短期负荷预测

摘要： 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-term and short-term memory network,LSTM)的混合模型短期电力负荷预测方法,将海量过往负荷数据、温度和历史电价信息以滑动窗口方式构造串联特征向量作为输入,先利用EMD将数据重构成多个分量,将高、中和低频分量各自叠加组合,再运用CNN提取高、中分量的潜藏特征,减少权值数量,并以特征向量的方式输入LSTM网络进行负荷预测,最后叠加各分量预测结果得到最终负荷预测值。实验结果表明,相对于BP神经网络(Back Propagation Neural Network)、支持向量机(support vector machine,SVM)、LSTM模型和EMD-LSTM模型,此模型具有更高的负荷预测精度。

摘要： 为了更加准确地进行短期电力负荷预测,提高预测精度,利用不平稳电力负荷时间序列具有周期性和非线性的特征,提出一种新的电力系统短期负荷预测组合模型。该模型将多元经验模态分解法与支持向量回归算法相结合,将电力负荷时间序列及重要影响因素序列同时分解成个数相同的子序列,然后利用上述模型分别预测,再一一对应组合得到最终预测结果。以N市电网2017年1月—12月的日历史负荷为研究对象,并根据气象资料记录的日平均温度、湿度、气压、负荷率等影响因素,对建立的模型进行仿真分析,预测结果与2017年12月24日—31日实际的数据做对比。结果表明该模型预测精度较高,方法可行。将预测得到的结果,用于对N市电网的薄弱线路辨识中,给出了12月24日—31日每天的薄弱线路排序表,以便于工作人员对薄弱线路进行重点监测与保护。

摘要： 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。

摘要： Transformer作为一种建立在自注意力机制上的新颖神经网络模型,其所具有的高度并行化计算结构和有效捕捉序列长期依赖性的能力为短期电力负荷预测带来了新的发展空间。舍弃递归与卷积结构为提取序列关联性提供便利,同时也导致信息碎片化。为充分挖掘注意力模型潜力,提出了一种基于循环扩张机制的卷积门控循环单元(Convolutional Gated Recurrent Unit,ConvGRU)-Transformer短期电力负荷预测方法。针对输入序列分割影响长期特征提取的问题,提出一种循环扩张注意力机制,在提高计算效率的同时扩大了学习视野。为保证注意力视野扩大后信息位置的一致性,建立了一种基于ConvGRU的全局位置编码方法。实验结果表明与常规方法相比,所提方法有更高的预测精度和良好的可解释性。

摘要： 精准的燃气负荷预测对于储气调峰和城镇燃气管道的规划建设有着重要的意义,本文采用支持向量回归(SVR)对城镇燃气短期负荷进行预测,针对SVR中参数选择比较敏感的问题,利用麻雀搜索算法(SSA)对SVR的参数进行优化,使用优化后的模型对燃气负荷数据规律进行学习,建立了SSA-SVR的燃气短期负荷预测模型。为验证模型的泛化能力,对模型进行仿真预测,同时使用网格搜索算法优化的SVR模型(GS-SVR)、粒子群算法优化的SVR模型(PSO-SVR)作为对比,仿真结果表明:本文提出模型预测结果的平均绝对百分比误差为0.0482,模型收敛速度为73.60 s,相较于GS-SVR和PSO-SVR,在模型运行速度和预测精度上有所提高。

摘要： 电力负荷预测在平衡能源分配、经济性和电力系统安全可靠运行方面发挥着重要作用,精准的负荷预测可以降低电力运行的成本和风险,提高电网环境效益和经济效益。首先根据加权灰色关联投影算法对数据进行预处理,然后应用注意力(Attention)机制来改进双向长短期记忆(Bi-LSTM)模型,并结合极端梯度提升(XGBoost)模型构建一种由误差倒数法确定权重的电力负荷组合预测模型,从而得到一种新的短期电力负荷预测方法。通过新加坡电力市场数据集对该方法进行评估,结果显示,该方法的预测结果比单一预测方法更加接近真实数据且误差更小,具备有效性、精准性和实用性的优势。

