计及PUE的数据中心短期电力负荷预测方法

为了准确预测数据中心短期电力负荷,提出了基于长短期记忆神经网络的短期负荷预测模型,有效地弥补前馈型神经网络不能处理序列间关联信息与传统循环神经网络无法记忆久远关键信息的缺陷.通过分析得出电源利用效率(power usage effectiveness,PUE)值与负荷具有相关性,因此在预测模型中考虑了PUE的影响,并使...     

基于充电桩利用率的充电负荷超短期预测方法研究

为消除空间分布不确定性对电动汽车充电负荷超短期预测准确性的影响,提出一种基于充电桩利用率的电动汽车充电负荷超短期预测方法。首先,从海量充电交易数据中提取形成区域内各充电桩充电负荷功率,编码后得到充电桩利用率的量化值;然后,将充电桩利用率以及充电负荷功率数据融合,得到长短期记忆神经网络的训练样本和测试集,形成电动汽车充电负荷超短期预测的深度学习模型,时间分辨率可达0.5 h;最后,在不同规模充电负荷的场景下验证了所提方法的有效性和准确性。结果表明,相比无优化的长短记忆神经网络负荷预测方法,所提方法得到的预测值平均绝对百分比误差提高了约5%,可为未来车网互动下的配电网调度优化运行提供重要支撑。     

结合改进残差网络和Bi-LSTM的短期电力负荷预测

为充分挖掘电力负荷历史数据的潜在特征,提高短期负荷预测模型的预测精度,提出了一种由改进残差网络（ResNetPlus）、注意力机制（Attention mechanism,AM）和双向长短期记忆网络（Bi-directional long short-term memory,Bi-LSTM）结合而成的残差AM-Bi-LSTM预测模型。该模型将历史负荷、温度和所预测日期的特征作为输入,在Bi-LSTM模型基础上,引入多层改进残差网络提取输入数据的隐藏特征,有效克服了网络隐藏层数加深导致的网络退化问题,使模型的反向传播能力大幅提升;加入注意力机制,分析网络中输入信息与当前负荷的相关性并突出重要信息的影响,从而提高模型的速度与准确率;使用Snapshot策略集成收敛于不同局部极小值的多个模型,以提升模型的准确率和鲁棒性。最后,使用美国ISO-NE数据集进行模拟预测,测试结果表明:所提模型的平均预测精度达到98.27%;在连续的12个月中采用该模型的平均预测精度相比于LSTM模型提高了2.87%;在不同季节下采用该模型的平均预测精度相比于AM-Bi-LSTM和ResNetPlus模型分别提高了1.05%和1.16%。说明所提模型相较于对比模型具有较高的准确率、鲁棒性以及泛化能力。     

基于EMD-CNN-LSTM混合模型的短期电力负荷预测

为了更有效地提取电力负荷数据中的潜藏特征与隐藏信息,提高电力负荷预测精度,针对负荷具有较强非线性、非平稳性和时序性特点,提出一种基于经验模态分解(empirical mode decomposition,EMD)、卷积神经网络(convolutional neural network,CNN)和长短期记忆网络(long...     

基于智能技术的电力系统负荷预测技术研究进展

负荷预测是智能电网安全领域的热门研究方向。智能技术应用到智能电网负荷预测领域取得了一系列研究成果。首先,对主流负荷预测技术进行总结;然后,将面向智能电网的传统负荷预测技术与近年来新兴的智能负荷预测技术进行对比,并详细介绍了两个领域中典型成果的基本原理和方法;最后,讨论了智能电网负荷预测技术仍需要解决的问题及未来的研究趋势。     

一种短期负荷预测的自适应神经网络方法

提出了自适应BP神经网络模型预测短期负荷的方法。依据负荷的日相关性把历史负荷分成24组样本数据,再用BP网络来映射样本数据。采用初始化样本数据,增大节点作用函数陡度,变换隐层节点作用函数形式,自适应调整学习参数等方法提高了BP网络的学习速度,得到了较为满意的预报结果．     

基于DTW-LSTM的短期楼宇电力负荷预测方法

为了提高楼宇电力负荷预测精度,解决传统聚类算法楼宇用电曲线聚类效果差的问题,提出一种基于DTW-LSTM的楼宇短期电力负荷预测模型.采用DTW聚类算法对楼宇日用电曲线进行聚类与编码,分析楼宇用电行为.根据楼宇10天的日用电曲线编码,利用马尔科夫链对未来一天的用电曲线编码进行预测,得到用电曲线原型.将编码作为一个特征,结...     

融合LSTM和SVM的钢铁企业电力负荷短期预测

为了解决大型钢铁企业电力用电对地区负荷冲击大,电力负荷短期预测准确率低的问题,提出一种融合长短期记忆网络(long short-term memory,LSTM)和支持向量机(support vector machine,SVM)的负荷短期预测算法.对钢铁工业地区负荷特性进行分析,根据系统负荷的组成部分将负荷细分为冲击...     

