智能电网的发展认识到短期电力净负荷预测对综合能源系统(integrated energy system,IES)的重要性。净负荷预测代表用电负荷与安装的可再生能源之间的差异,是能量管理和优化调度的基础。为解决IES波动性大,传统统计模型预测精较差的问题...智能电网的发展认识到短期电力净负荷预测对综合能源系统(integrated energy system,IES)的重要性。净负荷预测代表用电负荷与安装的可再生能源之间的差异,是能量管理和优化调度的基础。为解决IES波动性大,传统统计模型预测精较差的问题,该文提出一种基于时空图卷积网络(spatial temporal graph convolutional networks,STGCN)和Transformer相结合的综合能源系统短期负荷预测模型。首先,利用STGCN作为输入嵌入层对多元输入序列进行编码,填补Transformer中没有充分考虑相关信息的空白。然后,利用Transformer中的自注意机制捕获序列数据的时间依赖性。最后,利用前馈神经网络输出预测负荷值。以浙江省某地区电力数据集为例,与其他4种预测模型相比较平均绝对百分比误差均在5%以内,结果表明该文模型具有较高的预测精度和稳定性。展开更多
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。