摘要： 电价的实时波动,会对负荷预测精度产生一定影响,增加预测的复杂性。针对这一问题,本文构建基于注意力(ATTENTION)机制的卷积神经网络(CNN)和双向门控循环单元(BIGRU)混合模型对短期电力负荷进行预测。首先用CNN对负荷及电价数据特征进行抽取;其次,利用BIGRU对潜藏的时序规律进行提取;最后结合ATTENTION机制,突出关键特征。仿真结果表明,与BP网络、CNN-GRU、CNN-BIGRU和CNN-GRU-ATTENTION混合模型的预测结果相比,上述模型具有更高的预测精度,是一种有效的短期负荷预测方法。

摘要： 为了提高电采暖短期功率负荷预测的精度、准确性和速度,提出一种改进PSO-LSSVM算法对电采暖的短期负荷功率预测。利用PSO算法对LSSVM进行参数的优化,将得到的最优参数值作为LSSVM参数从而建立改进PSO-LSSVM算法模型。考虑电采暖地区的天气、温度的因素,将新疆某地电采暖负荷历史数据以天气变化、温度差为参考指标经过分解、组合,得到归类组合数据样本,利用改进PSO-LSSVM算法与传统BP、LSSVM预测结果的精度、准确性和速度进行对比。仿真结果表明,改进PSO-LSSVM预测方法的精度和准确性最高、速度相对较快,验证了所提方法的有效性和准确性。改进方法对含高比例电采暖设备的地区电采暖实际短期负荷预测和“煤改电”“气改电”的电采暖工程应用中有借鉴意义。

摘要： 精准、高效的短期负荷预测是电力系统运行与调度的基础,负荷-气象因素的强耦合关系使得负荷预测过程中必须考虑气象因素。首先从影响电力负荷波动的气象因素出发,分析负荷样本数据的气象因素相关性,通过构造多核模糊C均值聚类函数实现负荷、气象数据的低维非线性至高维线性空间映射,完成基于负荷影响因素的聚类划分,获得强相关气象因素。接着,在传统LSTM(长短期记忆)神经网络中引入反馈环节,融合前向和反向计算机制消除LSTM训练过程的累计误差,构建基于深度学习的多层堆叠模式并应用于负荷预测中。然后,以历史负荷数据的聚类结果为训练样本,深度挖掘负荷-气象因素的耦合特征,从而提高负荷预测精度。最后,通过实际运行数据验证提出方法的合理性和准确性。

摘要： 为提高短期负荷预测的精度,文中提出了一种基于Adam算法优化门控循环单元(Gated Recurrent Unit,GRU)神经网络的短期负荷预测模型。针对循环神经网络(Recurrent Neural Network,RNN)存在的梯度消失和梯度下降、长短期记忆神经网络(Long Short-Term Memory,LSTM)在运行时计算时间较长的问题,采用GRU神经网络作为负荷预测的模型,针对随机梯度下降(Stochastic Gradient Descent)算法前期收敛速度较慢所导致的预测精度不高的问题,利用Adam算法来替代GRU神经网络中的随机梯度下降算法,并采用学习率衰减策略来加速模型的收敛,提高预测的精度。算例仿真结果表明,文中所提出的预测模型比常规GRU神经网络预测模型、BP神经网络预测模型具有更高的预测精度。

摘要： 首先介绍了人工神经网络(ANN)的原理及算法,然后将基于ANN的负荷预测方法应用在电力系统短期负荷预测的实例运用中,通过实际的数据及图模显示将ANN法与传统经验型的负荷预测方法进行试验结果对比来验证两种预测方法的准确性与实用性.

摘要： 随着新电改政策的不断推进,用户短期负荷的精细化预测成为供电部门的重视问题.考虑了风速,湿度,气温,气压等气候因素对短期负荷的影响,并结合历史负荷建立基于XGBoost的短期负荷预测模型.利用某省某工业园区用户数据进行实验,并与随机森林算法的结果进行比较.实验显示出了XGBoost算法在短期负荷预测中的有效性与优越性.

