短期负荷预测
短期负荷预测的相关文献在1994年到2023年内共计1709篇,主要集中在电工技术、自动化技术、计算机技术、无线电电子学、电信技术
等领域,其中期刊论文1172篇、会议论文98篇、专利文献116946篇;相关期刊362种,包括青岛大学学报(工程技术版)、电测与仪表、电力科学与工程等;
相关会议75种,包括2012年重庆市电机工程学会学术会议、中国高等学校电力系统及其自动化专业第二十七届学术年会、Power and Energy Engineering Conference 2010(PEEC2010)(2010年电力与能源工程学术会议)等;短期负荷预测的相关文献由4487位作者贡献,包括张智晟、刘耀年、孙才新等。
短期负荷预测—发文量
专利文献>
论文:116946篇
占比:98.93%
总计:118216篇
短期负荷预测
-研究学者
- 张智晟
- 刘耀年
- 孙才新
- 撖奥洋
- 赵登福
- 赵宇红
- 卫志农
- 周湶
- 彭显刚
- 雷绍兰
- 吴杰康
- 姜勇
- 孙雅明
- 张伟
- 李如琦
- 李滨
- 王勇
- 苏运
- 陈明华
- 刘思捷
- 吴捷
- 孙国强
- 孟安波
- 张晓星
- 杨正瓴
- 牛东晓
- 龚文杰
- 于立涛
- 侯志俭
- 刘晓华
- 刘梅
- 卞海红
- 康重庆
- 张涛
- 李国杰
- 汪洋
- 甄颖
- 田英杰
- 苏娟
- 韩蓓
- 高荣
- 黎静华
- 侯广松
- 俞集辉
- 卜凡鹏
- 卢毅
- 吴倩红
- 吴耀武
- 文福拴
- 方鸽飞
-
-
徐岩;
向益锋;
马天祥
-
-
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。
-
-
孔琪;
于群
-
-
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。
-
-
魏震波;
余雷
-
-
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。
-
-
遆宝中;
李庚银;
武昭原;
王剑晓;
周明;
李瑞连
-
-
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。
-
-
周鹏
-
-
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。
-
-
代业明;
周琼
-
-
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。
-
-
方娜;
余俊杰;
李俊晓;
万畅
-
-
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。
-
-
曹杰;
王维庆;
王海云;
常喜强
-
-
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。
-
-
孙景钌;
胡长洪;
项烨鋆;
赵碚;
刘津源;
陈梦翔;
蔡昌春
-
-
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。
-
-
高翱;
李国玉;
撖奥洋;
周生奇;
魏振;
张智晟
-
-
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。
-
-
-
-
-
-
-
-
-
-
-
孙安黎
- 《2017年(第三届)全国电网技术交流会》
| 2017年
-
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.
-
-
-
-
-
-
-
-
-
-
- 武汉科技大学
- 公开公告日期:2019-08-16
-
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。
-