基于双重注意力机制和GRU网络的短期负荷预测模型

电力负荷预测对电力系统的部署、规划和运行影响重大,但目前各输入特征对电网负荷情况影响的程度不稳定,且递归神经网络捕获负荷数据的长期记忆能力差,导致预测精度下降。提出一种基于双重注意力机制和GRU网络的预测新模型,利用特征注意力机制自主分析历史信息与输入特征间的关联关系,提取重要特征,并通过时序注意力机制自主选取GRU网络中关键时间点的历史信息,提升较长时间段预测效果的稳定性。在3个公开数据集上的实验结果表明,该模型在预测精度指标上表现良好,对比SVR、KPCA-ELM、DBN、GRU、Attention-GRU、CNN-LSTM、Attention-CNN-GRU模型预测精度分别提高了2.47、1.14、1.93、1.37、1.04、0.74、0.41个百分点。     

单时序特征图卷积网络融合预测方法

近年来,图神经网络逐渐成为深度学习领域广泛讨论的话题和研究的重点,但大多数研究都是基于图节点,在存在多维属性的前提下进行分类和回归预测,对单时序特征的图节点预测并不能产生理想的效果。本文提出一种时序图卷积网络算法,可以在复杂图网络中,只根据节点单一特征的时序序列,实现对该特征的预测。算法通过在传统图卷积网络中对邻接矩阵参数化,解决单一特征条件下的参数退化问题,并结合长短时记忆网络的序列学习方法,将时序信息融入到训练过程中,提高训练精度。在交通流量数据集PeMS和Los上的实验表明,其预测精度要优于GCN、T-GCN、GRU、LSTM等主流算法。     

基于Stacking多模型融合的超短期电网负荷预测

为提升超短期电网负荷预测精度,提出基于Stacking多模型融合的超短期电网负荷预测法。首先,结合5-折交叉验证法分别训练第一层的LSTM、LightGBM、XGBoost三个初级学习器,将训练结果进行Stacking融合;然后将融合结果作为新特征用于训练第二层LightGBM次级学习器,使用次级学习器得到电网负荷预测的最终结果;最后利用山东省公共数据开放平台提供的某市实际超短期电网数据验证所提方法的有效性。实验结果表明,比起单一模型预测,所提的Stacking多模型融合预测法,在预测结果的平均精度与峰谷变化的适应能力方面更具优势。     

基于Attention-BiLSTM-LSTM神经网络的短期电力负荷预测方法

短期电力负荷预测是电力系统中的重要问题之一,准确的预测结果可以提高电力市场的灵活性和资源利用效率,对电力系统高效运行具有重要意义.为了提高预测精度,针对电网负荷数据的时序性特征,提出一种基于Attention-BiLSTM-LSTM神经网络的短期电力负荷预测方法.该方法首先针对电力负荷的影响因素(温度、节假日等)提取特征,并使用双向长短期记忆(BiLSTM)神经网络层进行双向时序的特征学习;将双向时序特征作为长短期记忆(LSTM)神经网络层的输入,用LSTM神经网络建模学习时序数据的内部变化规律;使用attention机制计算LSTM隐层状态的不同权重,以对隐层状态进行选择性地关注;结合注意力权重和LSTM神经网络进行负荷预测,最后使用全连接层输出负荷预测结果.使用EUNIT电力负荷数据集进行实验,采用提前单点预测模式,该方法的平均绝对百分比误差(MAPE)达到1.66％,均方根误差(RMSE)达到814.85.通过与单LSTM网络、基于attention机制的LSTM网络(Attention-LSTM)、前馈神经网络(FFNN)、卷积神经网络联合长短期记忆神经网络(CNN-LSTM)等4种典型的负荷预测模型结果对比,验证了Attention-BiLSTM-LSTM神经网络方法更加准确有效.     