摘要： 短期负荷预测工作是制订发供电计划和做好电网供需平衡的依据,是保证电网安全、经济运行的必要条件,也是电力市场运行的基础.在电力体制改革不断深入的新形式下,供电单位应通过开展电力市场研究,深入分析电网负荷特性和变化规律,逐步采用新技术、新方法,自短期负荷预测工作开展以来，昌乐电网短期负荷预测工作逐步走上正轨。在应用“潍坊电网短期负荷预测管理平台的基础上，加强了对昌乐电网供电所的短期负荷预测工作的常态管理；加强了大用户的沟通与管理，并在营销部、各供电所开展短期负荷预测工作；加强了对地方电厂的管理，并逐步将小火电的远动信息接入调度自动化系统。

摘要： 针对电网短期负荷预测中传统方法预测精度较低的问题,提出一种基于BP-ANN短期负荷预测的方法.应用多尺度熵法对短期负荷数据进行分析,得出预测点不仅和前期临近数据相关,而且和远期历史负荷数据相关;同时运用自相关分析法,基于BP-ANN建立适合陕西电网的短期负荷预测方法,并将此方法应用于实际电网负荷中,结果表明此方法简单可行,精度较高,比较实用.

摘要： 为了使大波动地区的短期负荷预测精度得到改善，本文将大波动地区的负荷划分为基础负荷，冲击性负荷和小水电负荷，对波动大的的冲击性负荷和小水电负荷作出预测，并将限幅小波的理论引用到负荷预测模型中去。首先，找出影响冲击负荷和小水电负荷相关的若干因素。由于用于预测的信号随机波动大，因此本文先运用改进熵值法对历史数据进行筛选，再运用规则性系数选取适合的小波基对信号进行小波分解，然后对低频信号进行限幅滤波，对极大模值做异常处理和以低通滤波的方式去噪，再选用线性神经网络模型和改进的差分自回归-滑动平均模型(ARIMA)进行预测，最后对预测结果进行比较和分析。实验证明对于波动大的冲击性负荷和小水电负荷，基于单层限幅小波分析的负荷模型预测效果较单层小波分析的负荷预测效果好。改进的熵值法和限幅小波分析理论对提高冲击负荷和小水电负荷的短期预测结果精度有较好的实用价值。

摘要： 短期负荷预测准确率作为一项重要的生产管理指标不仅关系本地区用电计划，也影响着电力市场的运营。提高短期负荷预测准确率在同业对标中越来越占有重要的地位。本文通过对重庆市南岸地区电网用电负荷特点以及季节负荷特性的介绍，提出了提高地区电网负荷预测准确率的几种工作方法，特别是针对小型地区电网的特征提出了有效的工作方法。分别从将日负荷预测工作细分为四个时段，预测天气预报的重要性，停电检修负荷精细量化处理，建立节假日负荷预测分析研究报告，个性化负荷预测分析总结报告五个方面来阐述。通过此系统方法南岸地区负荷预测准确率从2011年10月以来有非常大的提升，并在重庆市十个供电局排名中保持前三名。

摘要： 准确的负荷预测是保证电网安全稳定运行的前提。提出基于主成分分析和最小二乘支持向量机的负荷预测模型,利用主成分分析简化模型输入,用最小二乘支持向量机进行建模,并采用海东电网负荷数据进行实例分析,结果表明:该模型具有学习速度快、跟踪性能好及泛化能力强等优点,在短期负荷预测中更具有实用性和推广性。

摘要： 在电力系统短期负荷预测中，气象因素与负荷的关系已经引起越来越多的人们的关注。本文将将气象因素中的最大温度值、最小温度值应用到Elman神经网络的输入模型中，搭建Elman反馈神经网络的短期负荷预测模型。利用Elman神经网络的动态递归性能，增强负荷预测模型的适应性。通过对实际数据的预测仿真计算，经分析比较，证明了此方法具有收敛速度快、预测精度高的特点。

