基于XGBoost-MTL的综合能源系统多元负荷预测

精确的多元负荷预测是综合能源系统(integrated energy system,IES)优化调度和稳定运行的前提。针对IES中多元负荷之间耦合关系复杂以及影响负荷预测的因素众多等问题,文中提出一种基于极限梯度提升(extreme gradient boosting,XGBoost)与多任务学习(multi task learning,MTL)的多元负荷预测方法。首先通过XGBoost重要度排序得到各影响因素对于多元负荷的贡献度,依据贡献度来选取影响负荷预测的关键性因素作为预测模型的输入,保证了输入特征对于多元负荷预测有效的修正作用;其次以门控循环单元(gated recurrent unit,GRU)作为共享层来搭建MTL预测模型,各子任务通过共享信息来有效利用各负荷之间复杂的耦合关系;最后以上海某综合能源站的负荷数据为例对文中所提模型的有效性进行验证。结果表明:该模型能够适应实际综合能源系统中各类负荷的变化,有效提高预测精度并减少训练时间。     

基于GRU-TGTransformer的综合能源系统多元负荷短期预测

综合能源系统的多元负荷短期预测,对系统的优化调度和经济运行至关重要。多元负荷之间耦合关系紧密,Transformer作为一种完全建立在自注意力机制上的模型,能很好地分析多元负荷之间的内在联系。传统Transformer模型针对自然语言类问题而设计,难以直接应用于多元负荷预测。为此,提出一种GRU-TGTransformer(GRU-Talkinghead-Gated residuals-Transformer)模型。该模型采用门控循环单元代替原有的词嵌入及位置编码环节,对输入数据进行特征融合,取得具备相对位置信息的高维特征数据。通过在多头自注意力环节引入交流机制,提高多头自注意力的表达效果。为进一步强化网络结构,在残差连接中引入门控单元,提高模型在时序预测问题上的稳定性。以美国亚利桑那州立大学坦佩校区的综合能源系统为算例,通过对所提出模型与传统模型之间进行对比分析,证明所提出的模型具有更高的预测精度。     

基于MTL-GRU-Attention的综合能源系统多元负荷预测

针对综合能源系统多元负荷预测问题,提出一种基于多任务学习、门控循环单元和注意力机制的多元负荷预测方法。首先,运用门控循环单元建立多任务学习的共享层,充分挖掘冷、热、电负荷之间的耦合特征;然后,利用贝叶斯优化算法实现门控循环单元最优超参数的自适应选择;最后,使用注意力机制实现子任务对共享层中重要特征的差异化提取,以增强关键信息的影响。以亚利桑那州立大学坦佩校区的实测负荷数据作为算例,结果表明所提模型具有更高的预测精度。     

基于CNN-BiGRU-NN模型的短期负荷预测方法

为充分挖掘蕴含在大量采集数据中的有效信息,提高短期负荷预测精度,提出一种基于卷积神经网络(CNN)和双向门控循环单元(BiGRU)、全连接神经网络(NN)的混合模型的短期负荷预测方法,将海量的历史负荷数据、气象信息、日期信息按时间滑动窗口构造特征图作为输入,先利用CNN提取特征图中的有效信息,构造特征向量,再将特征向量...     

基于小波变换与BiGRU-NN模型的短期负荷预测方法

为更好地挖掘大量采集数据蕴含的有效信息,提高短期负荷预测精度,文中提出一种基于小波变换与双向门控循环单元(BiGRU)、全连接神经网络(NN)混合模型的短期负荷预测方法。文章利用小波变换将负荷特征数据分解为高频数据以及低频数据,再分别建立高频混合神经网络以及低频混合神经网络模型进行预测。在混合神经网络模型中,将负荷特征数据作为BiGRU-NN网络的输入,利用BiGRU-NN网络学习负荷非线性以及时序性特征,以此进行短期负荷预测。文中以丹麦东部地区的负荷数据作为算例,实验结果表明,该方法与GRU神经网络、DNN神经网络、CNN-LSTM神经网络相比,具有更高的预测精度。     

基于VMD-CNN-BIGRU的电力系统短期负荷预测

为提高负荷预测精度,考虑了历史负荷本身内在规律及外部影响因素,提出一种基于变分模态分解（variational modal decomposition,VMD）–卷积神经网络（convolutional neural networks,CNN）–双向门控循环单元（bi-directional gated recurrent unit,BIGRU）混合网络的短期负荷预测方法,改善了训练时长和预测效果。通过仿真分析验证了所提方法的有效性,且该方法与其他模型相比有更高的负荷预测精度和更强的鲁棒性,能够提高电力系统短期负荷预测的精确度。     

