基于Attention-LSTM的电力负荷自动预测方法

电力负荷预测方法异常数据筛选能力较差,导致预测精度较低,为此,基于Attention-LSTM研究一种新的电力负荷自动预测方法,构建ZigBee组网协议下的数据采集信息组网,采集电力负荷原始数据,建立自动预测模型,将电力负荷数据输入到数据处理模块中,构建模态序列,将各个子序列中的模态分量结果重组叠加,得到电力负荷功率的预测结果。实验结果表明,该方法能够筛选出绝大部分异常数据,异常数据筛选率在90%以上,预测精度在99%以上,预测时间低于15 s。     

基于粒子群优化方法的短期电力负荷组合预测

短期电力负荷预测是实现电力系统安全、经济运行的基础,其准确性对电力系统运行的可靠性、经济性都有重要意义。本文在灰色模型、ARIMA模型以及指数平滑族模型的基础上,提出了一种基于以上三种模型的组合预测模型,并用粒子群优化算法对其组合权重系数进行了优化。对澳大利亚新南威尔士州2011年9月实际电力负荷数据进行实例分析,其结果表明本文提出的组合模型确实能够提高短期电力负荷预测的精度。     

电力负荷数据预测方法模型的设计

随着社会的不断进步和国民经济的不断发展,人们对供电质量和效率方面的要求越来越高。为了提升电力系统负荷数据预测的准确程度,本文就目前负荷特性在研究中出现的一些问题主要分析了气候条件对电力负荷的影响,并且就一种电力负荷的预测方法展开了探讨,最后通过实际例子的举出,证明了该方法的所具备的有效性。     

空间电力负荷预测方法综述与展望

随着社会的发展,科技的进步,电力企业开始对电力系统实施精细化管理,而电力系统精细化管理的规划工作主要是依靠空间电力负荷预测来进行,所以空间电力负荷预测问题成为当中重要的研究课题。本文结合该领域当中的研究成果,针对空间电力负荷预测进行了更深层次的探索,对如今现有的各种空间电力负荷预测方法进行分析,并提出几点意见以供参考。     

基于贝叶斯优化的CNN-GRU短期电力负荷预测

为了提高短期电力负荷预测精度,针对负荷数据时序性与非线性的特点,提出一种基于贝叶斯优化的CNNGRU短期电力负荷预测模型。首先,将电力负荷数据按时间滑动窗口构造连续特征作为输入,采用CNN对负荷数据进行特征提取,将特征以时序序列方式作为GRU网络输入;然后通过GRU网络进行短期负荷预测,构建CNN-GRU预测模型。针对CNN-GRU模型易陷入局部最优以及超参数寻找难的问题,利用贝叶斯优化寻找最优超参数组合,对模型进行超参数优化,构建贝叶斯优化的CNN-GRU短期电力负荷预测模型。实验结果表明,贝叶斯优化的CNN-GRU模型的MAE值比传统的CNN-GRU网络模型降低58%,精度提升1.23%,说明所提模型能够有效提高负荷预测精度,可作为短期电力负荷预测工具。     

基于组合预测模型电力负荷优化算法研究

本文提出了一种基于多模型的新型电力负荷组合预测模型。该模型采用VMD-奇异谱分析降噪方法优化原始数据,再通过EOBL-CSSA算法优化ELM神经网络,构建复合预测模型。最后通过SA算法计算不同预测模型的权重比例,利用加权计算得到最终预测结果,以期为提高电力负荷优化算法计算效率提供技术支撑。     

城市电力规划负荷预测之我见

在城市电网规划工作中,电力负荷预测是电力系统规划的基础和重要组成部分,是合理确定城市电源电网规模和布局的基本依据。文章对城市电网电力负荷预测模型方法进行简单阐述,力负荷综合预测体系进行了详细分析研究,最后结合当地电网规划设计实例,详细分析了空间负荷预测法在城市电网规划设计中的应用。     

用机器学习方法进行电力负荷宏观预测

分析了电力负荷宏观预测的模型和相关技术，引入支持向量回归方法(SVR)解决问题，并通过计算实例，比较分析了SVR与神经网络方法用于预测的效果，提出SVR广阔应用前景。     

基于改进GRU的短期电力负荷预测方法

为提高电力负荷预测的准确性,采用灰狼优化(Grey Wolf Optimizer,GWO)算法对门控循环单元(Gated Recurrent Unit Neural Network,GRU)神经网络进行优化,并进行短期电力负荷预测.首先预处理数据并量化影响因素,然后搭建基于GWO超参数优化的GRU神经网络模型,最后与其...     

