基于分形理论的电力负荷持久性分析及预测

讨论了非线性电力负荷持久性问题,并在持久性区间利用分形插值算法进行了短期负荷预测。运用分形理论中的重标极差分析方法构造了电力负荷分析模型,揭示了负荷波动变化的持久性,表现出了隐藏于随机性之后的有序性,说明负荷特性是可以延伸的。由于在持久性区间内负荷之间是紧密联系的,因此可利用分形拼贴定理与分形插值算法求取与负荷历史记录相近吸引子的迭代函数系统,进而实现高精度的日电力负荷预测。     

基于分形理论的昆明电网电力负荷预测

本文讨论了非线性电力负荷的自相似性问题,并根据负荷的该特性利用分形理论的拼贴定理与分形插值算法求取与负荷历史记录相近吸引子的迭代函数系统(IFS),为负荷预测研究开辟了新途径.对昆明电网2009年5月13日的负荷预测值与实际负荷点基本吻合.预测精度高.     

应用分形两种迭代算法作短期负荷预测

电力负荷受很多因素的影响,故电力负荷的预测也存在一定的随机性,而分形理论是非线性系统理论中十分活跃的一个分支,其中分形插值是构造分形曲线的方法。本文在分形拼贴原理和分形插值方法的基础上,结合遗传算法对垂直比例因子随机寻优的特点,分别利用确定性迭代算法和随机迭代算法来求取电力负荷预测日的迭代函数吸引子,从而构造两种预测模型,最后通过实例对两种模型下的预测结果进行比较。     

采用分形插值的典型日负荷曲线改进预测方法

提出了一种结合粒子群算法的改进分形预测方法。针对各年典型日负荷曲线形态相近且具有上移趋势的特点,采用调整向量来描述该趋势,在生成迭代函数系吸引子的过程中利用粒子群算法对调整向量进行优化。针对传统分形预测中迭代初始点经验性选取的问题,提出了利用"时序平移"的思想来计算迭代初始点的方法。结合调整向量优化和时序平移思想,建立改进的分形预测模型。最后,通过实例计算说明了该方法的有效性。     

基于分形插值理论的径流预测探讨

基于南桠河冶勒水库月平均径流资料,运用重标极差(R/S)分析方法揭示了径流复杂的非线性特性隐藏下的有序性,即持续性特性.由于持续性区间内径流变化的高度相关性,由此通过组织历史数据建立迭代函数系统,经分形插值方法求取吸引子并在吸引子基础上进行延拓,建立了基于分形插值的预测模型.通过实际验证表明,该预测模型取得了较好的结果,满足实际应用要求,并为径流预测提供了新的探索及进一步研究的铺垫.     

基于分形的社会总用电量及其构成预测

该文根据分形拼贴定理，由分形插值方法求取一个吸引子与电力负荷历史数据相近的迭代函数系统(IFS)，建立分形预测模型，实现电力负荷预测。检验点的预测结果表明，最大相对误差为-2．92％，平均相对误差为-0．40％。该方法不存在收敛问题，数据收集简便，具有较好的实用价值。另外，该文应用N阶迭代累加和构造分形，应用分维定义对用电量构成的发展趋势进行分形预测，3项经济指标，6个检验点的预测结果表明，最大相对误差为2．5％，平均相对误差为0．46％。该方法同样不存在收敛问题，计算速度较快，也具有较好的实用价值。     

一种改进的基于分形插值和小波分析的电力负荷短期预测方法

针对传统分形插值预测中关键参数垂直比例因子值计算困难的问题,提出一种基于分形插值曲线分维数定理和小波分析的改进垂直比例因子计算法,该算法通过对样本数据进行小波自相似性分析,利用自相似指数计算出分维数,间接求解出垂直比例因子值;然后就传统分形插值预测中插值点集合经验性选取的问题,提出了一种应用小波特征点检测法来选取插值点集合的方法。通过某电力公司原始负荷记录数据对某日24 h进行预测,并与经验分块法求得的预测值进行比较,算例结果表明,改进的分形插值预测法提高了预测精度,避免了分块法造成的迭代函数发散问题,且对样本需求量少、可操作性强。     

