超短期电力负荷预测作为电力系统的基本组成,能为生产调度计划的制定提供重要依据。然而,电力负荷具有非线性、时变性和不确定性,充分挖掘其潜在特征并分别预测,是提升预测准确性的关键。提出一种基于自适应局部迭代滤波(adaptive local...超短期电力负荷预测作为电力系统的基本组成,能为生产调度计划的制定提供重要依据。然而,电力负荷具有非线性、时变性和不确定性,充分挖掘其潜在特征并分别预测,是提升预测准确性的关键。提出一种基于自适应局部迭代滤波(adaptive local iterative filtering,ALIF)的BiGRU-Attention-XGBoost电力负荷组合预测模型。该模型基于ALIF-SE实现将历史负荷序列分解重组为周期序列、波动序列和趋势序列;通过Attention机制对BiGRU模型进行改进,并结合XGBoost模型构建基于时变权重组合的电力负荷预测模型。实验分析表明,输入模型数据经过ALIF-SE处理后预测精度有明显提升;所提组合模型在工作日和节假日均具有较好的预测效果,预测误差大部分在5%以下;通过在不同负荷数据集下进行实验对比,验证了所提预测方法的可迁移性。实验结果证明,所提模型具有有效性、准确性和可行性。展开更多
基于数据驱动的方法已广泛应用于电力负荷预测领域,以提升预测精度。然而,当售电公司接入新用户时,由于缺乏用户历史用电数据,常规数据驱动方法的适用性会受到一定限制。为解决这一问题,文章提出了一种基于域对抗迁移网络(domain advers...基于数据驱动的方法已广泛应用于电力负荷预测领域,以提升预测精度。然而,当售电公司接入新用户时,由于缺乏用户历史用电数据,常规数据驱动方法的适用性会受到一定限制。为解决这一问题,文章提出了一种基于域对抗迁移网络(domain adversarial transfer network,DATN)的短期电力负荷预测方法。该模型利用Transformer模型作为特征提取器,以捕捉负荷数据中的动态特征和时间依赖性。随后,负荷预测器基于这些特征精准预测未来的负荷情况。通过域判别器与特征提取器的对抗学习,确保模型能够学习到深层域不变特征,同时结合多核最大均值差异(multi-kernel maximum mean discrepancy,MK-MMD)和相关性对齐(correlation alignment,CORAL)进一步减小源域与目标域数据的分布差异。所提模型在南方某省工业用户的用电数据上进行了验证,实验结果表明,在小样本场景下,该方法具备较好的预测精度和场景适应性。展开更多
文摘超短期电力负荷预测作为电力系统的基本组成,能为生产调度计划的制定提供重要依据。然而,电力负荷具有非线性、时变性和不确定性,充分挖掘其潜在特征并分别预测,是提升预测准确性的关键。提出一种基于自适应局部迭代滤波(adaptive local iterative filtering,ALIF)的BiGRU-Attention-XGBoost电力负荷组合预测模型。该模型基于ALIF-SE实现将历史负荷序列分解重组为周期序列、波动序列和趋势序列;通过Attention机制对BiGRU模型进行改进,并结合XGBoost模型构建基于时变权重组合的电力负荷预测模型。实验分析表明,输入模型数据经过ALIF-SE处理后预测精度有明显提升;所提组合模型在工作日和节假日均具有较好的预测效果,预测误差大部分在5%以下;通过在不同负荷数据集下进行实验对比,验证了所提预测方法的可迁移性。实验结果证明,所提模型具有有效性、准确性和可行性。
文摘基于数据驱动的方法已广泛应用于电力负荷预测领域,以提升预测精度。然而,当售电公司接入新用户时,由于缺乏用户历史用电数据,常规数据驱动方法的适用性会受到一定限制。为解决这一问题,文章提出了一种基于域对抗迁移网络(domain adversarial transfer network,DATN)的短期电力负荷预测方法。该模型利用Transformer模型作为特征提取器,以捕捉负荷数据中的动态特征和时间依赖性。随后,负荷预测器基于这些特征精准预测未来的负荷情况。通过域判别器与特征提取器的对抗学习,确保模型能够学习到深层域不变特征,同时结合多核最大均值差异(multi-kernel maximum mean discrepancy,MK-MMD)和相关性对齐(correlation alignment,CORAL)进一步减小源域与目标域数据的分布差异。所提模型在南方某省工业用户的用电数据上进行了验证,实验结果表明,在小样本场景下,该方法具备较好的预测精度和场景适应性。