基于CNN-GRU融合网络的EM-EEG辨别研究

针对当前情绪脑电信号(EM-EEG)辨识方法分辨率低的问题.在分析EM-EEG特征分布规律和单一卷积神经网络(CNN)特性的基础上,与门控循环单元(GRU)相结合,提出了CNN-GRU融合网络用于EM-EEG辨别研究.构建的CNN-GRU网络融合了CNN提取的EM-EEG频域、空域特征与GRU提取的EM-EEG时域特征,在构造的EM-EEG时-频-空域特征空间上进行情绪状态辨识;另外利用自己搭建的数据采集平台,设计情绪诱导实验生成新的情绪状态数据集.经过实验探究,结果表明:所提网络模型分别在SEED IV数据集、自采数据集上训练获得的辨识率为89.2％和83.76％,均能有效的对四种不同情绪进行判别,验证了该网络良好的泛化能力;而使用SEED IV数据集训练得到的模型在自采情绪数据集上的预测实验则验证了该网络拥有较强的鲁棒性.     

PCC-BiLSTM-GRU-Attention组合模型预测方法

传统预测模型在处理多元时间序列时, 常常难以捕捉其非线性动力系统的复杂变化规律导致预测精度较低. 针对此问题, 本文将PCC-BiLSTM-GRU-Attention组合模型的预测方法进行了探讨和验证. 该方法首先使用Pearson相关系数(PCC)进行相关性检验并删除无关特征, 实现了对多元数据的降维选优. 其次使用双向长短期记忆神经网络(BiLSTM)双向提取时序特征. 最后使用GRU神经网络融合注意力机制(Attention), 进一步学习双向时序特征的变化规律, 精准捕捉关键时刻的信息. 为了验证该方法在多元时间序列中的可行性, 本文以股票价格预测作为实验场景, 并与BP模型、LSTM模型、GRU模型、BiLSTM-GRU模型、BiLSTM-GRU-Attention模型进行对比. 验证结果表明: 本文探讨的PCC-BiLSTM-GRU-Attention组合模型的预测方法相比其他模型具有较高的预测精度, 其平均绝对百分比误差(MAPE)达到了2.484%, 决定系数达到了0.966.     

基于BG-CN联合网络的文本情感分析

针对传统卷积神经网络只提取局部短语特征而忽略了上下文的句子特征,影响了文本分类效果这一问题,提出一种基于Bi GRU网络和胶囊网络的文本情感分析模型。采用联合神经网络,利用Glove模型预训练词向量,将其输入到双向门限循环单元(BiGRU)模型进行序列化学习得到上下文特征;添加胶囊网络(capsule network)模型,提取深层次短语特征;交给分类器进行情感分类。通过在IMDB数据集上进行实验,验证该方法有效提高了文本分类的准确率。     

基于多尺度跳跃深度长短期记忆网络的短期多变量负荷预测

近年来,以循环神经网络（RNN）为主体构建的预测模型在短期电力负荷预测中取得了优越的性能。然而,由于RNN不能有效捕捉存在于短期电力负荷数据的多尺度时序特征,因而难以进一步提升负荷预测精度。为了捕获短期电力负荷数据中的多尺度时序特征,提出了一种基于多尺度跳跃深度长短期记忆（MSD-LSTM）网络的短期电力负荷预测模型。具体来说,以长短期记忆（LSTM）网络为主体构建预测模型能够较好地捕获长短期时序依赖,从而缓解时序过长时重要信息容易丢失的问题。进一步地,采用多层LSTM架构并且对各层设置不同的跳跃连接数,使得MSD-LSTM的每一层能够捕获不同时间尺度的特征。最后,引入全连接层把各层提取到的多尺度时序特征进行融合,再利用该融合特征进行短期电力负荷预测。实验结果表明,与单层LSTM和多层LSTM相比,MSD-LSTM的均方误差总体下降了10%。可见MSD-LSTM能够更好地提取短期负荷数据中的多尺度时序特征,从而提高短期电力负荷预测的精度。     

