摘要：针对神经网络模型进化设计问题的特点 ,提出了改进的并行遗传算法 (IPGA) ,并分析其全局收敛性与应用策略。应用此方法于短期电力负荷预测系统中 ,取得了更高的预测精度。该方法设计简单通用、模型性能评价全面合理、全局优化能力强。实际应用表明该方法是有效的 ,具有应用推广价值。

摘要：短期电力负荷预测存在数据时间序列紊乱现象,导致预测短期电力负荷精确度低,为此提出用于短期电力负荷预测的时间序列数据深度挖掘模型。设计数据预处理电力数据仓库体系,获取电力数据,并对电力数据进行排序处理;基于数据处理结果,划分数据时间序列,建立时间序列数据深度挖掘模型,预测短期电力负荷。实验结果显示,采集同一区域的同一电力局电力信息,对短期电力负荷进行预测,预测短期电力负荷功率与实际一致,对短期电力负荷预测的精确度较高。

摘要：随着间歇分布式电源的大规模并入,电力负荷的波动性和非线性特征日益明显,现有单一预测模型较难实现精准预测。本研究提出一种经验小波变换(EWT)、门控循环单元(GRU)和岭回归(RR)相结合的短期电力负荷预测模型EWT-GRU-RR。首先,应用灰色关联度选取与负荷高相关性的气象耦合因素,作为相似日的分类指标;然后,采用皮尔逊系数法对类别内的负荷进行最佳相似日选取以减小计算规模;接着,采用EWT将相似日负荷数据分解得到不同频率的负荷模态序列;最后,采用GRU与RR分别对不同频率模态序列进行多步预测,并将预测分量叠加得到最终负荷预测结果。实验结果表明,本研究所提模型的预测误差较单一预测模型GRU减少了77%以上,较支持向量机回归(SVR)减少了75%以上,较先采用经验模态分解(EMD)进行分解再采用径向基函数神经网络(RBF)和RR组合预测模型EMD-RBF-RR减少了75%以上,较先采用EMD进行分解再采用GRU和RR组合预测模型EMD-GRU-RR减少了76%以上,有效提高了负荷预测精度。

摘要：本文研究电力负荷随机性问题,提出构建基于CNN-LSTM与自注意力机制的短期电力负荷预测模型。在CNN-LSTM混合模型中引入自注意力机制,根据电力负荷时间序列特性对原有均方误差法进行优化,采用加权均方误差法设计损失函数。为了防止模型过拟合,提高稳定性,引入Adam优化器与正则化系数,保证数据精准。为了验证方案有效性,本文设计试验,并对比4种模型。试验结果表明本文设计模型预测值与真实值误差最小。在CNN-LSTM模型中引入自注意力机制的方案能够提高预测精度,为电网电力稳定运行提供技术支持。

摘要：造纸过程中对于短期电力负荷量的设置,参考预测值结果,因此若发生实际负荷量大于预测结果的情况,则会导致造纸工作任务的失败。为顺利实施造纸工作任务,针对数据驱动下的造纸过程短期电力负荷预测方法展开研究。按照数据驱动模型定义条件,设计电力等效电路,并以此为基础,求解短期电力负荷空间方程,完成数据驱动下的造纸过程短期电力负荷量预估。基于数据驱动模型,构建预测决策树组织,并根据短期电力负荷向量搜索结果,确定负荷值预测参数的实际取值范围,实现数据驱动下造纸过程短期电力负荷预测方法的设计。实验结果表明,依照数据驱动模型预测值设置短期电力负荷量,可以确保实际负荷量不超过预测结果,不会造成造纸工作任务失败的问题。

摘要：为准确高效地预测电网短期负荷,提出MPSO与BP算法结合,形成MPSO-BP神经网络算法,实现神经网络参数优化。探讨综合考虑气象等影响负荷的因素,算例分析表明改善BP神经网络泛化能力。

摘要：短期电力负荷预测是电力系统安全调度、经济运行的重要依据,随着电力系统的市场化,负荷预测的精度直接影响到电力系统运行的可靠性、经济性和供电质量。LSSVM不仅保持了SVM的优点,同时降低了计算复杂性,加快求解速度,为短期电力负荷预测提供了一个新的研究方向。本文将最小二乘支持向量机(LSSVM)用于短期电力负荷预测,提出基于LSSVM的短期电力负荷预测模型,同时建立改进粒子群模型对LSSVM进行参数优化,并以浙江台州某地区的历史负荷数据和气象数据为例进行验证,实例验证表明,改进PSO-LSSVM模型的预测效果明显提高。

摘要：为了提高短期负荷预测的精度,利用长短期记忆(Long Short-Term Memory,LSTM)与seq2seq(sequence to sequence)模型预测短期电力负荷。根据电力负荷数据的组成结构和产生原理,收集历史负荷数据,通过缺失补全、归一化等步骤,完成初始收集数据的预处理。构建LSTM与seq2seq模型,利用该模型提取历史电力负荷数据特征,推导出电力负荷数据的变化规律。综合考虑了各因素对电网的影响,得到了电网的短期负荷预测结果。实验结果证明,与传统预测方法相比,在工作日和休息日中,优化设计预测方法的平均误差分别降低了5.64 kW·h和3.53 kW·h,提高了电力负荷预测精度。

摘要：为有效减小短期电力负荷预测的预测误差,提高预测精度、缩短预测时间,应用改进粒子群优化(IPSO)算法建立了1种短期电力负荷预测模型。通过水平方向和垂直方向的平滑修正,对历史数据的异常负荷点进行识别并修正。利用相同日期类型正常负荷,计算缺失数据填充值。采用模糊化处理,计算日期类型、温度、天气隶属度函数,对短期负荷变化因素进行量化处理。将历史数据的负荷值和量化值作为训练数据。为避免粒子群优化(PSO)算法陷入局部最优,采用IPSO算法找到全局最优解,建立了短期负荷预测模型,实现了短期电力负荷预测。试验结果表明,所设计模型预测结果在休息日和工作日的最大相对误差值、平均相对误差值分别为0.97%、0.53%和0.99%、0.65%,能够有效减小预测误差、提高预测精度、缩短预测时间。该研究为电力系统相关人员进行负荷预测提供了参考。

摘要：在电力系统运行和规划中,准确的短期电力负荷预测对于确保电网的稳定运行和经济效率至关重要。长短期记忆网络(LSTM)是一种特殊的循环神经网络(RNN),专门设计来处理序列数据的长期依赖问题。LSTM的独特之处在于其内部结构,包括三个门(输入门、遗忘门和输出门)和一个细胞状态,这使得它能够有效地学习和记忆长期的信息。由于电力负荷数据通常具有时间序列特性和非线性特点,LSTM因其出色的序列数据处理能力而成为进行短期电力负荷预测的理想选择。