检索结果-南通市图书馆

中国电力教育 2006年第S1期 23-25页

作者：卢剑雄广东电网公司广州海珠供电局广东广州510100

文章从调度运行和需求侧管理出发,分析电力负荷的构成特点和负荷值变化的原因;将负荷突变值和平稳值采用平均值的方法求出接近的真实值,建立负荷短期预测模型,再输入历史负荷(常规)数据、天气状况的历史数据和特别事件预测数据,得到负... 详细信息

文章从调度运行和需求侧管理出发,分析电力负荷的构成特点和负荷值变化的原因;将负荷突变值和平稳值采用平均值的方法求出接近的真实值,建立负荷短期预测模型,再输入历史负荷(常规)数据、天气状况的历史数据和特别事件预测数据,得到负荷短期预测值。

关键词：电力负荷短期预测电力负荷的特点、成因负荷变动

基于Bootstrap误差修正的电力负荷短期预测深度学习模型

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

热力发电 2023年第3期52卷 121-129页

作者：张宇晨姜雪松李春伟刘森东北林业大学工程技术学院黑龙江哈尔滨150040

针对负荷数据非线性、强波动性等特点导致数据规律性较弱电力负荷预测模型不准确的问题,构建基于Bootstrap误差修正的TCN-WOA-Bi LSTM-Attention电力负荷短期预测模型。使用时序卷积神经网络(TCN)提取时序特征并通过注意力机制(Attentio... 详细信息

针对负荷数据非线性、强波动性等特点导致数据规律性较弱电力负荷预测模型不准确的问题,构建基于Bootstrap误差修正的TCN-WOA-Bi LSTM-Attention电力负荷短期预测模型。使用时序卷积神经网络(TCN)提取时序特征并通过注意力机制(Attention机制)对特征突出重要信息贡献度,通过鲸鱼优化算法(WOA)寻找双向长短时记忆(Bi LSTM)神经网络最优超参数以减少人工搜索超参数的负面影响后进行预测;基于Bootstrap分析预测区间误差分布,通过覆盖率(PICP)是否低于对应置信度判断对预测结果进行修正的必要性,并选取合理修正范围。仿真结果表明,基于Bootstrap方法进行误差修正避免了修正不足及修正过度的问题,对比将误差序列全部修正的方法更具有科学性,能最大程度提高模型预测精度。

关键词：电力负荷短期预测 Bootstrap 误差修正时序卷积神经网络鲸鱼优化算法

维普期刊数据库博看期刊

同方期刊数据库

在线全文

学校读者我要写书评

暂无评论

基于支持向量机的船舶电力负荷短期预测

基于支持向量机的船舶电力负荷短期预测

作者：朱思锋上海海事大学

学位级别：硕士

电力负荷短期预测是电力系统调度和控制的基础，其预测精度直接影响电力系统的经济效益以及电网的稳定性。当前的电力系统负荷预测分析一般都集中在陆上地区性的大型电网中。随着船舶向大型化和多功能化发展，远洋运输中大型和超大型船... 详细信息

电力负荷短期预测是电力系统调度和控制的基础，其预测精度直接影响电力系统的经济效益以及电网的稳定性。当前的电力系统负荷预测分析一般都集中在陆上地区性的大型电网中。随着船舶向大型化和多功能化发展，远洋运输中大型和超大型船舶的需求越来越多，船舶供配电控制与电力管理系统的复杂程度和自动化程度越来越高，对船舶电力系统提出的要求也越来越高。船舶电力系统具有以下特点：船舶电力系统的发电机组以柴油发电机组为主，电力系统容量小，用电负载种类比较多，系统的动态控制过程频繁发生。船舶电力系统处于动态变化的运行情况比较多，系统的动态变化范围也比较大，这些直接影响了电网的稳定，需要我们及时对船舶电力负荷的变化做出预测，据此进行发电机的起停控制，把电网的波动控制在合理的范围内，保证船舶电力系统的经济稳定的运行。支持向量机是新一代的机器学习算法，以统计学习理论作为其理论基础，它的训练等价于解决一个二次规划问题，采用结构风险最小化原则，具有预测能力强、全局最优及收敛速度快等显著特点。因此，本文从研究混沌时间序列的预测入手，提出了一种基于支持向量机回归理论的预测方法，并将其应用于混沌时间序列预测中。为了验证该算法的性能，我们做了两项工作，一个是利用相空间的重构理论对混沌时间序列进行了单步与多步的预测，并同文献中的神经网络的预测结果进行了比较分析;另一个是在混沌时间序列中加入不同水平的噪声，并同BP网络及RBF网络的预测结果进行了比较分析。仿真结果表明，用支持向量回归算法进行混沌时间序列的预测能够取得比其他方法更好的效果，具有很好的稳健性及泛化能力。在研究混沌时间序列预测的基础上，我们结合船舶电力系统的特点，首次对船舶电力负荷预测问题进行研究，建立了基于支持向量机的电力负荷短期预测的模型，应用实际的负荷数据进行仿真试验，实际算例表明，该方法在预测精度和运算时间方面都明显的优于人工神经网络等方法。

