基于EMD的时标特征提取方法及其在短期电力负荷预测中的应用

为凸显负荷波动的随机性、周期性和相关趋势,通过探求负荷变化机理显著提升预测精度,本文提出了一种基于EMD的负荷波动机理研究方法。首先对负荷进行EMD分解,得到随机、周期和趋势分量;然后分析各分量的变化规律与候选影响因素的关联关系,推导负荷变化机理,提取时标特征值;最后,进行特征的去冗余。该方法创新点是能提取出特征值的时标特性。以广东省负荷数据集作为预测案例研究,对比实验研究结果表明本文所提出方法的有效性。     

基于VMD-GRU的电力短期负荷预测方法

针对电力短期负荷的非平稳性影响预测精度的问题,文中提出一种基于变分模态分解(VMD)和门控循环单元(GRU)的电力短期负荷预测方法。首先,利用VMD对电力负荷数据进行分解,得到一组比原始负荷数据更具有规律性的模态分量;然后,采用GRU网络学习每一模态分量动态变化特征,并对该分量进行预测;最后,将每一分量的预测结果叠加,得到最终的预测结果。采用LSTM、GRU、EMD-LSTM、EMD-GRU、VMD-LSTM、VMD-GRU预测模型进行对比实验,得出VMD-GRU模型的平均绝对百分误差仅为2.081%。实验结果表明,所提的基于VMD-GRU的方法可以有效地提升电力短期负荷预测精度。     

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。     

PCA-SVM在电力负荷预测中的应用研究

研究电力负荷预测问题,传统方法无法消除数据之间冗余及复杂特征,导致预测精度较低.为了提高电力负荷预测精度,提出一种基于主成份分析(PCA)的支持向量机(SVM)电力负荷预测方法(PCA-SVM).首先利用主成分分析对电力负荷的影响因素进行处理,消除各因素之间的高度冗余性,通过提取样本集的主成分完成数据预处理,有效地压缩样本集的维数,加快SVM学习速度并提高预测精度,然后利用支持向量机,对保留的主成成分进行建模预测.最后利用PCA-SVM模型对华东地区1978～1998的电力负荷进行了验证性测试和分析.实验结果表明,相对于各参比模型,PCA-SVM模型可以有效地降低样本集的维数,提高负荷预测精度.PCA-SVM是一种高效、高精度的电力负荷预测方法.     

基于EMD和PSO-SVM的电力系统中期负荷预测

预测精度是衡量电力系统负荷预测模型性能的一个重要指标.针对电力系统负荷数据序列是一种典型的具有用期性和随机性的非线性非平稳时间序列的特点,为了提高负荷预测的精度,提出了运用EMD解析出其中代表负荷不同特性分量的预测模型.根据各分量的变化规律,分别选择合适的核函数,并利用PSO优化SVM参数,将各分量的预测结果重构后得到最终预测值.通过EUNITE国际电力负荷预测竞赛数据的仿真实例,验证了该预测模型能够有效提高电力负荷的预测精度,且速度较快,稳定性较强.     

考虑频域分解后数据特征的空调负荷预测模型

针对空调负荷预测实际应用中容易存在数据散杂且可用信息匮乏的问题,从负荷序列的非线性、非平稳性和随机性出发,提出了一种基于变分模态分解(VMD)的负荷预测方法.对不同数据特征序列考虑不同算法的数据观测与训练原理差异,充分发挥各个模型优势.首先采用随机森林(RF)进行特征选择,利用VMD将负荷序列按趋势分量、平稳分量和噪声分量进行分类重构,并分别对非线性序列建立最小二乘支持向量机(LSSVM)预测模型,时序平稳序列建立极端梯度提升(XGBoost)预测模型,采用正态分布拟合随机误差,得到各子序列预测结果并进行叠加输出最终负荷预测结果.实验结果表明,所提方法能准确反映负荷的特性并具有更好的预测精度,能有效预测空调负荷,为空调节能优化控制策略提供依据.     

二次指数平滑多目标组合模型电力负荷预测

为提高短期电力负荷预测精度,提出一种二次指数平滑多目标组合模型ES-BiLSTM-LSTM预测方法。通过获取负荷目标预测值和残差目标预测值,实现多目标负荷预测;利用Pearson相关系数,选取与电力负荷相关性较高的影响因素;采用双向长短期记忆神经网络(BiLSTM)和长短期记忆神经网络(LSTM)串行学习负荷数据的时序性特征和周期性特征;利用二次指数平滑法平滑处理负荷数据,获得残差项,通过LSTM模型训练和迭代,提取残差数据的波动性特征;将负荷预测值与残差预测值融合得到修正预测值。实验结果表明,该方法在MAE、MSE和RMSE上,对比3种负荷预测模型均有提升。     

