并行多模型融合的混合神经网络超短期负荷预测

针对输入数据特征多时负荷预测模型精度提升难的问题,文章提出一种并行多模型融合的混合神经网络超短期负荷预测方法。将卷积神经网络(convolutional neural network,CNN)与门控循环单元神经网络(gated recurrent unit neural network,GRU-NN)并行,分别提取局部特征与时序特征,将2个网络结构的输出拼接并输入深度神经网络(deep neural network,DNN),由DNN进行超短期负荷预测。最后应用负荷与温度数据进行预测实验,结果表明相比于GRU-NN网络结构、长短期记忆(long short term memory,LSTM)网络结构、串行CNN-LSTM网络结构与串行CNN-GRU网络结构,所提方法具有更好的预测性能。     

基于特征相关分析修正的GPSO-LSTM短期负荷预测

针对多因素互影响造成负荷预测精度低的问题,提出一种基于特征相关分析修正与全局粒子群优化(GPSO)的长短期记忆循环神经网络(LSTM)短期负荷预测新方法.该方法首先对负荷相关序列进行探索性数据分析(EDA)及预处理,找寻特征内在机理与相关联系并加以修正,保证输入特征的强相关性和完整性.针对传统前馈神经网络无法处理序列关联信息和普通循环神经网络无法记忆久远关键信息的缺陷,构建基于LSTM负荷预测模型进行深度学习.由于LSTM网络权值的随机初始化,使得目标函数在训练过程中易陷入局部最优,利用改进粒子群算法优化预测模型的网络权值,提升模型整体预测能力.与反向传播神经网络(BPNN)和递归神经网络(El-man)的基准模型相比,所提模型方法的预测精度提高显著.     

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NWP单点聚类分析与BP神经网络的短期风电功率预测

采用学习方法建模进行短期风电功率预测时,模型的输入数据一般为数值天气预报(NWP),输入数据的选取对模型的准确性起着很重要的作用。通过单点聚类对风电场的历史NWP数据进行聚类分析,从中寻找与预测日单点NWP最相近的样本,运用神经网络建模对预测日的短期风电功率进行预测并对某风电场发电功率预测进行仿真实验,与未对NWP数据进行聚类处理的预测对比,证明了该方法的可行性和有效性。     

基于LSTM光伏发电功率超短期预测模型研究

精准地预测光伏发电功率有利于保证电网的稳定运行。采集了江苏常熟某75 MW光伏电站和山西大同某100MW电站数据,利用相关系数法对影响光伏电站输出功率的因素进行分析。搭建了长短期记忆神经网络(LSTM)功率预测模型,对两个电站的输出功率进行预测。为验证LSTM模型和同一算法下不同电站的功率预测精度,使用循环神经网络(RNN)算法和前馈神经网络(BP)算法搭建预测模型,并与LSTM算法进行对比分析,通过模型评价指标平均绝对误差(MAE)、均方根误差(RMSE)及决定系数R²,对三种模型之间的误差值进行比较,结果表明采用LSTM算法预测模型精度更高,且不同电站采用同一网络模型时,电站输出功率和气象数据的相关系数值越大,模型的功率预测值更加贴近实际值。     

基于长短期记忆神经网络的火电厂NO_x排放预测模型

火电厂燃煤锅炉产生的NO_x是大气污染物的重要来源之一,建立有效的NO_x排放预测模型是降低NO_x排放的基础。针对火电厂控制系统数据的海量化和高维化及燃煤锅炉多参数多变量相互耦合的特点,首先利用主成分分析法对火电厂分布式控制系统(DCS)数据进行特征提取,消除各特征变量间的耦合性;然后将提取的特征作为长短期记忆(LSTM)神经网络的输入,得到火电厂NO_x排放预测模型。将该模型与传统循环神经网络(RNN)模型、最小二乘支持向量机(LSSVM)模型应用于某超超临界660 MW机组燃煤锅炉对NO_x排放质量浓度进行预测。结果表明:LSTM神经网络和RNN模型预测效果均优于LSSVM模型;本文提出的LSTM神经网络模型预测准确率达到79%,均方根误差为0.398,优于其他2种模型;LSTM神经网络模型数据跟踪效果明显优于RNN模型,预测结果波动较小,模型稳定性和准确率较高。     