关键词：统计学习理论支持向量机电力负荷短期预测混沌时间序列船舶电力系统

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的电力负荷短期预测

基于深度学习的电力负荷短期预测

作者：邹永琪重庆大学

学位级别：硕士

电力负荷短期预测旨在指导电力调度计划制定,实现供需动态平衡,确保电力系统安全、稳定、可靠地运行。近年来,以深度学习为代表的人工智能技术在电力负荷短期预测中得到了广泛应用,但现有研究仍有提升空间。首先,大多数基于深度学习的... 详细信息

电力负荷短期预测旨在指导电力调度计划制定,实现供需动态平衡,确保电力系统安全、稳定、可靠地运行。近年来,以深度学习为代表的人工智能技术在电力负荷短期预测中得到了广泛应用,但现有研究仍有提升空间。首先,大多数基于深度学习的电力负荷短期预测模型仅考虑了单一维度特征,且主要提取数字特征,未考虑外延因素,特别是天气等非数字特征对预测性能的影响;其次,大多数短期预测模型主要利用历史负荷数据,较少考虑多个用户用电行为之间的相互影响。针对上述不足,本文提出了两种基于深度学习的电力负荷短期预测模型,主要研究内容和取得的成果如下:(1)以双向长短期记忆(Bidirectional Long Short-Term Memory,Bi-LSTM)网络和一维卷积神经网络(One-Dimension Convolutional Neural Network,1D-CNN)为基本模型,并联构成多特征融合(Multi-Features Fusion,MFF)框架,联合图卷积网络(Graph Convolution Network,GCN),提出一种基于MFF-GCN的电力负荷短期预测模型。该模型利用MFF提取负荷数据的空时相关特征,利用GCN提取天气和风力、风向等非数字特征,通过建模生成权重矩阵以增强模型的特征识别能力,采用贝叶斯优化探究超参数对模型的影响。利用中国山东数据开放网-电网母线负荷数据集对MFF-GCN模型和选择的6种基准模型进行了实验对比。结果表明,提出的MFF-GCN预测模型的MAE为0.025,RMSE为0.030,SMAPE为9.95,Rsquared为98.05%,预测性能更优。(2)利用GCN处理非欧几里得数据的高效性和Informer模型对长时间序列预测的准确性,提出了一种集成GCN和Informer的预测模型—GCN-Informer模型。该模型首先对用户群组进行相关性分析,构建用户图网络,并利用GCN提取用户的用电模式,然后利用Informer模型提取用户的历史负荷特征。二者集成不仅可以学习历史序列的局部隐藏相关性,还可以学习不同用户用电模式之间的全局潜在相关性,同时降低空间复杂度,提高预测精度。利用低碳伦敦数据集对GCNInformer模型和选择的6种基准模型进行了实验对比。结果表明,在RSME方面,本文提出的GCN-Informer模型比Transformer模型降低了2%-10%,比LSTM模型降低了2%-8%;在MAE和SMAPE方面,GCN-Informer模型同样更优;在回归效果方面,GCN-Informer模型的R-squared平均值为95.42%,拟合度更好。

关键词：电力负荷短期预测深度学习多特征融合图卷积网络 Informer模型

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于混沌特性的支持向量机短期电力负荷预测

基于混沌特性的支持向量机短期电力负荷预测

作者：蒋丽峰长沙理工大学

学位级别：硕士

电力负荷预测是电力系统运行与控制的基础也是电力市场运作的基础,在电力市场的条件下对负荷预测提出了准确性、实时性、可靠性、智能性的要求,其预测精度直接影响电力系统的经济效益以及电网的稳定性。负荷预测是电力系统规划和运行中... 详细信息