基于GRA-LSTM神经网络的区域综合能源系统多元负荷短期预测模型

冷、热、电负荷预测是发挥区域综合能源系统优势的关键技术。由此构建了基于灰色关联度分析(grey relation analysis,GRA)和长短期记忆(long short term memory,LSTM)神经网络的区域综合能源系统多元负荷短期预测模型,该模型利用LSTM神经网络在处理时间序列中间隔或延迟较长的样本和非线性数据方面的优势,采用GRA法定量分析多元负荷之间以及和各气象影响因素之间的耦合性。针对北方地区气候特点,利用DeST软件建立某写字楼建筑模型,运用动态模拟和统计方法模拟出写字楼全年逐时冷、热、电负荷。算例分析结果表明,基于GRA-LSTM神经网络的区域综合能源系统多元负荷短期预测模型具有较好的预测精度和应用价值。     

基于变分模态分解的卷积神经网络?双向门控循环单元?多元线性回归多频组合短期电力负荷预测

为了有效提高电力负荷预测精度,针对电力负荷非线性、非平稳性、时序性的特点,提出了一种卷积神经网络（convolutional neural networks,CNN）、双向门控循环单元（bidirectional gated recurrent unit,BiGRU）和多元线性回归（multiple linear regression,MLR）混合的多频组合短期电力负荷预测模型。该模型先利用关联度分析得到相似日,并将其负荷组成新的数据序列,同时使用变分模态分解（variational mode decomposition,VMD）将该数据序列进行分解,并重构成高低2种频率。对于高频分量,使用CNN-BiGRU模型进行预测;低频部分则使用MLR。最后将各个模型得出的预测结果叠加,得到最终预测结果。以2006年澳大利亚真实数据为例,进行短期电力负荷预测。仿真结果表明,相比于其他网络模型,该模型具有较高的预测精度和拟合能力,是一种有效的短期负荷预测方法。     

基于LSTNet-Skip的综合能源系统多元负荷超短期预测EI北大核心CSCD

随着用户侧用能需求多元化的发展,多元负荷的超短期预测对于动态的大型综合能源系统的规划和优化至关重要。为此,该文提出一种基于长期和短期时间序列网络的多元负荷超短期预测模型。首先采用卷积神经网络来提取多元负荷之间的局部依赖关系,然后使用长短期记忆网络捕获负荷序列的长期依赖关系,使用具有循环跳过结构的长短期记忆网络充分学习负荷序列的超长期重复模式,最后采用自回归层和全连接层进行组合预测。使用平均绝对百分比误差和均方根误差作为评价指标,利用美国亚利桑那州立大学坦佩校区综合能源系统数据集进行验证,并与3种负荷预测方法比较。实验结果表明,提出的预测模型均优于其他方法且有较高的预测精度。     

基于TSNE-BiGRU模型短期电力负荷预测

短期电力负荷预测是电力系统合理调度与安全稳定运行的基础。为提高电力负荷预测精度,提出一种基于t分布邻域嵌入(t-SNE)算法和双向门控循环单元(Bi-GRU)网络的短期电力负荷预测方法。该方法首先通过多标签处理将电力负荷时序数据转换成高维时间戳数据,进而在维持数据信息完整性的前提下通过t-SNE算法对其降维,并结合实时电价数据,基于Bi-GRU网络学习时间戳数据、实时电价数据及实时负荷数据之间的非线性特性,最后经全连接输出层聚合相关信息给出预测结果。基于新加坡地区电力基准数据集进行试验,对比分析所建模型TSNE-BiGRU与基准模型Bi-GRU及GRU的预测性能。试验结果表明所建模型TSNE-BiGRU具有良好的鲁棒性,能有效提高短期电力负荷的预测精度。其平均百分比误差值为0.49%,相较Bi-GRU与GRU,分别降低了23.44%与32.88%;其平均绝对误差值为30.58,相较两基准模型分别降低了22.19%与32.84%;其均方根误差值为39.40,相较两基准模型分别降低了17.16%与27.88%。     

基于多元相关性矩阵的中长期负荷预测方法研究

正中长期负荷预测是电力系统规划建设、运行安排的重要基础数据。当前我国经济发展进入新常态,增长速度、经济结构和驱动要素都将发生根本性转变。传统的中长期负荷预测面临原参考指标不适用、可参照历史数据有限等问题。为此,深入分析我国经济新常态下的发展模式转变特征,从增长速度、经济结构和驱动要素三个方面构建中长期负荷预测参考指标库。基于多元相关性矩阵构建了新     

基于LSTM和多任务学习的综合能源系统多元负荷预测

随着综合能源利用技术的不断发展与用户用能需求的多元化,现有单一负荷预测方法难以反映多元负荷间的耦合特性,精确的多元负荷预测将成为综合能源系统优化调度和经济运行的首要前提.基于此,提出一种以长短时记忆神经网络作为共享层的多任务学习负荷预测方法,经由共享层模拟多元负荷间的耦合特性,进而达到提升预测精度的目的.首先,以"硬共...     

