超短期负荷预测为实时电力市场运行提供重要依据，
预测准确度的提升对于揭示负荷变化的不确定性以及日前
预测偏差具有重要意义。基于电力系统中含有的丰富大数据
资源，提出了一种针对区域级负荷的深度长短时记忆网络超
短期预测方法，该方法包括输入数据的预处理、深度长短时
记忆(long short-term memory，LSTM)网络的构建以及模型
的训练和超参数的寻找等步骤。其中采用随机搜索的方法寻
找最优超参数，并在该超参数下选择泛化能力最优的模型，与前沿机器学习预测算法进行对比。实验结果证实，深度
LSTM 网络可以取得更好的预测效果，适合于离线训练实时
预测。此外，通过对隐藏层激活向量的可视化
2021-11-26 16:29:18
1.67MB
1
【预测模型】基于改进粒子群优化最小二乘支持向量机lssvm求解短期电力负荷预测matlab源码.zip
2021-11-24 09:01:59
897KB
1
电力负荷预测理论MATLAB;电力负荷预测理论MATLAB;电力负荷预测理论MATLAB;电力负荷预测理论MATLAB;电力负荷预测理论MATLAB;电力负荷预测理论MATLAB.
2021-11-09 19:39:19
5.3MB
1
目前常用的负荷预测方法主要是通过负荷自身和相关关系的研究建立模型，提出一种新的负荷预测思路，即从传统频域预测方法的误差入手，通过研究虚拟预测误差的历史分布规律进行误差预测，然后对传统方法得到的预测结果进行修正。建立负荷预测的误差修正模型，并通过算例验证了误差修正的短期负荷预测方法的可行性和实用性，达到了提高短期负荷预测精度的目的。
2021-11-08 09:55:17
731KB
1
燃气负荷受到天气状况和经济发展等多种因素的影响, 造成燃气变化趋势具有较大的复杂性和特征因子较大的冗余性, 造成预测精度的下降. 为了解决这个问题, 在处理燃气负荷的复杂性中使用EEMD自适应的时频局部化分析方法, 将非线性非平稳的燃气负荷数据分解为平稳的本征模式分量及剩余项. 在解决特征因子之间的冗余性中, 在PCA中加入互信息分析, 使用互信息代替协方差矩阵的特征值选择特征向量, 可以有效避免PCA仅仅考虑特征之间的相关性, 忽略了与燃气负荷值关系的缺点. 最后针对不同的子序列建立对应的LSTM模型, 重构各个分量的预测值产生最后的结果. 使用上海的燃气数据进行验证, 实验结果证明本文提出的方法测试集MAPE达到6.36%, 低于其他模型的误差.
2021-11-03 20:05:02
1.94MB
1