电力负荷预测是电力系统运行与控制的基础也是电力市场运作的基础,在电力市场的条件下对负荷预测提出了准确性、实时性、可靠性、智能性的要求,其预测精度直接影响电力系统的经济效益以及电网的稳定性。负荷预测是电力系统规划和运行中的重要工作之一。由于负荷决定了发电、输电和电量的分配,在一定规划期内负荷与用电量的大小决定了电力系统的发展规模和发展速度,因此预测电力系统的负荷与用电量是进行电力系统发展规划的首要任务。而负荷预测方法的选择是最为关键的工作,目前预测的方法很多,但哪一种方法更为可靠是一个十分复杂的问题。因为预测结果的可信性不仅取决于所使用的预测方法,也取决于所采集数据的可靠性,后者是理论工作者所无法解决的,前者则可以通过对不同预测方法的分析比较得到一些指导性的认识。支持向量机是新一代的机器学习算法,以统计学习理论作为其理论基础,它的训练等价于解决一个二次规划问题,采用结构风险最小化原则,具有预测能力强、全局最优及收敛速度快等显著特点。因此,本文从研究混沌时间序列的预测入手,采用了一种基于支持向量机回归理论的预测方法,并将其应用于混沌时间序列预测中。为了验证该算法的性能,我们做了两项工作,一个是利用相空间的重构理论对混沌时间序列进行了单步与多步的预测,并同文献中的神经网络的预测结果进行了比较分析;另一个是在混沌时间序列中加入不同水平的噪声,并同BP 网络及RBF 网络的预测结果进行了比较分析。仿真结果表明,用支持向量回归算法进行混沌时间序列的预测能够取得比其他方法更好的效果,且有更好的稳健性和泛化能力。在研究混沌特性的基础上,我们结合短期电力系统的特点,对电力负荷预测问题进行研究,建立了基于混沌特性的支持向量机电力负荷短期预测的模型,应用实际的负荷数据进行仿真试验。利用基于混沌特性的支持向量机模型进行短期电力负荷预测,首先要判定系统是否具有混沌特性,其次确定相空间重构的嵌入维数m和延时t;运用m 和t 重构相空间,计算出最大Lyapunov指数,构成学习样本和预测值,然后利用样本对SVM 进行训练,最后训练后的网络对将来的某段时间进行预测,根据预测得出的预测值,我们与实际的负荷值进行比较,判断其是否具有优势。提出了一种基于支持向量机回归理论的预测方法,并将其应用于实际的短期电力负荷预测中。为了验证该算法的性能,我做了两项工作,一个是利用相空间的重构理论对短期电力负荷进行了单步预测,并同文献中的神经网络的预测结果进行了比较分析,从表中可以看出,对于不同的m 取值,采用SVM 时的评价指标(RMSE,RMSPEE)都小于采用BP 网络和模糊神经网络时的相应值,表明支持向量机在短期电力负荷的建模和预测方面的效果比BP 网络和模糊神经网络要好,从运行时间看,与BP 网络相比,支持向量机具

关键词：统计学习理论支持向量机电力负荷短期预测混沌时间序列

基于粒子群优化BP网络短期电力负荷预测方法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

广东石油化工学院学报 2011年第6期21卷 47-50页

作者：姚刚陈政石李晓竹广东石油化工学院计算机与电子信息学院广东茂名525000 辽宁工程技术大学电气与控制工程学院辽宁葫芦岛125105

针对常规BP网络收敛速度慢,易陷入局部极小值等问题,采用L-M算法对网络进行训练,利用改进粒子群算法优化BP网络初始权值和阈值。将该方法应用在南方某市短期电网负荷预测中,预测结果表明,相较于常规BP网络、L-M算法改进预测模型,该预测... 详细信息

针对常规BP网络收敛速度慢,易陷入局部极小值等问题,采用L-M算法对网络进行训练,利用改进粒子群算法优化BP网络初始权值和阈值。将该方法应用在南方某市短期电网负荷预测中,预测结果表明,相较于常规BP网络、L-M算法改进预测模型,该预测算法在预测结果精度和速度上均有较大幅度提高。

关键词：电力负荷短期预测 BP网络 L—M算法粒子群算法

维普期刊数据库

基于EEMD-CatBoost的短期电力负荷预测

在线全文

学校读者我要写书评

暂无评论

自动化应用 2023年第5期64卷 221-224,228页

作者：顾恩到郭延鹏华北水利水电大学电气工程学院河南郑州450011

准确的负荷预测在电力调度、系统可靠性和规划中起着关键作用。针对各种不确定因素造成了电力需求的波动,本文提出了一种基于EEMD-CatBoost的短期负荷预测方法。模型利用集合经验模态分解(EEMD)对非平稳原始序列进行处理,将原始电力负... 详细信息

