随着电力数据采集成本降低及大规模电网互联等因素，电网中可获取的数据类型日益丰富。以往的集中式预测方法对海量电力数据的分析能力有限。提出基于大数据和粒子群优化BP神经网络短期电力负荷预测，建立短期电力负荷预测模型。利用国家电网的实际负荷数据，采用所提方法进行预测，与实际负荷数据及集中式负荷预测结果进行比较，结果证明，所提方法预测精度较高，降低了负荷预测时间，在实际应用中具有可行性。

基于Attention-BiLSTM-LSTM神经网络的短期电力负荷预测方法.pdf

优秀论文及配套源码。首先阐述了负荷预测的应用研究现状，概括了负荷预测的特点及其影响因素，归纳了短期负荷预测的常用方法，并分析了各种方法的优劣；接着介绍了作为支持向量机（SVM）理论基础的统计学习理论和SVM的原理，推导了SVM回归模型；本文采用最小二乘支持向量机（LSSVM）模型，根据浙江台州某地区的历史负荷数据和气象数据，分析影响预测的各种因素，总结了负荷变化的规律性，对历史负荷数据中的“异常数据”进行修正，对负荷预测中要考虑的相关因素进行了归一化处理。LSSVM中的两个参数对模型有很大影响，而目前依然是基于经验的办法解决。对此，本文采用粒子群优化算法对模型参数进行寻优，以测试集误差作为判决依据，实现模型参数的优化选择，使得预测精度有所提高。实际算例表明，本文的预测方法收敛性好、有较高的预测精度和较快的训练速度。 文件列表： 数据\a23.xls 数据\a45.xls 数据\B2.xls 数据\b3.xls 数据\B4.xls 数据\B5.xls 数据\bdata1.xls AdaptFunc.m AdaptFunc1.m BaseStepPso.m gaijin.m InitSwarm.m pso.m shorttime.m 基于支持向量机的短期电力负荷预测.doc

完整代码，可直接运行

论文研究-基于改进粒子群-模糊神经网络的短期电力负荷预测.pdf,  为了提高短期电力负荷预测精度,提出了改进的粒子群-模糊神经网络混合优化算法.用改进的粒子群训练神经网络, 实现了模糊神经网络参数优化.建立了基于该优化算法的短期负荷预测模型,综合考虑气象、天气、日期类型等影响负荷的因素,利用贵州电网历史数据进行短期负荷预测. 仿真表明,该方法的收敛速度和预测精度优于传统模糊神经网络法、BP神经网络法、粒子群-BP算法和粒子群-模糊神经络方法,该优化算法克服了神经网络和粒子群优化方法的缺点,改善了模糊神经网络的泛化能力, 提高了电网短期负荷预测的精度,各日预测负荷的平均百分比误差可控制在1.2%以内.该算法可有效用于电力系统的短期负荷预测.

基于机器学习的短期电力负荷预测方法研究

基于TensorFlow深度学习框架和聚类回归模型的大用户短期电力负荷预测

【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

为提高短期负荷预测精度，提出一种基于自适应噪声的完全集合经验模态分解(CEEMDAN)-样本熵 (SE)和深度信念网络(DBN)的短期负荷组合预测模型。首先利用CEEMDAN-样本熵将原始负荷序列分解为 多个特征互异的子序列，计算各子序列的样本熵，将熵值相近的子序列重组得到新序列，降低了原始非平稳序列对预测精度造成的影响并减小计算规模；随后综合考虑各新序列的周期特性和影响因素对每个新序列分别构建不同的DBN 预测模型，利用DBN 克服了浅层神经网络特征提取不充分及初始参数难确定的问题；最后将预测结果叠加得到最终预测值。仿真结果表明，该组合预测模型的平均绝对百分比误差和均方根误差分别为1.18%和87.91 MW，相比于BP、DBN、EMD-DBN 负荷预测模型具有更高的预测精度。

针对电力负荷的小样本、非线性、高维数和局部极小点等问题,提出采用最小二乘支持向量机方法建模,以历史负荷、温度、湿度等数据作为输入量,对短期电力负荷进行预测;针对最小二乘支持向量机在建模中存在的参数选取问题,采用一种根据种群多样性信息来指导初始种群选取和避免粒子早熟收敛现象的改进粒子群优化算法来优化最小二乘支持向量机的惩罚因子和核参数。仿真结果表明,基于改进粒子群优化算法和最小二乘支持向量机的短期电力负荷预测方法较最小二乘支持向量机预测方法、基于基本粒子群优化算法和最小二乘向量机的预测方法具有更好的预测精确度。