基于CNN-GRU SA模型的短期电力负荷预测研究

为了解决预测模型无法充分挖掘特征等问题,提出一种基于CNN-GRU SA混合模型的短期电力负荷预测方法.通过CNN模型提取输入数据的向量特征,利用双层GRU模型学习输入特征,掌握其特征规律,Self-attention机制充分挖掘输入的特征信息,最后预测出负荷值.实验采用英格兰公开数据集,实验结果表明,相较于CNN-G...     

基于GSABO-BP和Bootstrap的电力负荷区间预测

针对电力负荷序列波动性强、预测精度低的问题,提出一种基于GSABO-BP模型和Bootstrap的电力负荷区间预测方法。首先提出一种改进的减法优化算法（GSABO）,在保留减法优化算法（SABO）良好的收敛性基础上,融合黄金正弦算法（Gold-SA）来提升其搜索能力;然后,利用所提方法对BP神经网络的权值和阈值进行寻优,构建GSABO-BP预测模型,对电力负荷进行点预测;最后,采用Bootstrap方法分析电力负荷功率预测误差,结合点预测结果确定输出结果的波动区间。经仿真测试,所提方法寻优能力强、鲁棒性好;且相比于其他算法,该方法的预测精度、区间可靠性、区间宽度等均有显著提升。综合点预测和区间预测效果可知,二者结合有助于准确评估预测误差,具有较高的实际应用价值。     

基于改进的遗传算法优化BP神经网络的电力负荷预测

本文通过对BP神经网络在负荷预测方面收敛的速率过于慢、易于陷入局部最优解等问题。提出用改进的遗传算法去优化BP神经网络的阈值、初始权值以及加入的平滑因子。提高BP神经网络的自适应学习率和附加动量,提高搜索的效率。该模型具有较好的收敛速率和全局空间搜索能力。为了验证改进的(Im-GA)-BP模型预测的合理性,通过对某区域的电力负荷预测分析。此方法的预测精度比一般的BP算法效率高。     

智能电网与负荷调度探讨

随着我国社会主义社会的发展,科学技术水平的不断提高,智能电网以其吸纳大量可再生能源、供电系统与用户互动以及负荷调度等优点,受到了国家电网的重视。智能电网部分负荷的用电时间是灵活的,如加热、制冷、电动汽车等,储能设备,如电动汽车的充电设备,利用这些可控负荷追踪风电、光伏等可再生能源发电的出力变化,调度负荷来平衡预测的风电、光伏等的出力曲线,满足功率平衡。负荷调度的基本思路是电力平衡,解决电力系统运行的核心问题,负荷调度成为解决电力平衡的重要手段。     

基于模糊集理论的短期电力负荷预测

利用BP神经网络进行电力系统短期负荷预测，应用模糊集理论将天气、温度等敏感因素模糊化后作为BP神经网络的一部分输入进行训练，构造了相应于不同季节的预测模型，预测未来一天12小时负荷。典型算例的计算表明，该方法是有效的。     

用于电力数据管理分析的负荷预测与异常检测

构建了一个电力数据管理分析系统,并设计了电力负荷预测算法和异常数据检测算法问题.首先,针对BP神经网络在预测电力负荷存在的因初始权值与阈值设置影响估计精度的问题,提出利用粒子群优化BP神经网络网络参数,提高了预测算法的收敛速度与预测精度;然后,针对电力数据异常检测算法效率较低的问题,提出了基于改进谱聚类的异常数据检测算...     

电力负荷特性及其优化调控方法的探讨

社会生产生活的用电需求不断增加,对电力系统的运行安全、稳定提出更高的要求。因此,电力有关部门要从不同方面进行分析研究,提升电网系统的安全运行能力与生产效率,电力负荷性特征是研究的重点方向之一,对其进行有效的优化调控,对电力行业的发展具有重大作用。基于此种情况。     

浅谈电力电量负荷预测方法

电力负荷预测在电力系统规划和运行方面的作用越来越重要。随着现代科学技术的快速发展,负荷预测技术的研究也在不断深化,各种各样的负荷预测方法不断涌现,本文主要探讨了时间序列预测法以及其实际运用。