准确的负荷预测在电力调度、系统可靠性和规划中起着关键作用。针对各种不确定因素造成了电力需求的波动,本文提出了一种基于EEMD-CatBoost的短期负荷预测方法。模型利用集合经验模态分解(EEMD)对非平稳原始序列进行处理,将原始电力负荷数据分解为有限个固有模态函数(Intrinsic Mode Functions,IMF)和一个残差分量,以降低负荷序列的复杂度,再将分解后的各分量分别输入到CatBoost中预测,然后将每个分量的预测值重组,得到最终的负荷预测结果。以某地的实际数据为例,综合比较了该方法与现有电力负荷短期预测技术的性能。与现有基准相比,所提出的方法得到了相当精确的结果。

关键词：集合经验模态分解 CatBoost 固有模态函数(IMF) 电力负荷短期预测

维普期刊数据库

基于LSTM算法的电力负荷预测及电网实时协调优化运行方法研究

在线全文

学校读者我要写书评

暂无评论

基于LSTM算法的电力负荷预测及电网实时协调优化运行方法研究

作者：康跃芳四川大学

学位级别：硕士

随着电力系统的高速发展,可再生电源与电力负荷的不确定性是影响电网稳定、经济安全运行的重要因素。而电力系统负荷预测是电力行业发展的重要基础工作,合理的电力负荷预测为电网规划、电力市场交易、电网调度及运行提供重要的数据依据... 详细信息

随着电力系统的高速发展,可再生电源与电力负荷的不确定性是影响电网稳定、经济安全运行的重要因素。而电力系统负荷预测是电力行业发展的重要基础工作,合理的电力负荷预测为电网规划、电力市场交易、电网调度及运行提供重要的数据依据。因此,设计合理并且高效的电力系统负荷预测模型与方法是一项急需筹备的工作。本文首先介绍电力系统负荷预测的基本理论知识,如影响电力系统负荷预测结果的众多因素,如温度、湿度、光照、风速,日期和历史负荷数据等。随后,通过分析电力系统负荷的随机性、周期性和连续性特征,总结了电力系统负荷预测的特点。然后,根据负荷预测的应用场景,分析了电力系统负荷预测的类型与基本流程。进一步,总结常见电力系统负荷预测模型的优缺点,提出基于人工神经网络的电力系统和负荷预测模型。在分析经典人工神经网络预测模型的基础上,提出了基于长短期记忆神经网络的电力负荷短期预测模型,有效地避免了人工神经网络在训练过程中出现的梯度爆炸跟梯度弥散问题。同时,根据仿真结果表明,跟其他人工智能模型相比较,基于长短期记忆神经网络的电力负荷短期预测模型能够有效地提升负荷预测精度。最后,为结合电力系统负荷预测模型与含高占比可再生电源的电网实时协调优化运行,提出了基于储能、AGC机组和可调节负荷的电网实时运行模型。建立了基于电网系统净功率波动预测模型的实时运行方案与求解流程。通过仿真算例表明,文中提出的方案能够有效地提升可再生电源的利用率,为今后低碳化电网提供技术支持。

关键词：电力负荷短期预测人工神经网络长短期记忆神经网路电网实时协调优化

基于遗传算法优化LightGBM-XGBoost模型的电力负荷预测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

科学技术创新 2023年第3期 71-75页

作者：吴霆辉华南师范大学数学科学学院广东广州

电力负荷短期预测在电网改造、保障电力系统经济运行上具有重要的研究意义。为了提高预测精度,基于误差倒数法,提出了基于遗传算法优化的LightGBM-XGBoost融合模型。基于华南某城市的电力负荷数据,融合模型在测试集上的MAPE值为1.0931%... 详细信息

电力负荷短期预测在电网改造、保障电力系统经济运行上具有重要的研究意义。为了提高预测精度,基于误差倒数法,提出了基于遗传算法优化的LightGBM-XGBoost融合模型。基于华南某城市的电力负荷数据,融合模型在测试集上的MAPE值为1.0931%,R2值为0.9843,预测精度相较于单一模型而言得到了较明显的提升,说明了融合模型在电力负荷预测上的有效性。

关键词：电力负荷短期预测遗传算法 LightGBM XGBoost 融合模型

维普期刊数据库