<?xml version="1.0" encoding="utf-8"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005">
<channel xmlns:cfi="http://www.microsoft.com/schemas/rss/core/2005/internal" cfi:lastdownloaderror="None">
<title cf:type="text"><![CDATA[《电力需求侧管理》编辑部 -->负荷管理与营销服务]]></title>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于VMD-SSA-BiLSTM的多维时序电力负荷预测]]></title>
<link><![CDATA[http://dsm.ijournals.cn/ch/reader/view_abstract.aspx?file_no=20240614&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[为了全面发掘负荷数据中的时序信息和天气信息,以提高电力负荷预测的精准度,提出一种基于变分模态分解（variation-al mode decomposition,VMD）和双向长短期记忆神经网络（bi-direction long short-term memory,BiLSTM）相耦合的多维时序电力负荷预测方法。首先通过对多维天气信息和时序信息进行相关性分析,选取相关性高的特征向量作为输入,同时利用VMD将原始负荷数据分解为不同频率的本征模态函数（intrinsic mode function,IMF）,然后将IMF和相关性高的特征向量输入到经过麻雀搜索算法（sparrow search algorithm,SSA）优化的BiLSTM神经网络进行预测,最后叠加IMF的预测值,得到最终电力负荷预测值,并进行实例验证。与BiLSTM、VMD-BiLSTM模型相比,VMD-SSA_BiLSTM模型能够充分挖掘数据中的时序信息和天气信息,可以提升多维负荷数据的预测精度。]]></description>
<pubDate>2024/11/26 0:42:56</pubDate>
<category><![CDATA[负荷管理与营销服务]]></category>
<author><![CDATA[曹 帅，尹 杰，李艺丰，石璐杉，赵玉林，丁超杰，周 霞，刘贵宇]]></author>
<guid><![CDATA[http://dsm.ijournals.cn/ch/reader/view_abstract.aspx?file_no=20240614&flag=1]]></guid><cfi:id>4</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于混合深度学习的电力负荷预测模型]]></title>
<link><![CDATA[http://dsm.ijournals.cn/ch/reader/view_abstract.aspx?file_no=20240615&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[针对目前电力数据维度高、特征复杂、干扰严重等挑战,提出了一种混合电力客户用电负荷预测模型。基于集成经验模态分解模型对电力用户用电特征进行分解,从而根据过零率将特征分为高频分量和低频分量。基于多目标进化-深度信念网络对低频分量进行处理,从而准确预测整体变化趋势。基于改进的长短时记忆网络对高频分量进行处理,有效提升了处理复杂非线性局部行为的能力,确保了高频负荷预测的精确性。基于叠加规则对负荷预测进行重构,细化了局部波动的预测,显著提高了模型的整体性能。实验结果表明,与KNN、BPNN、RNN、LSTM等模型相比,所提模型平均绝对百分比误差平均值均降低。该模型具备较优的负荷预测精度,可对配电网安全运行管理及服务质量提升提供一定借鉴。]]></description>
<pubDate>2024/11/26 0:42:56</pubDate>
<category><![CDATA[负荷管理与营销服务]]></category>
<author><![CDATA[冯崇峰，孟春旅，冯积家]]></author>
<guid><![CDATA[http://dsm.ijournals.cn/ch/reader/view_abstract.aspx?file_no=20240615&flag=1]]></guid><cfi:id>3</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[多策略改进蜣螂优化算法及其在光伏发电功率预测中的应用]]></title>
<link><![CDATA[http://dsm.ijournals.cn/ch/reader/view_abstract.aspx?file_no=20240616&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[为了提高光伏发电功率预测的精确度,利用伯努利映射、鲸鱼优化算法的螺旋更新机制和最优个体自适应t分布3种策略改进标准蜣螂优化算法。通过在8种标准测试函数上进行验证,结果表明改进后的算法在收敛速度和寻优能力方面均有显著提升。进一步地,采用改进蜣螂优化算法优化长短期记忆网络模型（IDBO-LSTM）进行光伏发电功率预测,并与其他6种模型进行对比实验。预测结果表明,相较于其他模型,IDBO-LSTM在3种不同的天气类型下都展现出来更好的预测性能。与DBOLSTM模型相比,IDBO-LSTM的平均绝对误差率分别下降了0.08%、3.51%、4.02%。]]></description>
<pubDate>2024/11/26 0:42:56</pubDate>
<category><![CDATA[负荷管理与营销服务]]></category>
<author><![CDATA[姜建国，金方承，毕洪波]]></author>
<guid><![CDATA[http://dsm.ijournals.cn/ch/reader/view_abstract.aspx?file_no=20240616&flag=1]]></guid><cfi:id>2</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[计及光伏不确定性的居民储荷优化调度策略]]></title>
<link><![CDATA[http://dsm.ijournals.cn/ch/reader/view_abstract.aspx?file_no=20240617&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[针对光伏功率预测误差对调度结果影响严重的问题,提出了计及光伏不确定性的居民储荷优化调度策略。采用仿射算法量化光伏出力不确定性,建立以居民日用电成本最小和舒适度最大为目标的储荷优化调度模型求解得到居民微储能充放电计划和日前用电计划。经仿真验证,所提算法能够充分考虑光伏出力的不确定性,有效提升调度模型的准确性,在保证用户满意度的同时缓解高峰用电压力。]]></description>
<pubDate>2024/11/26 0:42:56</pubDate>
<category><![CDATA[负荷管理与营销服务]]></category>
<author><![CDATA[段军红，梁 琛，李亚昕，王维洲，甄文喜，许苗苗]]></author>
<guid><![CDATA[http://dsm.ijournals.cn/ch/reader/view_abstract.aspx?file_no=20240617&flag=1]]></guid><cfi:id>1</cfi:id><cfi:read>true</cfi:read></item>
</channel>
</rss>