电力负荷预测

准确、及时的中长期负荷预测对于制定经济合理的电力分配方案具有十分重要的意义。传统基于统计和人工智能的电力负荷预测算法存在计算效率低、预测准确率不高的问题。文章结合基因表达式编程的思想，提出基于基因表达式编程的中长期电力负荷预测算法。在标准EUNITE数据集上的仿真实验结果表明，文章提出的LFMM-GEP算法在MAE和MAPE以及预测精度上，要优于传统的其他人工智能和统计方法。

为了解决区域级短期电力负荷预测时输入特征过多和负荷时序性较强的问题，提出一种基于集群辨识和卷积神经网络(convolutional neural networks，CNN)−双向长短期记忆网络(bi-directional long short-term memory，BiLSTM)−时序模式注意力机制(temporal pattern attention, TPA)的预测方法。首先，将用电模式和天气作为影响因素，基于二阶聚类算法对区域内的负荷节点进行集群辨识，再从每个集群中挑选代表特征作为深度学习模型的输入，这样既能减少输入特征维度，降低计算复杂度，又能综合考虑预测区域的整体特征，提升预测精度。然后，针对区域电力负荷时序性的特点，用CNN-BiLSTM-TPA模型完成训练和预测，该模型能提取输入数据的双向信息生成隐状态矩阵，并对隐状态矩阵的重要特征加权，从多时间步上捕获双向时序信息用于预测。最后，在美国加利福尼亚州实例上分析验证了所提方法的有效性。

单一模型在进行超短期负荷预测时会因负荷波动而导致预测精度变差，针对此问题，提出一种基于深度学习算法的组合预测模型｡首先，采用变分模态分解对原始负荷序列进行分解，得到一系列的子序列。其次，分别采用双向长短期记忆网络和优化后的深度极限学习机对每个子序列进行预测。然后，利用改进Q学习算法对双向长短期记忆网络的预测结果和深度极限学习机的预测结果进行加权组合，得到每个子序列的预测结果。最后，将各个子序列的预测结果进行求和，得到最终的负荷预测结果。以某地真实负荷数据进行预测实验，结果表明所提预测模型较其他模型在超短期负荷预测中表现更佳，预测精度达到98%以上。

电力自被发现的那一刻，以来就成为生活的主要能源,在各个领域都有广泛的应用。科学合理的电力系统规划是电力系统安全、可靠、经济运行的前提。在当前国家经济和社会发展背景下，要实现科学合理的电力系统规划，迫切需要解决包括电力负荷预测、电源规划、电网规划及调度自动化规划等多个领域的众多实际课题。电力自从被人类发现以后，就广泛的应用在我们的生活中，给我们带来很多的便利，电是现代文明高速前进的动力源泉。电自被人类应用以来，就已经成为我们生活的主要能源，如果我们人类没有发现电的话，我想现在存的一些东西也应用不了，比方说我们办公用的电脑、手机、电灯等好多需要用到电的现代高科技东西。电应用在我们生活的各个角落。电力工作的发展水平直接影响到我们国家国民经济的发展，作为电力工程工作的重要部分，合理的系统规划是电力系统可靠、安全和经济远行的前提。本文主要是探讨如何开展电力系统规划设计。

精准的电力负荷预测有利于保障电力系统的安全、经济运行。针对现行预测算法存在的预测准确度低、模型耗时长等问题，提出一种基于随机森林(random forest，RF)算法和粗糙集理论(rough set theory，RST)的改进型深度学习(deep learning，DL)短期负荷预测模型(RF-DL-RST)。该模型首先基于历史数据，利用随机森林算法提取影响负荷预测的关键特征量；然后将关键特征量和历史负荷值作为深度神经网络的输入、输出项进行训练，并通过粗糙集理论修正预测结果。最后，通过算例进行仿真验证，结果表明，该模型的预测准确度比单一的深度学习模型及不进行预测修正的模型更高。

精准的电力负荷预测有利于保障电力系统的安全、经济运行。针对现行预测算法存在的预测准确度低、模型耗时长等问题，提出一种基于随机森林(random forest，RF)算法和粗糙集理论(rough set theory，RST)的改进型深度学习(deep learning，DL)短期负荷预测模型(RF-DL-RST)。该模型首先基于历史数据，利用随机森林算法提取影响负荷预测的关键特征量；然后将关键特征量和历史负荷值作为深度神经网络的输入、输出项进行训练，并通过粗糙集理论修正预测结果。最后，通过算例进行仿真验证，结果表明，该模型的预测准确度比单一的深度学习模型及不进行预测修正的模型更高。