摘要： 分析了秦皇岛地区小时负荷的混沌特性，并综合考虑了负荷历史数据、气象因子等影响因素，利用Matlab工具，建立了基于神经网络与混沌理论相结合的负荷预测模型，并利用该模型对秦皇岛市短期电力负荷进行了有效的预测。

摘要： 本文基于信号数据处理理论,提出了一个分类筛选的短期电力负荷预测方法.电力负荷趋势一般都是非线性的,而影响电力负荷的原因主要是工作日与休息日的不同、气温的差异以及随着发展而增长的一个趋势.本文通过将数据按日子类别及温度区间进行分类筛选,使用一个递归理论,使得短期电力负荷预测函数变成线性的,从而提高了可操作性与预测精准度.文中最后通过案例分析验证了模型的有效性及准确性.

摘要： 本发明公开了一种换热站超短期热负荷预测的方法。首先利用随机森林算法对特征进行筛选降维；然后对数据进行标准化处理；接着建立基于长短期时间序列网络的热负荷预测模型，模型通过卷积层和循环层捕捉长短期的特征信息，然后引入循环跳跃层这一概念，捕捉更长期的特征信息，同时利用自回归算法为模型添加线性处理能力，增强了模型的鲁棒性。该方法利用逐时负荷自身的周期特性来解决神经网络在处理长序列数据时信息丢失的问题，从而提高了模型预测的性能。

摘要： 电力工业是国民经济的基础产业，在整个国民经济的发展起着举足轻重的作用。负荷预测是电力系统规划建设的依据。负荷预测的准确程度将直接影响到投资、网络布局和运行的合理性，因此，负荷预测在规划中显得尤其重要。然而电力负荷预测问题的解决已经成为电力行业人员面临的重要而艰巨的任务。本发明提出了一种基于历史天气数据和预测数据,和历史电力负荷数据进而预测短期电力负荷的系统和方法。本方法基于一种基于递归神经网络的长短期记忆模型来预测短期电力负荷的系统模型可以极大的提高预测准确度。

摘要： 提供一种短期负荷预测方法和短期负荷预测装置。所述短期负荷预测方法包括：获取过去时段的负荷数据和预测时段的外部参数；通过小波分解将过去时段的负荷数据分解为第二级细节分量、第三级近似分量和第三级细节分量；基于第二级细节分量，获取预测时段的预测负荷数据的第二级细节分量；基于过去时段的负荷数据的第三级近似分量和第三级细节分量以及所述外部参数，获取预测时段的预测负荷数据的第三级近似分量和第三级细节分量；通过小波重构将预测负荷数据的第二级细节分量、预测负荷数据的第三级近似分量和第三级细节分量重构为预测时段的预测负荷数据。根据短期负荷预测方法和短期负荷预测装置，能够准确地预测短期负荷。

摘要： 本发明公开了一种短期负荷预测方法、短期负荷预测模型训练方法、装置、可读介质及电子设备，该方法包括：获取待预测数据，待预测数据包括负荷时序数据和影响因素数据；基于负荷时序数据和已训练的预测模型中的长短期记忆网络，获取第一负荷时序特征；基于影响因素数据和已训练的预测模型中的全连接网络，获取影响因素特征；基于第一负荷时序特征、影响因素特征和已训练的预测模型中的输出网络，获取短期负荷预测结果。本发明提供的技术方案通过引入多源数据即负荷时序数据和影响因素数据，并利用长短期记忆网络和全连接网络准确学习到多源特征即第一负荷时序特征和影响因素特征，从而使得基于多源特征获取到的短期负荷预测结果准确性较高。

摘要： 本发明提供了一种负荷日前预测与超短期预测的协同预测方法及系统，获取气象数据和日期特征数据；根据气象数据、日期特征数据和预设门控循环单元模型，得到日前负荷预测结果；将日前负荷预测结果的序列扩充数据、历史负荷数据以及气象数据和日期特征数据一起输入到预设卷积神经网络‑门控循环单元超短期负荷预测模型中，得到超短期负荷预测结果；利用超短期负荷预测结果对日前负荷预测结果进行修正，得到修正后的日前负荷预测结果；本发明考虑了超短期负荷预测和日前负荷预测的优势与劣势，将两者综合运用、相互协同，提高了超短期负荷预测与日前负荷预测的精度。

