分类: 计算机科学 >> 计算机科学技术其他学科 分类: 能源科学 >> 能源(综合) 提交时间: 2021-08-11
摘要: 负荷预测是电网系统中很多应用的关键部分,具有重要作用。然而,由于电网负荷的非线性、时变性和不确定性,使得准确预测负荷具有一定的挑战。充分挖掘负荷序列的潜在特征是提升预测准确率的关键。本文认为在特征提取时应该充分利用负荷序列的位置信息、趋势性、周期性和时间信息,同时还应构建更深层次的神经网络框架进行特征挖掘。因此,本文提出了基于特征嵌入和Transformer框架的负荷预测模型,该模型由特征嵌入层,Transformer层和预测层组成。在特征嵌入层,模型首先对历史负荷的位置信息、趋势性、周期性和时间信息进行特征嵌入,然后再与天气信息进行融合,得到特征向量。Transformer层则接受历史序列的特征向量并挖掘序列的非线性时序依赖关系。预测层通过全连接网络实现负荷预测。从实验结果来看,本文模型的预测性能优于对比模型,体现了该模型的可行性和有效性。
分类: 计算机科学 >> 计算机应用技术 提交时间: 2022-04-26
摘要: 负荷预测能有效助力负荷供需的动态平衡,保障电力系统稳定运行。基于统计模型和基于深度学习是目前构建预测方法的两种思路,但是少有从可解释的角度构建负荷预测方法。本文利用深度神经网络的非线性拟合能力,以及指数平滑模型的可解释特性,提出了深度平滑因子模型(DeepES)。从实际负荷序列数据中的预测结果来看,DeepES模型实现了最优的预测效果,而且相比于传统单一因子作为网络输入的RNNs网络具有更精确、可解释性更好的负荷预测模型。
分类: 计算机科学 >> 计算机科学的集成理论 提交时间: 2018-08-13 合作期刊: 《计算机应用研究》
摘要: 针对企业电力负荷随机性强、稳定性低、预测精度不理想等问题,提出了一种基于最大偏差相似性准则的BP神经网络短期电力负荷预测算法。首先对最大偏差相似性准则算法进行修改,并提出使用预测日的负荷特征向量与最大偏差相似性准则算法聚类之后的类中心负荷特征的距离来确定预测日的相似日类别;然后将聚类后的相似日类别负荷数据作为BP网络的训练数据,输出预测日起始的连续三天96整点负荷值。实验表明,该方法提出的短期电力负荷预测方法在精度和网络训练时间上都有较大的提升,具有较高的有效性和实用性。