基于PCCLSTMMTL的综合能源系统多元负荷预测

为了保证综合能源系统(IES)的运行效率和可靠性,能源需求的准确预测至关重要。提出了一种基于Pearson相关系数(PCC),长短期记忆(LSTM)神经网络和多任务学习(MTL)的多元负荷预测方法。首先,运用PCC选取与冷热电负荷相关性较大的影响因素作为模型的输入;然后,通过LSTM建立MTL的共享层,实现多元负荷的联合预测;最后,结合亚利桑那州立大学的实测多元负荷数据来测试所提模型的预测精度。结果表明:所提模型具有更高的预测精度。     

基于智能电网统一数据共享平台的负荷预测

智能电网是未来电网的发展方向,以自愈、安全、发电资源兼容、电力用户交互、电力市场协调、资源优化高效、电能质量优质、信息系统集成为主要特点的智能电网的实现,离不开精确的负荷预测技术的支持.风能、光伏等可再生能源接入智能电网,加剧了系统的随机特性,对传统的负荷预测提出了更高的要求,同时信息系统的集成也为负荷预测提供了更广泛全面的数据支持,为新一代负荷预测技术提供了实现的平台.     

基于支持向量机的短期负荷预测的方法改进

在对支持向量机（Support Vector Machines,SVM）方法的参数性能进行分析的基础上,提出了将Grid-search方法引入至基于支持向量机的短期负荷预测算法中,以解决支持向量机方法的参数选择问题。该参数选择方法减少了参数选择的盲目性,提高了SVM的预测精度。通过在East-Slovakia Power Distribution Company提供的电网运行数据上验算,证明了该改进方法的正确性和有效性。     

一种基于HHT的短期负荷组合预测方法

提出了一种希尔伯特-黄变换和自适应加权最小二乘支持向量机相结合的短期电力负荷预测方法。先利用HHT中的经验模态分解,将负荷值分解为几个低频段的拟周期量和1个高频段随机量,然后根据各分量瞬时频率特点选择最佳的AWLS-SVM模型预测,最后将各分量预测数据叠加。实例预测结果表明,该方法具有较高的预测精度。     

基于PSO-Elman神经网络的电力系统短期负荷预测模型研究

提出了基于粒子群优化算法—Elman神经网络的电力系统短期负荷预测模型,采用具有动态递归性能的Elman神经网络,可增强负荷预测模型的联想和泛化推理能力,保证负荷预测的精度。采用粒子群优化算法对Elman神经网络进行学习训练,可充分利用粒子群优化算法的全局寻优性能,克服常规学习算法易于陷入局部最优解、收敛速度慢、编程复杂等缺陷。通过对地区电网负荷系统的实例仿真证实了所提出方法的有效性,获得了较满意的预测精度,平均绝对误差和最大相对误差分别达到1.988%和4.673%。为该模型用于实际工程取得了有效的进展。     

基于分布估计算法的对角递归神经网络短期负荷预测模型研究

针对传统的BP算法易陷入局部极小点,收敛速度慢,编程复杂等缺点,本文提出基于分布估计算法的对角递归神经网络的短期负荷预测模型。该模型采用分布估计算法对对角递归神经网络进行优化,仿真结果表明,该预测模型平均绝对误差降低1.097%,最大相对误差降低2.55%,该模型获得较满意的预测精度,具有较高的预测稳定性和较好的适应能力。     

用时间序列法进行电力系统短期负荷预测

电力系统负荷预测是指从电力负荷自身的变化情况以及经济、气象等因素的影响规律出发,通过对历史数据的分析和研究,探索事物之间的内在联系和发展变化规律,以未来的经济、气象等因素的发展趋势为依据,对电力需求作出预先的估计和推测。本文通过使用经典的时间序列法进行短期负荷预测,以C++语言程序为计算手段,并将预测结果与实际值进行比较分析。同时类比其他各种预测的方法,对短期负荷预测的方法、过程、意义进行一些分析。     

采用模糊技术分时段处理实现的短期负荷预报

采用模糊理论对日负荷曲线预报中的天气因素进行了模糊处理,根据季节、气候的不同对天气因素做不同的模糊处理和不同数学模型,建立了专家处理系统,提高了短期负荷预测的精度.通过对河南省某市级电力系统日负荷曲线的模拟预测,虽然仅对天气做了模糊处理,但预测结果令人满意.     

基于模式识别和神经网络的电力系统短期负荷预测

当制定发电机组的启停计划和负荷管理计划时，对未来24h内的短期负荷预测是很必要的，精确的负荷预报能大大提高电力系统管理水平．本文介绍一种基于模式识别理论构造的人工神经网络，应用于电力系统短期负荷预测的方法．     

基于RBF-NN的电动汽车充电站短期负荷预测研究

为了应对电动汽车大规模并网后对地区电网负荷模式和可靠运行带来的影响,本文以某电动汽车充电站的相关数据为依据,分析研究了电动汽车充电站的负荷特性以及影响负荷变化的主要因素,构建了基于RBF-NN的电动汽车充电站短期负荷预测模型,同时通过仿真算例验证并与BP-NN预测模型进行了比较。结果表明,基于RBF-NN的短期负荷预测模型具有更好的预测精度,适用于电动汽车充电站的短期负荷预测。该研究为下一步工程实践应用提供了理论依据。     

混合粒子群径向基神经网络的短期负荷预测的应用

电力短期负荷预测的结果对电力系统的经济效益具有重要影响.为了克服基本粒子群(Particle Swarm Optimization,PSO)算法收敛精度不高、易陷入局部最优的缺点,提出一种将自然选择和变异结合的混合粒子群(Hybrid Particle Swarm Optimization,HPSO)算法,可以保持种群的多样性,有效地避免粒子早熟,并利用混合粒子群算法优化径向基神经网络的权值,最后将优化好的径向基神经网络进行广西某市的短期电力负荷预测.计算结果表明,该算法收敛速度快,并达到了提高预测精度和改善网络性能的要求.