基于多层融合神经网络模型的短期电力负荷预测方法

针对传统的短期电力负荷预测模型存在的预测精度不高和滞后性的问题,本文提出一种基于卷积神经网络、长短时记忆网络和注意力机制下的混合神经网络模型来进行预测。利用卷积层对多维的电力数据影响特征进行提取,过滤筛选其非重要影响因子,完成电力数据相关特征的映射变换,再通过长短时记忆网络层的循环,对时序性电力数据特征选择性提取,最后利用注意力机制添加重要特征的权重,经Adam算法优化后输出电力负荷预测的结果。依靠GPU强大的算力支撑来解决预测数据时的实时性问题,凭借多融合神经网络的手段来提高其预测精度。经由算例验证,所提出模型真实可靠,预测质量显著优于其他传统模型。     

基于VMD与MOGOA-LSTM的短期负荷预测模型

为了提高短期负荷预测的准确度,降低非平稳信号对模型预测造成的影响,提出一种集数据挖掘和多目标优化网络于一体的短期负荷预测模型。该方法将电力负荷数据通过变分模态分解技术分解成若干个不同频率的模态分量,采用相间重构方法动态确定人工神经网络的训练测试比和神经元设置,采用长短期记忆神经网络对各分量进行模型搭建,并在长短期记忆神经网络的基础上加入多目标蝗虫智能优化算法来优化网络内部参数,累加所有分量模型预测的值,实现短期负荷预测。仿真结果表明,与统计学方和混合模型相比,本文提出的模型在短期预测方面的预测精度较高、泛化能力更强。     

基于改进的随机森林和密度聚类的短期负荷频域预测方法

精确的负荷预测对于电力系统的有效调度和安全运行至关重要. 本文提出基于改进的随机森林(IRF)和密度的聚类 (DBSCAN)的频域组合预测方法. 首先, 采用经验小波变换 (EWT)分解负荷, 得到不同的固有模态分量 (IMFs); 其次,根据各分量特征采用合理的方法进行预测。其中, 低频、中频分量采用IRF预测; 高频分量使用DBSCAN根据气象因素温度和湿度聚类, 再根据每类的样本特性选择处理方法. 最后, 叠加各分量的预测值, 获取负荷预测值. 根据某地市现场负荷数据进行实验,预测结果分别与EWT-IRF、EWT-随机森林 (RF)、经验模态分解(EMD)- IRF模型的预测结果进行对比. 结果表明, 提出的模型具有更高的预测精度, 反映了实际负荷的随机性.     

多尺度分析与数据互迁移相结合的短期电力负荷预测方法

为了提升短期电力负荷的预测效果,提出一种多尺度分析与数据互迁移相结合的短期电力负荷预测方法。一方面,针对多尺度分析预测法中分解得到的子序列在建模和预测的过程中没有对原序列中的隐含相关信息加以利用的问题,采用互信息特征选择法选取合适的原负荷序列历史值并将其加入到原负荷序列近似分量的特征集合中,通过特征扩充为学习器提供更多的信息,进而提高近似分量的预测精度。另一方面,针对不同类型的数据在学习过程中会相互影响的问题,采用了一种基于核岭回归的数据互迁移学习方法,将其他几种类型中与待预测类型日相似的数据迁移到待预测类型日的数据中,既利用了这些数据的相似性,又兼顾了这些数据的差异性。测试案例显示,所提方法在MAPE,MAE和RMSE这3个误差评价指标上相对于单模型方法分别降低了6.2%,3.4%和5.5%。     

基于经验模式分解的时间序列数据流在线预测*

提出一种通用的时间序列数据流预测方法,算法首先通过经验模式分解方法将从链式重写窗口取得的数据集分解有限具有特征振荡周期的固有模态函数分量和一个代表原始序列平均趋势的余量;然后对于各个分量分别建立最大Lyapunov指数预测模型进行预测;最后将各分量的预测值组合获得最终预测值。通过电力负荷的预测实验表明,与单一的时间序列数据流预测模型相比,该模型具有较高的预测精度和很好的模型适应性。     

基于集成深度学习算法的燃气负荷预测方法

燃气负荷预测受到社会经济、天气因素、日期类型等多种复杂因素的影响,而多因素的共同作用则必然会导致燃气负荷序列变化趋势具有很大的随机性以及一定程度上的复杂性.为了有效提高燃气负荷预测的精度,本文提出了一种新型的集成深度算法来对燃气负荷进行多步预测.首先通过EEMD算法将非平稳非线性的负荷序列分解为若干个稳态且线性的本征模式分量及剩余项,有效的避免了传统EMD带来的模态混叠问题,然后将负荷数据的影响因素输入到AutoEncoder中进行特征提取并做非线性降维处理,再将EEMD分解得到的每个子序列分别与AutoEncoder提取到的特征序列组成不同的训练矩阵,最后针对不同的子序列对应的训练矩阵建立相应的LSTM预测模型,重构分量预测值得到最终预测结果.为了验证所提出算法的有效性和预测性能,使用上海燃气数据来进行上述模型的仿真实验,结果证明相较对比方法,预测精度有了明显的提高.     

