基于LSTM循环神经网络的短期电力负荷预测

为了保障电网安全稳定和电力市场高效运行,电网调度人员和电力市场参与者对电力负荷预测准确度提出了更高要求,分布式电源和间歇性负荷是影响负荷精准预测的关键因素。针对传统负荷预测方法无法同时对负荷本身变化规律及其影响因素进行建模的问题,提出基于长短期记忆单元(LSTM)的负荷预测方法。利用具备时序记忆功能的LSTM构建深度循环神经网络(RNN),综合考虑历史负荷和各类负荷影响因素建立负荷预测模型。该方法利用神经网络的特征提取能力和LSTM的时序记忆能力,能在更长的历史时间范围内辨识负荷内在变化规律及各类影响因素对负荷的非线性影响。基于实际负荷数据对不同历史时间窗口、不同网络架构的负荷预测性能进行验证,并与其他负荷预测算法进行比较,结果表明所提方法能有效提升负荷预测准确性。     

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。     

基于协整-格兰杰因果检验和季节分解的中期负荷预测

近年来,随着国民经济的转型,中国的经济结构发生了较大的变化,仅仅依靠电力负荷历史数据进行负荷电量预测会造成较大的误差。为解决传统负荷预测方法对于经济、气象等因素考虑不足的问题,提出了一种可以计及经济与气象等因素影响的中期负荷电量预测方法。首先利用季节分解将历史月度用电量分解为长期趋势及循环分量、季节分量以及不规则分量;并以计量经济学中的协整检验以及格兰杰因果检验分析经济因素与用电量长期趋势及循环分量的关系,确定影响该部分电量预测的关键性指标;基于电量、气象以及经济数据,对各个分量利用支持向量机分别进行预测并综合得到月度电量总量预测值;最后通过算例分析了方法的有效性与可行性。     

基于FFT，DC-HC及LSTM的短期负荷预测方法

针对电力负荷序列非线性、随机性等特点引起的电力负荷预测精度低问题,提出一种基于快速傅里叶变换（FFT）、密度层次聚类算法（DC-HC）与长短时记忆（LSTM）神经网络相结合的短期负荷预测方法。首先,采用FFT计算出所有原始电力负荷序列对应的期望频率,并以之作为负荷聚类的特征量。然后采用DC-HC算法对负荷进行聚类,将原始数据分拆成具有特征属性的数据分量组;运用LSTM模型对各分量组进行负荷预测,再将各分量组预测结果进行叠加,得到最终负荷预测值;最后,采用爱尔兰实际电力负荷数据进行算例分析,结果表明所提方法能够有效提高负荷预测精度。     

小波分析及其在短期负荷预测中的应用

利用小波分析把原始负荷分解成受国民经济影响的经济负荷部分和受气象因素影响的气象负荷部分,然后分别对两者建立相应的模型进行预测,最后把两者的预测值合成得到最终预测结果.小波分解尺度通过建立气象数据和不同分解尺度下得到的气象负荷部分之间的相关系数序列来确定,从而把经济负荷和气象负荷合理分开.实例表明该方法是可行和有效的.     

基于随机分布式嵌入框架及BP神经网络的超短期电力负荷预测EI北大核心CSCD

电力系统超短期负荷预测易受到气象、假日等多种因素共同作用的影响,因此,实现其精准预测较为困难。为提高预测精度,往往需要大量的历史数据进行训练。针对历史数据较少的新建初期电力系统,提出了一种基于随机分布式嵌入框架及BP神经网络的超短期电力负荷预测方法。首先,将电力系统中电力负荷变量、气象变量等各种状态变量的延迟变量视为独立的影响因素,采用BP神经网络算法针对不同组延迟变量分别进行训练和预测,得到多个预测值。然后,采用核密度估计法拟合多个预测值形成分布的概率密度函数。最后,通过期望估计法或聚合估计法计算得出电力负荷的最终预测值。选取实际负荷数据进行算例分析,结果表明,所提方法适用于训练数据较少的超短期负荷预测,且相较于几种常规预测算法具有更高的预测精度以及较强的稳定性。     

基于随机分布式嵌入框架及BP神经网络的超短期电力负荷预测

电力系统超短期负荷预测易受到气象、假日等多种因素共同作用的影响,因此,实现其精准预测较为困难。为提高预测精度,往往需要大量的历史数据进行训练。针对历史数据较少的新建初期电力系统,提出了一种基于随机分布式嵌入框架及BP神经网络的超短期电力负荷预测方法。首先,将电力系统中电力负荷变量、气象变量等各种状态变量的延迟变量视为独立的影响因素,采用BP神经网络算法针对不同组延迟变量分别进行训练和预测,得到多个预测值。然后,采用核密度估计法拟合多个预测值形成分布的概率密度函数。最后,通过期望估计法或聚合估计法计算得出电力负荷的最终预测值。选取实际负荷数据进行算例分析,结果表明,所提方法适用于训练数据较少的超短期负荷预测,且相较于几种常规预测算法具有更高的预测精度以及较强的稳定性。     

基于时差辩识原理分析气象累积效应对电力负荷的影响

由于气象因素对负荷影响的程度日益加大,必须深入研究温度、湿度等主要气象因素对电力负荷的影响作用,这对于进行电力负荷控制和管理以及电力系统的安伞经济运行具有重要的意义.利用所掌握的历史负荷数据以及历史气象数据,研究和探讨了多日累积气象因素对于电力负荷的影响,特别是分析了多日累积温度与日最高负荷之间的相关性及变化规律,提出了累积天数的辨识方法,从而得到了气象因素累积效应的数值化模型,由此把握电力负荷在不同气候条件下的变化幅度和发展趋势.希望为今后短期负荷预测工作提供参考.     

基于多任务学习和单任务学习组合模型的综合能源系统多元负荷预测

针对气象因素对多元负荷变化的灵敏度差异及多元负荷间耦合强度的差异导致多任务学习(multi-tasklearning,MTL)预测模型精度受限的问题,该文提出一种MTL和单任务学习(single-tasklearning,STL)组合的多元负荷预测方法。首先使用基于长短期记忆(long and short-term memory,LSTM)网络的MTL模型提取多元负荷间的耦合信息进行初步预测;然后采用基于前置双重注意力长短期记忆(dual attention before LSTM,DABLSTM)网络的STL模型减少输入噪声进行二次预测;同时将初步的预测值输入STL模型,使得STL模型可以考虑未来的时序信息;最后,通过全连接层对两个模型的预测结果进行融合得到最终的预测结果。实验结果表明,所提组合模型相比单一的MTL和STL模型具有更高的预测精度。     

基于深度条件概率密度函数的居民电力负荷预测

居民电力负荷预测主要用于电力调度工作的停电计划，以提高供电可靠度及居民用户满意度。由于电力数据量大且不确定性因素过多，对其负荷进行预测的难度较大。现有的电力负荷预测方法无法获取电力数据的自由度数值，导致负荷预测过程稳定性差、预测结果精度低。提出一种基于深度条件概率密度函数的居民电力负荷预测方法。引入四次方核函数，得出随时间变化下居民电力负荷数据的观测值与预测值间的变量关系；通过高斯回归方程使得预测向量值符合正态分布；利用交叉验证方法提取预测值的最优自由度，通过借自由度确定分位点，根据对比分析结果确定下一随机变量的预测数据分位点，实现居民电力负荷的预测。仿真实验证明，所提方法得出的电力负荷波动结果与实测结果相吻合，预测误差可控制在0.001~0.437 MW。说明该方法预测准确性高，可为电力决策提供有效帮助。