基于变压器特性数据聚类的电力负荷分布式预测

针对大量变压器数据的冗余性与非结构化、半结构化、结构化特性,提出一种基于变压器特性数据聚类的长短期记忆(long short term memory,LSTM)网络模型预测方法。首先,采用核主成分分析(kernel principal component analysis,KPCA)方法对高维非线性的变压器特性数据进行降维;然后,采用K-means算法划分不同变压器预测类型,提取各分类中心变压器负荷曲线,通过LSTM网络训练特征样本训练基,构建负荷预测模型;最后,采用灰色关联度算法对同一类型的变压器进行关联度评价,并将最高与最低关联度的变压器负荷数据输入特征样本训练基,验证模型的有效性。将所提出的K-means-LSTM网络模型与基于自适应矩估计的LSTM(adaptive moment estimation-LSTM,ADAM-LSTM)网络模型的短期负荷预测结果进行对比分析,结果表明K-means-LSTM网络模型在运行时间上具有显著优势。     

基于通道融合的Res-CNN-LSTM电网虚假数据注入攻击检测

针对电力系统的网络攻击事件越来越多,信息物理安全问题已经引发电力公司和学术界的高度关注。为了能够正确检测电网虚假数据注入攻击,本文提出一种基于残差神经网络（ResNet）结构的一维卷积神经网络（1DCNN）和长短期记忆（LSTM）网络多通道融合网络模型,简称通道融合的Res-CNN-LSTM网络模型。该神经网络算法利用1DCNN和LSTM对时间序列信息的高效提取能力,将不同通道上提取的信息进行融合,进一步加强了数据特征的提取效果,同时网络模型主体采用残差跳跃连接的结构来解决神经网络在训练过程中的过拟合问题;在IEEE-14和IEEE-118节点测试系统进行模型仿真实验,并对比其他神经网络模型,结果验证了本文所提方法的有效性和准确性。     

基于VMD和双重注意力机制LSTM的短期光伏功率预测

提出了一种基于变分模态分解(VMD)和双重注意力机制长短期记忆(LSTM)的短期光伏功率预测方法。针对光伏功率信号的波动性和非平稳性,利用VMD将光伏功率输出分解为不同频率的分量,使用LSTM对各分量进行预测,并在LSTM基础上引入特征和时序双重注意力机制。为自主挖掘光伏功率输出与各气象特征之间的关联关系,避免传统方法依赖于专家经验关联规则阈值的限制,引入特征注意力机制实时计算各气象特征量的贡献率,并对特征权重进行修正;同时,为挖掘当前时刻光伏功率输出与历史时序信息之间的关联关系,引入时序注意力机制自主提取历史关键时刻点信息,提高长时间序列预测效果的稳定性。基于中国西南某实际光伏发电站数据进行预测实验,并与其他方法进行对比,验证了该方法的有效性。     

基于卷积记忆神经网络的微博短文本情感分析

微博短文本情感分析的目的是发现用户对热点事件的观点及态度。已有的方法大多是基于词袋模型,然而,词袋模型无法准确捕获带有情感倾向性的语言表现特征。结合卷积神经网络(CNN)和长短期记忆网络(LSTM)模型的特点,提出了卷积记忆神经网络模型(CMNN),并基于此模型来解决情感分析问题。与传统算法相比,模型避免了具体任务的特征工程设计;与CNN和LSTM相比,模型既能够有效提取短文本局部最优特征,又能够解决远距离的上下文依赖。通过在COAE2014数据集上的实验来验证了模型对微博短文本情感分析的有效性。并与CNN、LSTM以及传统模型SVM做了实验对比,结果表明,模型对于微博短文本情感分析在性能上优于其他3种模型。     