基于TLBGA-GRU神经网络的短期负荷预测

短期负荷预测在电网调度安排和电力市场交易中发挥着重要作用,预测精度高,有利于提高发电设备的利用率和经济调度的有效性。为充分挖掘负荷数据中时序性特征的联系,解决神经网络中由超参数的随机选取导致的预测精度下降问题,提出一种基于教与学的遗传算法（TLBGA）和门控循环单元（GRU）神经网络的短期负荷预测方法。利用灰色关联分析法对原始数据进行相关度分析,剔除冗余特征,使输入与输出保持较好的映射关系,在遗传算法中加入一种基于教与学优化的新型变异算子,用于防止其出现早熟收敛问题,从而提高解的质量。在此基础上,运用改进后的TLBGA算法对GRU神经网络模型进行超参数寻优,更新GRU的模型超参数并使其性能达到最佳状态,以提高负荷预测的精度。对欧洲某地区的电力负荷数据集和美国PJM电力市场公开负荷数据集进行预测,结果表明,该方法的预测精度分别达到了97.1%和97.2%,相比反向传播神经网络、循环神经网络及GRU神经网络模型,具有更高的预测精度。     

区域负荷趋势特征分析与金字塔模型超短期预测方法

以区域负荷作为研究对象,分析区域负荷与电网负荷在变化波形性、周期性等方面的特征差异。针对区域负荷变化过程中时序关联性较弱的特点,提出基于金字塔模型的区域负荷自适应超短期预测方法。采用灰色关联分析法,提取与负荷变化具有强关联性的客观特征因素。建立自适应增强随机权网络,加强模型对负荷特征的学习能力以及最优求解效率。设计分层金字塔模型结构,采用滚动淘汰的方式,提升预测模型对区域负荷特征变化的自适应性,降低区域负荷变化趋势突变对超短期预测精度的影响。仿真结果表明,该方法可准确跟随区域负荷变化趋势,具有较高的预测精度与稳定性。     

基于时序计算的电力系统风电并网接纳能力研究

为了准确评估区域电力系统风电并网接纳能力．针对目前风电规划问题,给出了一种基于时序计算的分步优化方法。根据序列相等性原则,将系统负荷与系统机组出力视作供需双方,对系统机组出力进行序列化分析,在时序上达到供需匹配平衡。将系统消纳风电过程分解为两级过程,以分步求取系统最优运行方式。利用时序计算方法,定性分析系统风电消纳空间,结合风资源信息及系统负荷信息定量计算系统可接纳的风电电量。结合实际区域电网负荷数据及机组发电数据进行了仿真计算,仿真结果表明,该规划方法能准确评估区域电力系统风电接纳能力,从而可为风电产业规划提供技术参考指标。     

基于大数据的电网规划精益分析平台研究与应用

随着新能源的大量接入和用户的广泛参与,电网企业的数据呈指数级增长,电网规划部门迫切需要运用大数据的分析手段提高规划决策的精准性。本文以地市供电公司的实体业务为切入点,基于地理位置信息,在数据融合贯通的基础上,运用数据可视化技术多维度动态展示地区电网负荷分布和电网供给能力,辅助规划人员快速发现负荷分布规律和电网薄弱点。运用大数据分析挖掘方法构建基于负荷特性分析的负荷预测模型,支撑电网项目和运行方式安排。打破电网负载问题的单一评价方法,建立可度量的电网综合评价体系及模型,为电网项目统筹提供量化依据。基于大数据的电网规划精益分析平台通过电网负荷可视化展示,有效提升了电网诊断分析效率,运用大数据分析方法提高了地区最大负荷的预测精度,实现了电网问题的数字化评估,提高了电网规划投资决策的精准性。     

基于改进LMD与GRU网络的短期燃气负荷预测

针对燃气负荷数据非线性、非平稳性的特点,本文提出一种基于改进的LMD算法与GRU神经网络的组合预测模型.模型首先利用改进后的LMD算法对燃气负荷数据进行序列分解,改进的LMD方法采用分段牛顿插值法代替传统的滑动平均值法来获得局部均值函数和包络估计函数,改善了传统LMD方法存在的过平滑问题.之后,再将得到的若干PF分量进行小波阈值去噪处理,获得有效的分量数据.最后,利用GRU神经网络分别预测各分量值,将它们相加得到最终的负荷预测值.仿真实验表明,提出的方法与单个GRU神经网络以及结合传统LMD算法的GRU网络相比,预测精度更高.     

