sparrow search algorithm-convolutional neural network-gated recurrent unit neural network, ISSA- CNN-GRU)模型的电动汽车充电站充电负荷短期预测方法。首先,构建包含气温、日期类型、节假日3种充电负荷显著影响因素与历史充电负荷的输入特征矩阵。然后,融合CNN在特征提取、数据降维和GRU神经网络在时间序列预测上的优势,搭建CNN-GRU混合神经网络模型,使用基于混合策略的ISSA算法优化混合神经网络模型的超参数。最后,在优化后的CNN-GRU模型中输入特征矩阵实现充电站充电负荷的短期预测。以美国ANN-DATA公开数据集中充电站的历史负荷数据作为实际算例,与随机森林、CNN、GRU神经网络、CNN-GRU模型以及分别用贝叶斯优化、粒子群优化、标准麻雀优化算法进行超参数调优的CNN-GRU模型相比,实验结果表明所提方法具有更好的预测效果。     

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。     

耦合时空相关特性的大坝变形动态监控模型

大坝变形性态是多种因素长期共同作用的结果,其演变模式包括时间和空间两个维度。然而,当前大坝变形智能建模较少综合考虑时空二维特征,原型观测资料中蕴含的大量时空信息亟待进一步挖掘。针对该问题,本文从单测点时序相关性和多测点空间关联性出发,提出构建一种耦合时空两个维度相关特性的大坝变形动态监控模型。该模型将门控循环单元（gated recurrent unit,GRU）神经网络作为核心层,建模学习历史变形数据内在时变规律,通过迭代提取有效变形因子来构造空间维度特征,并引入软注意力机制改进GRU隐藏状态的概率权重分配规则,实现对关键信息的自适应学习。以丰满混凝土重力坝多测点变形监测数据为例,验证了该模型的有效性。结果表明,所提出的监控模型能准确模拟大坝变形动态演变过程,且与常规监控模型相比,其外推预测精度更高,为大坝安全监控提供了新的方法和手段。     

Techniques of applying wavelet transform into combined model for short-term load forecasting

Techniques of applying wavelet transform into combined model for short-term load forecasting are presented in this paper. The analysis shows that the load can be described by the corresponding components in the time frequency domain. It allows the decomposition of a load signal into different levels of resolution scales with the wavelet transform. Incorporating the masking parameter in the corresponding scale, useless information could be effectively removed, and a denoising algorithm can also be developed. It is found that even the model works well for certain load components, it will be not suitable for other components because it cannot consider every factor. So different combined forecast methods are chosen in each scale. The data preprocessing, different combined forecast methods adopted in different scales are introduced. Finally, the forecasting results can be obtained by the reconstruction of the forecast results in different scales. Case studies demonstrate that the proposed method can offer high forecasting precision.     

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。