基于Bayes-LSTM网络的风电出力预测方法

为提高风电出力的预测精度,提出一种基于Bayes优化的长短期记忆人工神经网络(long-short term memory, LSTM)的预测模型。首先,利用经验模态分解对风电历史出力序列进行分解,并对各分量及原始数据分别提取8个统计特征量,与预测前6个时刻出力值共同组成预测特征集。然后,采用绳索算法(least absolute shrinkage and selection operator, LASSO)从预测特征集中提取具有统计意义的特征子集,作为预测模型的输入。最后,提出基于Bayes超参数寻优的LSTM网络优化方法,以提高预测精度。选取湖北某市风电出力历史数据进行预测实验,结果表明：相较于BP神经网络、SVM、RBF网络、GRNN网络等预测模型,所提模型预测精度较高,特征提取方法较为合理。     

基于自适应权重的CNN-LSTM&GRU组合风电功率预测方法

准确预测风电功率可以提高电网运行的安全性和可靠性.为进一步提高短期风电功率预测精度,针对目前单一模型难以获得最优预测结果的问题,提出一种CNN-LSTM&GRU多模型组合短期风电功率预测方法.首先,利用卷积神经网络(convolutional neural network,CNN)提取数据局部特征,并结合长短期记忆(l...     

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。     

基于注意力机制的卷积神经网络-长短期记忆网络的短期风电功率预测

为了提高风电功率的预测精度,针对风电数据间歇性与时序性的特点,提出了一种基于注意力机制的卷积神经网络-长短期记忆(convolutional neural networks-long short-term memory,CNN-LSTM)网络预测模型.首先利用CNN提取风电数据动态变化的多维特征,然后将特征向量构造成时...     

基于卷积神经网络特征提取的风电功率爬坡预测

为提高风电功率爬坡预测的准确性,提出了一种基于卷积神经网络、长短期记忆网络和注意力机制的风电功率爬坡预测方法。首先,针对风电功率爬坡发生次数少、特征复杂、预测模型难以对小样本爬坡事件有效学习的问题,使用卷积神经网络对风电功率序列进行特征提取。然后,使用长短期记忆网络建立预测模型,解决风电功率的长时依赖问题,并在模型中加入注意力机制对长短期记忆网络单元的输出进行加权,从而加强风电特征的学习,提高爬坡预测准确度。仿真验证表明,模型对风电功率爬坡预测有较高的准确性。     

基于LSTM神经网络的风电场集电线路单相接地智能测距

为解决风电场多分支、混合短线路中难以查找故障点的问题,提出一种基于长短期记忆(LSTM)神经网络的风电场集电线路单相接地智能故障测距方法。首先,读取集电线路首端测量装置的电气量信息。其次,采用全相位快速傅里叶变换(apFFT)相位差校正法构建了风电场单相接地短路时的故障特征集合。然后,归一化风电场集电线路的故障数据,并训练深度学习LSTM神经网络以建立单端故障测距的预测模型。最后,通过LSTM神经网络故障定位器开展准确的故障定位。PSCAD/EMTDC实验结果表明,所提方法的预测精度高于反向传播神经网络和极限学习机方法,且在不同的故障距离和过渡电阻情况下均可行,适用于风电场集电线路的故障测距。     

融合深度误差反馈学习和注意力机制的短期风电功率预测

为提高风电功率预测精度,提出了一种有机融合深度反馈学习与注意力机制的短期风电功率预测方法。首先,以风电场数值天气预报(numerical weather prediction, NWP)为原始输入,基于双层长短期记忆网络(longshort-term memory, LSTM)模型对风电功率进行初步预测。其次,利用极端梯度提升(eXtreme gradient boosting, XGBoost)算法构建误差估计模型,以便在给定未来一段时间内NWP数据的情况下对初步预测误差进行快速估计。然后,利用自适应白噪声完备集成经验模态分解法(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)将初步预测误差分解为不同频段的误差序列,并将其作为附加性反馈输入,对风电功率进行二次预测。进一步在二次预测模型中引入注意力机制,为风电功率预测序列与误差序列动态分配权重,由此引导预测模型在学习过程中充分挖掘学习与误差相关的关键特征。最后,仿真结果表明所提方法可显著提高短期风电功率预测的可靠性。