基于GRU和PCNN的电力知识抽取

构造电力系统知识图谱最重要的就是电力知识的抽取,针对目前传统基于监督学习、单一神经网络模型存在的问题和缺点,如CNN擅长提取局部最重要特征而不适合处理序列输入;RNN在处理序列化任务占优势却对于重要特征的提取很乏力,因此本文改进了一种基于GRU和PCNN的模型,该模型可以有效解决传统模型的不足,通过结合GRU模型和PCNN模型的优点,实验结果表明该方法相比传统方法效果极佳,可以有效实现对电力系统知识抽取.     

基于加权灰色关联投影的Bagging-Blending多模型融合短期电力负荷预测

针对短期电力负荷随时间变化呈现随机性和不确定性问题,提出了一种基于加权灰色关联投影算法Bagging-Blending的融合模型。首先,采用加权灰色关联投影算法对电力负荷中各影响因素(如天气、温度、湿度、日期类型等)进行分析,以选取历史负荷特征。在此基础上,分别将各单一模型SVR (support vector regression)、KNN (K-nearest neighbor)、GRU (gate recurrent unit)、XGBoost (eXtreme Gradient Boosting)、LightGBM (light gradient boosting machine)、CatBoost (Categorical features gradient Boosting)嵌入Bagging集成算法中以提升模型的稳定性和泛化能力。同时利用Pearson相关系数对各单一模型进行相关性分析。然后,依据模型对数据观测空间角度的不同,使用Blending模型对相关性小的模型进行融合。最后,通过新英格兰地区电力负荷数据ISO New England进行验证。所提融合模型与传统单模型(SVR、GRU)和其他融合模型(Bagging-XGBoost、最优加权的GRU-XGBoost)相比,具有较强的泛化能力和较高的稳定性与预测精度。     

On modeling of electrical cyber-physical systems considering cyber security

This paper establishes a new framework for modeling electrical cyber-physical systems (ECPSs), integrating both power grids and communication networks. To model the communication network associated with a power transmission grid, we use a mesh network that considers the features of power transmission grids such as high-voltage levels, long-transmission distances, and equal importance of each node. Moreover, bidirectional links including data uploading channels and command downloading channels are assumed to connect every node in the communication network and a corresponding physical node in the transmission grid. Based on this model, the fragility of an ECPS is analyzed under various cyber attacks including denial-of-service (DoS) attacks, replay attacks, and false data injection attacks. Control strategies such as load shedding and relay protection are also verified using this model against these attacks.     

基于云计算的多因素电力负荷坏数据自动检测方法

电力负荷坏数据对电网具有严重的破坏性,为了提高对电力负荷坏数据的检测能力,提出基于云计算的多因素电力负荷坏数据自动检测方法。采用云计算模型进行多因素电力负荷坏数据的分布式重组和集成运算,构建多因素电力负荷坏数据的云网格分布模型,在云网格空间中采用主成分特征分析方法进行多因素电力负荷坏数据特征检测,在双极型直流配电网中实现对多因素电力负荷坏数据的共模分量计算,提取电力负荷坏数据的能量谱特征量,根据负荷用电特性、潮流分布及其容量等参数,实现对多因素电力负荷坏数据的特征检测。仿真结果表明,采用该方法进行多因素电力负荷坏数据检测的自动性较好,检测准确率较高。     

基于卷积神经网络特征图聚类的人脸表情识别

针对卷积层存在的特征冗余问题,提出了一种基于卷积神经网络的特征图聚类方法。首先通过预训练网络参数提取网络最后一层卷积层的特征图,然后对特征图进行聚类操作,取聚类中心构成新的特征图集合,以聚类后的特征图集作为数据集训练分类器。将有监督的深度学习方法与传统的机器学习方法相结合,使用特征图聚类进行特征去冗余让网络学习到更有效的特征。去冗余后的特征使用神经网络分类器在fer2013测试集上达到了71.67%准确率,在CK+测试集上达到86.98%准确率,证明了该人脸表情识别方法的有效性。