摘要：电力负荷预测的准确性受到多种因素的干扰,如气候变化、经济发展以及区域差异等,这些因素使得电力负荷呈现出显著的不稳定性和复杂的非线性特征,从而增加了提高预测精度的难度。为了应对这一挑战,本文创新性地引入了一种结合自注意力机制与长短期记忆网络(LSTM)的预测方法。通过在美国某一地区的实际用电负荷数据验证模型,实验结果表明,该方法的决定系数(R2)为0.96,平均绝对误差(MAE)为0.023,均方根误差(RMSE)为0.029,提升了预测的准确性。这不仅证明了所提模型在提高电力负荷预测精度方面的有效性,也为其在船舶电力负荷预测的应用奠定了一定的基础。

摘要：短期电力负荷预测的准确性对智能电网平稳高效运行具有重要意义,但多种因素影响下的负荷数据具有较强的非平稳性与随机波动性,使得高精度的短期电力负荷预测面临挑战。为充分挖掘负荷序列中的趋势特征与周期性特征,准确提取与电力负荷存在潜在相关性的辅助信息特征,提升短期电力负荷预测精度,该文提出了一种基于神经基扩展分析(neural basis expansion analysis,N-BEATS)与辅助编码器的短期电力负荷预测模型。该模型包含两个并行的编码器,基于神经基扩展分析(neural basis expansion analysis,N-BEATS)模型的负荷特征编码器和基于多头注意力机制的辅助信息编码器,分别用于学习负荷数据中的时序特征与辅助信息特征。同时,构建特征融合模块将时序特征和辅助信息特征构造成联合特征向量,并设计基于门控循环单元(gated recurrent unit,GRU)的预测解码器模块进行短期电力负荷预测。在GEFCom2014公开数据集上进行实验,结果表明所提方法与长短期记忆(long short-termmemory,LSTM)网络模型、卷积神经网络(convolutional neural network,CNN)-LSTM网络模型、序列到序列(sequence-to-sequence,Seq2Seq)网络模型、季节自回归差分移动平均(seasonal autoregressive integrated moving average,SARIMA)模型及支持向量回归模型(support vector returns,SVR)等基线模型相比,在预测精度方面具有明显优势,平均绝对百分比误差(mean absolute percentage error,MAPE)平均提升了24.16%。

摘要：针对短期电力负荷预测因受天气、温度、节假日等多重不确定性因素影响而造成精度低的问题,提出一种基于改进Autoformer模型的短期电力负荷预测模型。改变序列分解预处理的惯例,设计深度模型的内部分解模块,该模块提取模型中隐藏状态的内在复杂时序趋势,使得模型具有复杂时间序列的渐进分解能力;提出Nystrom自注意力机制,该机制利用Nystrom方法来逼近标准的自注意力机制。某地电力负荷预测实验结果表明,所提模型比基于标准Autoformer模型的短期电力负荷预测模型的时间复杂度更低,准确率更高。

摘要：针对人工神经网络模型在进行负荷预测时,大多不考虑气象等因素的影响,提出了一种基于数据挖掘预处理的改进短期电力负荷预测的方法,应用数据挖掘的聚类功能,寻找与预测日同等气象类型的多个历史短期负荷数据序列进行预测,从而提高预测的精度。鉴于ANN模型对不确定性和模糊信息学习处理能力较差的缺点,引用模糊系统的理论,构建模糊神经网络(FNN)模型。通过实例预测和预测结果比较分析表明,提出的方法具有较高的预测精度。

摘要：随着智能电网、全球能源互联网的建设与相关技术的发展,现代电力系统中电力大数据的格局已经形成,如何对高维海量数据进行深度挖掘以实现数据的充分利用,成为当前电力工作者们关心的问题。该文针对电力大数据环境下高精度和实时性的负荷预测展开了研究,提出了基于Spark平台和并行随机森林回归算法(Spark platform and parallel random forest regression,SP-RFR)的短期电力负荷预测方法,通过3次弹性分布式数据集(resilient distributed datasets,RDD)转换实现单机随机森林算法的并行化改进,并在Spark分布式集群环境下实现部署。结合某区域实际电力负荷数据设计试验,进行模型训练和回归预测,通过试验证明,对同等的数据集,基于Spark平台的并行随机森林回归算法预测精度高于单机负荷预测算法;并行随机森林算法受离群数据干扰较小,且随着数据集的增大,并行随机森林算法表现出良好的鲁棒性;与单机算法在运行时间上相比,随着数据集的增大,基于分布式集群的方法优势明显。该文提出的方法能够有效地在分布式环境中进行电力负荷预测,为负荷预测提供了一种新思路。