一种结合互补集合经验模态分解和小波核极限学习机的短期电力负荷预测模型

电力系统的管理和调度对精确的负荷预测模型有着极高的要求。为全面提高负荷预测模型的性能,提出一种新型的结合互补集成经验模态分解(CEEMD)和小波核函数极限学习机(WKELM)的短期电力负荷组合预测模型。首先通过CEEMD将历史电力负荷数据自适应地分解为一系列相对平稳的子序列,对各分量建立小波核极限学习机的预测模型,预测各分量的负荷值并对其进行求和得到最终预测结果。用四种预测模型对真实的负荷数据进行训练预测,算例表明新模型在预测精度和效率上都具有一定优势,同时克服了传统EMD中容易出现的模态混叠问题以及ELM中存在的过拟合等缺陷,具有一定的实际应用潜力。     

基于单步预测LSTM的短期负荷预测模型北大核心

针对目前智能电网下负荷数据存在特征相关性低与序列非平稳性的特点,为达到提高短期负荷预测精度的目的,提出一种单步负荷预测的双层LSTM模型的方法,除了考虑的地理区域的天气数据外,还使用负荷的时间序列。首先采用最大信息系数(MIC)对多源异构特征进行提取,随后使用随机森林和递归特征消除(RFE)用于特征选择,将对异常值敏感、鲁棒性好的Robust标准化方法应用于所选特征的预处理中,最后由单步预测的双层LSTM模型预测结果。文章所搭建的负荷预测模型具有数据强相关性特征、预测精度高的优点。依据数据实验结果,取得了1.38%的MAPE值。并且与其它预测模型相比,基于单步预测LSTM的短期负荷预测方法的预测精度提高效果明显。     

短期电力负荷预测模型的建立与应用

研究短期电力负荷问题.电力负荷影响因子多,且含有噪音信息,传统短期电力负荷预测方法难以对其进行准确的预测,导致电力负荷精度低.为了提高短期电力负荷预测精度,提出了KPCA - BPNN的短期电力负荷预测模型.模型对电力负荷影响因素进行分析,并利用KPCA提取其主元特征分量,然后利用BPNN进行建模预测,最后对湖南某城市的短期电力负荷进行预测.仿真表明,KPCA - BPNN不仅加快了电力短期负荷预测预测速度,同时提高了电力短期负荷预测精度,是一种新型实用的电力系统短期负荷预测模型.     

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EMD-TCN-ELM的短期电力负荷预测

为降低负荷序列的复杂性, 利用EMD分解方法得到不同的分量. 为降低训练时间和减小分量逐个预测所带来的累计误差, 利用分量过零率大小将分量重构为高频分量和低频分量, 利用TCN模型预测负荷的高频分量, 利用极限学习机ELM预测负荷低频分量. 通过实验将所提模型EMD-TCN-ELM分别与3个单模型TCN、ELM、LSTM和3个混合模型EMD-TCN、EMD-ELM、EMD-LSTM比较, 其MAPE分别降低0.538%, 1.866%, 1.191%, 0.026%, 1.559%, 0.323%, 所提模型的预测精度最高. 且所提模型在预测精度前3的模型中训练时间最短, 验证了所提模型在负荷预测精度和训练时间方面的优越性.     

智能优化LS-SVM在电力负荷预测中的应用

研究短期电力负荷的准确预测问题对城市供电系统运行的可靠性和经济性很重要。由于电力负荷变化过程受到各种因素的影响,系统非线性较强。传统方法对电力短期负荷预测精度、收敛速度和泛化能力方面不理想。为解决上述问题,提出了一种核函数KPCA和KICA的最小二乘支持向量机(LS-SVM)电力负荷预测方法。首先对采集的含噪信号进行小波包去噪预处理,同时对不同频段的负荷分量进行区别处理以提高预测精度;利用核函数KPCA和KICA分析方法提取数据特征,提高预测模型的泛化能力和预测精度;采用混沌粒子群算法优化LS-SVM参数提高预测模型的收敛速度。实验表明,改进算法在预测精度、泛化能力及收敛速度方面较突出,具有良好的预测效果。     

基于CEEMDAN-DA-GRU的瓦斯涌出量预测模型

针对瓦斯涌出量数据具有非线性、周期性的特点和实际场景下不同特征因素与瓦斯涌出量关联程度不同导致预测精度低的问题,提出一种基于完备经验模态分解和双重注意力机制的瓦斯涌出量预测模型。通过CEEMDAN方法将瓦斯涌出量数据分解为频率不同的分量,以降低非线性数据的预测难度;再计算特征注意力机制中计算各特征因素的权重,挖掘当前分量与各个特征之间的关联关系;基于门控循环单元的时序注意力机制量化历史隐藏状态对当前状态的影响,提高长时间序列预测的准确度。通过相加重构得到最终预测结果。基于陕西某矿瓦斯涌出量数据进行预测实验,所提出模型的平均绝对百分比误差为1.65%,均小于DA-GRU、GRU和SVM等对比模型,验证了该模型的有效性。