基于GRU神经网络的电力负荷预测∗

针对人工提取电力负荷特征困难,传统电力负荷预测方法预测时间序列效果较差等问题,提出了利用门控循环单元 (GatedRecurrentUnit,GRU)神经网络预测电力负荷的方法.利用Python编程语言在 TensorFlow 框架下 搭建 GRU 神经网络,利用第九届电工大赛电力负荷数据集,将清洗好的数据输入搭建的神经网络进行训练.对比 GRU 神经网络模型和循环神经网络 (RecurrentNeuralNetwork,RNN)模型,得出 GRU 神经网络模型的效果优于 RNN 神经网络模型的结论.     

基于GRU-NN模型的短期负荷预测方法

目前基于统计分析和机器学习的预测方法难以同时兼顾负荷数据的时序性和非线性特点。文中提出了一种基于GRU-NN模型的短期电力负荷预测方法。该方法基于深度学习思想处理不同类型的负荷影响因素,引入门控循环单元(GRU)网络处理具有时序性特点的历史负荷序列,建模学习负荷数据内部动态变化规律,其输出结果与其他外部影响因素(天气、日类型等)融合为新的输入特征,使用深度神经网络进行处理,整体分析特征与负荷变化的内在联系,最后完成负荷预测。以美国某公共事业部门提供的公开数据集和中国某地区的负荷数据作为实际算例,该方法预测精度分别达到了97.30%和97.12%,并与长短期记忆神经网络、多层感知机以及GRU神经网络方法进行对比,实验结果表明所提方法具有更高的预测精度和更快的预测速度。     

基于MMoE-TCN的综合能源系统短期多元负荷预测

准确的短期多元负荷预测是确保综合能源系统可靠经济运行的必要前提。针对现有模型预测精确度不高的问题,本文提出一种基于改进最大信息系数相关性分析和MMoE-TCN多任务学习的负荷预测方法。首先,采用改进的最大信息系数相关性分析方法筛选目标预测负荷的特征序列集。然后,建立基于参数软共享机制的MMoE多任务学习模型,通过专家子网和门控单元合理分配子任务的共享特征信息,挖掘多元负荷间的耦合特性,进而使用时间卷积神经网络构建子任务模型,用于负荷预测。最后,使用IES公开数据集进行算例分析,其误差均低于MTL-TCN、MTL-LSTM和LSTM模型,验证了本文所提方法有较高的预测准确度。     

基于小波包分解与循环神经网络的综合能源系统短期负荷预测

文章提出了基于小波包分解(wavelet packet decomposition,WPD)与循环神经网络的电冷热综合能源短期负荷预测方法。利用能够突出负荷细节特征的小波包对电冷热负荷进行频段分解,分析每一频段中电冷热负荷的互相关性。为体现每一频段中电冷热负荷的互相关性对预测结果的影响,将频段中互相关性较强的负荷类型放入同一处理负荷自相关性的循环神经网络模型中进行预测;频段中互相关性较弱的负荷类型则单独进行预测。与直接将电冷热负荷放入同一个循环神经网络进行预测相比,以及与将电冷热负荷通过同一个反向传播神经网络进行预测相比,所提方法考虑了综合能源在不同频段内电冷热负荷的互相关性和电冷热负荷本身的自相关性,能够有效降低负荷预测的平均绝对百分比误差。     

二次模态分解组合DBiLSTM-MLR的综合能源系统负荷预测

用户级综合能源系统多元负荷存在随机性、波动性相对更大的特点,现有预测方法不能得到很好的预测效果.为此提出一种基于核主成分分析(KPCA)、二次模态分解、深度双向长短期记忆(DBiLSTM)神经网络和多元线性回归(MLR)的多元负荷预测模型.首先,运用自适应噪声的完全集合经验模态分解分别对电、冷、热负荷进行本征模态分解,...     

基于改进AlexNet-GRU深度学习网络的配电网短期负荷预测方法

负荷预测作为电力系统规划的重要环节,对于确保电网稳定运行、实现电力供需平衡等方面具有十分重要的作用。本文提出了一种基于改进AlexNet-GRU深度学习网络的配电网短期负荷预测方法。通过聚类将日负荷曲线分为不同日类型;然后根据聚类结果,建立基于改进AlexNetGRU深度学习网络的配电网短期负荷预测模型,并与传统的负荷预测方法进行对比。对某地区2013年的负荷进行预测结果表明,本文所提方法可以有效提高预测精度。     

基于ResNet-LSTM网络和注意力机制的综合能源系统多元负荷预测

综合能源系统中多种负荷之间可能存在复杂的、较强的相互耦合关系.相对于对各类负荷进行单一独立的预测,直接开展多元负荷预测能够进一步挖掘负荷之间的内在联系,提高预测准确度.该文提出一种基于ResNet-LSTM网络和注意力机制的多任务学习模型,用于拟合多能负荷之间的空间耦合关系和时间耦合关系.首先,采用多层ResNet作为...