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
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。
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。