基于分形的电力系统负荷预测

本文提出了一个基于分形的电力系统负荷预测新方法,它根据分形拼贴定理求取一个与负荷历史记录相近的吸引子的迭代函数系统（ＩＦＳ）以建立预测模型实现对未来电力负荷的预测,实例计算表明,该方法精度高,速度快,不存在收敛问题,且数据收集简便,因此有很好的实用价值。     

基于区间二型模糊逻辑的电力负荷预测研究

针对电力负荷具有强随机性而难以准确预测的问题,引入二型模糊逻辑以减小预测误差。建立了区间二型模糊模型用于电力负荷的短期时间序列预测,先利用反向传播算法来调节模型的参数,再利用相似度来精简冗余模糊集合,最后利用奇异值分解法来优选模糊规则。同时,建立了基于反向传播算法的一型模糊模型与区间二型模糊模型,以及基于反向传播-奇异值分解混合迭代算法的区间二型模糊模型,将其预测结果作为检验性能的基准。仿真结果表明,反向传播-相似度-奇异值分解混合迭代算法能够有效地消除冗余模糊集合与模糊规则带来的不良影响,基于其建立的预测模型具有较高的预测精度,能较好地跟踪实际负荷曲线,性能优于另外三个模型。     

考虑区间构造的改进极限学习机短期电力负荷区间预测

针对区间预测中电力负荷预测区间范围过宽和精度不高的问题,提出一种基于灰狼优化算法(graywolf optimizationalgorithm, GWO)-蚁狮算法(antlion optimizationalgorithm, ALO)优化的极限学习机(extreme learningmachine,ELM)短期电力负荷区间预测方法。首先将电力负荷历史预测误差进行正态分布拟合,构造负荷功率历史区间。进而将负荷历史区间和历史前24h、前2h及前1h功率作为模型输入。然后考虑ALO的随机初始种群会影响求解速度与质量,利用GWO生成ALO的优质初始种群,避免陷入局部最优解。接着用ALO优化ELM输入权重及隐藏层偏置,构建具有强泛化能力的ELM短期电力负荷区间预测模型。最后利用湖南省某市电力负荷进行验证,通过多种方法对比,所提方法准确度更高,预测区间质量更好。得到的区间预测结果能为电力系统调度、新能源消纳提供精确的负荷变化信息。     

短期负荷预测最大Lyapunov指数预报模式预测值的判定

首先分析了相空间中混沌吸引子邻近轨道间的平行、交叉、折叠3种拓扑关系,根据负荷吸引子的特点提出了负荷时序最大Lyapunov指数预报模式预测值的判定依据,并探讨了相空间中临近点(轨道)的选择方法。仿真试验表明改进的负荷预测建模策略避免了原有Lyapunov指数预报模式预测值选择的盲目性,吸引子临近点的选择符合电力负荷数据的特点,所建立的短期负荷预测模型提高了预测精度并达到了预期效果。     

一种实用的超短期负荷预测曲线外推方法

超短期负荷预测对电网功率平衡控制具有重要作用。文中针对超短期负荷预测特点,提出一种基于曲线模式分析的曲线外推方法,并讨论了历史坏数据处理以及对当前负荷水平的特殊处理等实用性问题,以保证预测结果的稳定性。通过对几个实际系统的应用结果表明,该方法速度快,精度高,运行稳定可靠,同时具有较强的适应性。     

一种改进的风电功率超短期组合预测

为提高风电功率超短期预测精度,针对目前的风电功率超短期组合预测算法都是将各子预测算法的权重设为固定值,导致风电功率超短期预测结果精度不高的问题,提出一种改进的风电功率超短期组合预测算法。该算法包含BP神经网络、天气预报、实测功率外推法等子预测算法,结合实际运行情况判断各子预测算法的执行结果,并根据执行结果动态改变各子预测算法的权重,以保持较高的预测精度。实际应用效果表明：该算法预测精度较高,运行效果较好,4h内的预测均方根误差在10%以内。     

