精准的空间电力负荷态势感知结果是配电网精益化规划的基础。随着配电网中可采集负荷数据深度和广度的增加,如何运用这些数据实现对空间电力负荷精准的态势感知具有重要意义。该文提出一种基于降噪自编码器、奇异谱分析和长短期记忆神...精准的空间电力负荷态势感知结果是配电网精益化规划的基础。随着配电网中可采集负荷数据深度和广度的增加,如何运用这些数据实现对空间电力负荷精准的态势感知具有重要意义。该文提出一种基于降噪自编码器、奇异谱分析和长短期记忆神经网络(denoising autoencoder,singular spectrum analysis and long-short term memory neural networks,DAE-SSA-LSTM)的空间电力负荷态势感知方法。首先在态势觉察阶段,使用降噪自编码器对每个Ⅰ类元胞负荷实测数据分别进行编码提取各自的主要负荷变化特征,并根据该特征进行重构历史元胞负荷数据以降低由于测量、通信等原因造成的噪声干扰;然后在态势理解阶段中运用奇异谱分析方法对态势觉察后的元胞负荷数据进行分解得出周期性较强的低频分量序列和随机性较强的高频分量序列;最后在态势预测阶段采用不同的长短期记忆神经网络模型分别对低频分量和高频分量进行预测,并将两预测结果进行叠加得出目标年的Ⅰ类元胞负荷预测值,在此基础上运用空间电力负荷网格化技术求得基于Ⅱ类元胞的空间电力负荷预测值。实例分析结果表明,该方法相比于其他4种空间电力负荷态势感知方法,具有更高的预测精度。展开更多
针对中长期电力负荷序列噪声含量高、难以直接提取序列周期规律从而影响预测精度的问题,提出了一种基于完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和奇异谱分析(sin...针对中长期电力负荷序列噪声含量高、难以直接提取序列周期规律从而影响预测精度的问题,提出了一种基于完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和奇异谱分析(singular spectrum analysis,SSA)双重分解的双向长短时记忆网络(bidirectional long and short time memory,BiLSTM)预测模型。首先,采用CEEMDAN对历史负荷进行分解,以得到若干个周期规律更为清晰的子序列;再利用多尺度熵(multiscale entropy,MSE)计算所有子序列的复杂程度,根据不同时间尺度上的样本熵值将相似的子序列重构聚合;然后,利用SSA去噪的功能,对高度复杂的新序列进行二次分解,去除序列中的噪声并提取更为主要的规律,从而进一步提高中长序列预测精度;再将得到的最终一组子序列输入BiLSTM进行预测;最后,考虑到天气、节假日等外部因素对电力负荷的影响,提出了一种误差修正技术。选取了巴拿马某地区的用电负荷进行实验,实验结果表明,经过双重分解可以将均方根误差降低87.4%;预测未来一年的负荷序列时,采用的BiLSTM模型将拟合系数最高提高2.5%;所提出的误差修正技术可将均方根误差降低9.7%。展开更多
文摘精准的空间电力负荷态势感知结果是配电网精益化规划的基础。随着配电网中可采集负荷数据深度和广度的增加,如何运用这些数据实现对空间电力负荷精准的态势感知具有重要意义。该文提出一种基于降噪自编码器、奇异谱分析和长短期记忆神经网络(denoising autoencoder,singular spectrum analysis and long-short term memory neural networks,DAE-SSA-LSTM)的空间电力负荷态势感知方法。首先在态势觉察阶段,使用降噪自编码器对每个Ⅰ类元胞负荷实测数据分别进行编码提取各自的主要负荷变化特征,并根据该特征进行重构历史元胞负荷数据以降低由于测量、通信等原因造成的噪声干扰;然后在态势理解阶段中运用奇异谱分析方法对态势觉察后的元胞负荷数据进行分解得出周期性较强的低频分量序列和随机性较强的高频分量序列;最后在态势预测阶段采用不同的长短期记忆神经网络模型分别对低频分量和高频分量进行预测,并将两预测结果进行叠加得出目标年的Ⅰ类元胞负荷预测值,在此基础上运用空间电力负荷网格化技术求得基于Ⅱ类元胞的空间电力负荷预测值。实例分析结果表明,该方法相比于其他4种空间电力负荷态势感知方法,具有更高的预测精度。
文摘针对中长期电力负荷序列噪声含量高、难以直接提取序列周期规律从而影响预测精度的问题,提出了一种基于完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和奇异谱分析(singular spectrum analysis,SSA)双重分解的双向长短时记忆网络(bidirectional long and short time memory,BiLSTM)预测模型。首先,采用CEEMDAN对历史负荷进行分解,以得到若干个周期规律更为清晰的子序列;再利用多尺度熵(multiscale entropy,MSE)计算所有子序列的复杂程度,根据不同时间尺度上的样本熵值将相似的子序列重构聚合;然后,利用SSA去噪的功能,对高度复杂的新序列进行二次分解,去除序列中的噪声并提取更为主要的规律,从而进一步提高中长序列预测精度;再将得到的最终一组子序列输入BiLSTM进行预测;最后,考虑到天气、节假日等外部因素对电力负荷的影响,提出了一种误差修正技术。选取了巴拿马某地区的用电负荷进行实验,实验结果表明,经过双重分解可以将均方根误差降低87.4%;预测未来一年的负荷序列时,采用的BiLSTM模型将拟合系数最高提高2.5%;所提出的误差修正技术可将均方根误差降低9.7%。
文摘准确预测台区的电力负荷,能够促使电力企业合理安排调度计划,保障台区电力安全和经济稳定运行。为了充分挖掘电力负荷数据的特征,提高预测的精度,提出一种基于自适应辛几何模态分解(adaptive symplectic geometry mode decomposition,ASGMD)、多元线性回归(multiple linear regression,MLR)和卷积长短时记忆(convolutional long short-term memory,CLSTM)网络的电力负荷预测方法。首先,应用ASGMD将台区负荷数据分解为弱相关和强相关两种分量;然后,利用MLR和CLSTM分别对上述两种分量分别进行预测;最后,组合各模型结果,得到最终负荷预测值。实例分析结果表明,所提模型较其他模型具有更高的预测准确度。