摘要：为提高受外部因素影响敏感的短期电力负荷预测精度,提出了一种基于改进ABC优化密度峰值聚类和多核极限学习机的短期电力负荷预测方法。构建融合特征提取、人工蜂群算法(ABC)、密度峰值聚类(DPC)和核极限学习机(KELM)的短期电力负荷预测模型。针对ABC收敛效率不高的缺陷,设计新型蜜源搜索和蜜蜂进化方式,以提升改进ABC全局寻优能力;针对DPC截断距离与聚类中心人为设定的不足,定义邦费罗尼指数函数和聚类中心截断指标,并将改进的ABC应用于DPC参数优化过程,以实现DPC最佳聚类分析;针对KELM回归能力不强、参数选取难以确定的问题,设计多核加权KELM,并采用改进的ABC进行参数优化,以提高极限学习机预测精度。仿真结果表明,所提短期电力负荷预测方法更具有效性,平均误差低了约8.8%~39.8%。

摘要：针对短期电力负荷预测精度低与准确性差的问题,设计了CEEMDAN-DISPSO-LSTM混合预测模型。运用自适应噪声的完全集成经验模式分解算法以获取平稳负荷序列,采用改进的动态个体-群体粒子群算法求解长短期神经网络参数的最优值,利用最优参数值构建的LSTM网络进行负荷预测。仿真结果表明:与其他模型相比,该混合预测模型取得了较低的电力负荷预测误差,其误差评价指标RMSE、MAE和MAPE分别为43.71 MW,28.53 MW和0.81%,有效地提高了短期电力负荷的预测精度和准确性。

摘要：精准的短期电力负荷预测可以保障电力系统的安全可靠、经济高效运行,传统预测方法无法满足高精度的负荷预测要求,而机器学习算法的广泛应用为短期负荷预测的精确方案。提出了一种基于注意力(Attention)机制的卷积神经网络(Convolutional Neural Network,CNN)-长短期记忆网络(Long Short-Term Memory,LSTM)短期电力负荷预测方法,该方法可以减少历史信息的丢失,实现短期电力负荷预测。考虑到电力负荷值在不同季节的特点,将预测方法设计为分季节进行短期电力负荷预测。最后,以我国某地区的负荷数据作为实例,将此预测方法与其他常用预测模型进行对比,实验结果表明基于注意力机制的CNN-LSTM模型在不同季节的电力负荷预测中均具有更高的预测精度。

摘要：通过精确的电力负荷预测,智能电网可以提供比传统电网更高效、可靠和环保的电力服务。现实生活中,电力负荷数据往往存在着与历史数据较高的时间相关性,而传统的神经网络却很少关注它。近年来,循环神经网络(Recurrent Neural Network,RNN)由于可以很好地捕获在时间上距离很远的数据之间的相关性,因此在电力负荷预测中受到越来越多的关注。但是,由于RNN特有的自循环结构,当采用随时间的反向传播算法(Back-Propagation Through Time,BPTT)进行网络训练时,随着网络层数的增加,很容易发生梯度消失等问题,从而导致预测精度下降。目前已有多种解决梯度消失问题的RNN架构,如长短期记忆网络(Long Short-Term Memory,LSTM)和门控制单元(Gated Recurrent Unit,GRU),但其复杂的内部结构会增加训练时长。为了解决上述问题,文中首先对目前流行的各种RNN架构进行了研究和分析,其次结合最新提出的Zoneout技术,设计了一种跨时间尺度的分模块循环神经网络架构,重点研究了隐藏层模块的随机更新策略,不仅有效解决了梯度消失问题,而且大幅度减少了待训练的网络参数。基于基准数据集和实际负载数据集的实验结果表明,该结构可以获得比目前流行的RNN架构更好的性能。

摘要：高精度的短期电力负荷预测在现代电力系统的安全和经济运行中起着重要作用。介绍了短期电力负荷预测系统的结构与数据库E-R图。给出了预测考核标准公式,该预测系统具有界面美观、简单适用等特点。实践证明,系统在减轻调度人员负担,实现调度自动化方面发挥了重要作用。