基于神经网络和模糊理论的短期负荷预测

电力系统负荷预测是能量管理系统(EMS)的重要组成部分,它对电力系统的运行、控制和计划都有着非常重要的影响,提高电力系统负荷预测的准确度既能增强电力系统运行的安全性,又能改善电力系统运行的经济性,但负荷预测的复杂性、不确定性使传统的基于解析模型和数值算法的模型难以获得精确的预测负荷。为提高电力系统短期负荷预测准确度,构建了一种新型的负荷预测模型。该模型首先采用多层前馈神经网络,以与预报点负荷相关性最大的几种因素作为输入因子,以改进BP算法作为预测算法,来获得预报日相似日负荷曲线;然后引入自适应模糊神经网络,用于预测预报日的最大、最小负荷;针对模糊神经元的权值更新问题,采用一种新的权值更新算法———一步搜索寻优法,在获得预报日相似日各点负荷和最大、最小负荷的基础上,通过纵向变换,对预报日的负荷修正,进一步减小预测误差。用上述模型和算法预测某地区电网的短期负荷,取得了良好的预测效果。     

基于改进Prophet算法的短期日负荷预测方法研究

将Prophet算法引入负荷预测领域,并结合XGBoost算法提升Prophet负荷预测准确性。Prophet算法基于时间序列分解及机器学习的拟合,将负荷数据分解为趋势项、周期项、随机波动项3部分,引入XGBoost算法改进Prophet算法对随机波动项的预测,将XGBoost 算法对随机波动的预测结果与Prophet算法对趋势项和周期项的预测结果叠加,获得最终的预测结果。该算法适用于用电负荷这种具备一定周期变化特征的序列,易于理解,预测准确性较高。通过某地区用电信息采集系统提供的专公变用户日冻结数据实验验证,结果表明在相同条件下,改进后的算法预测的结果的平均绝对误差百分比较原始的Prophet算法可降低2.5%,同时均方根误差降低幅度可达30.79%,体现出显著的改进效果。     

基于灰色模型和最小二乘支持向量机的电力短期负荷组合预测

提出一种联合灰色模型(grey model,GM)和最小二乘支持向量机回归(least square support vector regression,LSSVR)算法的电力短期负荷智能组合预测方法。在考虑负荷日周期性的基础上,通过对历史负荷数据的不同取舍,构建出各种不同的历史负荷数据序列,并对每个历史数据序列分别建立能修正b 参数的GM(1,1)灰色模型进行负荷预测;采用最小二乘支持向量机回归算法对不同灰色模型的预测结果进行非线性组合,以获取最终预测值。该方法在充分利用灰色模型所需原始数据少、建模简单、运算方便等优势的基础上,结合最小二乘支持向量机所具有的泛化能力强、非线性拟合性好、小样本等特性,提高了预测精度。仿真结果验证了所提出组合方法的有效性和实用性。     

基于VMD-NCWOA-LSSVM的短期电力负荷预测方法

准确的电力系统负荷预测对电力系统安全稳定运行具有重要意义,为提高负荷预测精度,采用变分模态分解(variational mode decomposition,VMD)预处理数据,将原始日负荷曲线分解为不同频率的子序列,降低数据不规律性对负荷预测带来的干扰。使用Piecewise模糊映射策略进行改进,解决鲸鱼优化算法(whale optimization algorithm,WOA)受初值影响容易陷入局部最优的问题。使用非线性收敛因子代替线性收敛因子,进一步提升WOA的全局寻优能力和局部探索能力,得到非线性收敛因子的混沌鲸鱼优化算法(nonlinear convergence factor of the chaotic whale optimization algorithm,NCWOA)优化最小二乘支持向量机(least square support vector machine,LSSVM)的组合预测模型(VMD-NCWOA-LSSVM)。测试结果表明本文所提模型可以降低预测值的最大相对误差和平均绝对百分误差,有效提高短期电力负荷预测的精度。