摘要： 本发明公开了一种基于长短期记忆网络的短期负荷预测方法，采集短期负荷数据，将所采集的短期负荷数据作为训练样本进行VMD分解，得到n个随机分量IMF；对于分解出的n个分量，每个分量构建对应的WOA‑LSTM模型，利用WOA对模型中的LSTM参数寻优，找出最合适的参数；采用最优参数的LSTM分别对分量数据IMF进行训练，得到各个分量的预测结果；基于分别寻优后构建的LSTM模型，分别利用LSTM模型对短期负荷数据进行测，每个LSTM模型输出相应的预测结果；通过将所有预测结果进行相加得到最终的负荷预测结果。

摘要： 本发明专利公开一种基于长短期记忆神经网络的燃气短期负荷预测方法，该方法运用主成分相关分析(PCCA)算法、小波阈值去噪(LMD)算法及局部均值分解优化(WTD)算法优化长短期记忆神经(LSTM)网络模型，并运用该种新的燃气负荷组合预测方法，对城市燃气负荷量进行预测分析，PCCA‑LMD‑WT D‑LSTM预测模型在城市燃气负荷预测中，采用该种模型获得的最终MAPE精度均属于高精度水平，该模型预测结果优于单一的LSTM模型、BPNN模型和GRU模型。本发明解决了传统循环神经网络中的长时期依赖问题，适用于数据长度大的时间序列预测，且稳定性更高，可靠性更强。

摘要： 本发明公开了一种基于深度长短期记忆网络的短期负荷预测方法，解决了现有技术的不足，该方法包括以下步骤：步骤10)，获取样本特征变量历史数据，建立历史样本数据集；步骤20)，建立预测模型嵌入维输入数据集；步骤30)，建立深度长短期记忆神经网络预测模型并初始化网络权重；步骤40)，更新训练步骤30)建立的深度长短期记忆神经网络预测模型内部状态参数；步骤50)，计算输出本轮负荷预测值；步骤60)，引入本轮负荷真实值，计算损失函数；步骤70)，更新深度长短期记忆神经网络网络权重；步骤80)，根据判别函数判别迭代是否结束；步骤90)，迭代结束，输出深度长短期记忆神经网络预测模型。

摘要： 本发明涉及电力系统调度与运行技术领域，具体涉及一种基于长短期记忆与自适应提升的微电网短期负荷预测方法,包括：步骤1，调取历史负荷数据；步骤2，对其进行整合以获得训练集和测试集；步骤3，对训练集和测试集进行进集成经验模态分解并调整，输出训练样本集和测试样本集；步骤4，建立组合预测核模型，设置超参数数值；步骤5，输入训练样本集，输出预测结果；步骤6，设置循环次数N，大于N时，进入步骤7；小于N时，进入步骤5；步骤7，计算均方根误差，并判断是否稳定，稳定进入步骤,9，不稳定进入步骤8；步骤8，调整超参数，进入步骤5；步骤9，输入测试样本集，输出预测结果。本发明预测精度高、误差小，适应性强，实用性强。

摘要： 本发明公开了一种基于历史负荷数据的短期负荷预测与修复方法，该方法包括：对历史负荷数据集进行数据预处理，得到预处理后的历史负荷数据集；通过深度自编码器对预处理后的历史负荷数据集进行特征提取处理，得到重构数据集；通过Stacking集成模型对重构数据集进行负荷预测，得到预测值；根据预测值对历史负荷数据集进行修复，得到修复后的历史负荷数据集。通过使用本发明，能够通过准确的提取历史负荷数据的潜在特征从而提高对异常负荷数据的检测精度。本发明作为一种基于历史负荷数据的短期负荷预测与修复方法，可广泛应用于电力负荷数据挖掘技术领域。