基于梯度提升决策树的电力短期负荷预测模型

为提高短期负荷预测的预测精度,本文基于梯度提升决策树,对电力系统短期负荷预测模型进行研究。梯度提升决策树是通过将梯度提升机和决策树相结合,用大量的历史负荷和气象等数据进行训练,在损失函数负梯度的方向上生成新的决策树,不断优化预测结果。以某地区电力负荷数据为例,对比传统的BP-NN和RBF-NN预测模型。研究结果表明,与其它两个模型相比,基于梯度提升决策树的预测模型对于工作日负荷的预测误差分别降低了1.56%和1.73%,对于休息日负荷的预测误差分别降低了1.60%和1.53%,预测精度得到明显提高。而且该模型不仅可以克服易陷入局部极小值问题,还有效地减小了多因素之间关系互嵌、信息冗余对预测精度的不良影响,验证了该模型研究的合理性和有效性。     

改进灰色模型在中长期电力负荷预测中的应用

针对中长期电力系统负荷预测,在前人已有成果的基础之上,对普通灰色模型进行了改进.一方面对历史数据进行二次平滑处理,大大消除了干扰因素;另一方面利用带有马尔可夫链符号估计的残差修正技术对未来残差的符号进行预测以修正灰色模型的预测结果.以某地区多年以来的历史数据为基础,建立了数学模型,通过实际数据计算表明:改进后的灰色负荷预测方法可以应用于电力系统中长期负荷预测,而且较普通灰色预测模型在预测精度上有着明显的提高,尤其是对于较远时间的负荷预测有着较为理想的预测精度,表明了该种方法的有效性和实用性.     

基于门控循环单元与误差修正的短期负荷预测

针对负荷预测模型迭代训练过程中存在误差积累的问题,提出结合叠式双向门控循环单元（SBiGRU）、完整自适应噪声集成经验模态分解（CEEMDAN）和误差修正的组合预测模型. 建立SBiGRU模型学习在气温、日期类型影响下负荷序列的时序特征,误差特征体现在SBiGRU模型预测产生的误差序列中;使用CEEMDAN算法将误差序列分解为数个本征模态函数（IMF）分量与趋势分量,对每项分量再次建立SBiGRU模型进行学习与预测,并对各分量的预测值进行序列重构,得到误差的预测结果;对预测结果进行求和以修正误差. 模型评估结果表明,组合模型的预测准确精度为98.86%,与SBiGRU、BiRNN、支持向量回归等方法相比,该模型具有更好的精度.     

基于支持向量回归的短期负荷预测

对短期负荷特性进行分析,选取与负荷相关的气象因素、日期类型、前几日负荷作为最大(最小)负荷预测回归模型的输入。夏冬两季休息日的负荷特性与春秋两季不一致,根据气象因素修正日期类型对应的数值。采用最小二乘支持向量机(least squares support vector machine, LSSVM)建立气象因素和日期类型与最大(最小)负荷的映射关系。利用相似日法计算日负荷变化系数,在预测最大负荷和最小负荷基础上,计算预测日各点负荷。算例分析验证了本研究预测模型的有效性。     

引入新特征的短期电力负荷预测

为了提高短期负荷预测的精度,综合分析了气象、日期等因素,并计算各特征与被预测负荷之间的相关系数,根据各特征与负荷之间的相关性,提出了一种将预测日前几天的负荷作为新特征进行负荷预测的方法。为了验证算法的普适性,采用支持向量回归、随机森林和梯度提升决策树3种机器学习算法,在2016-2018年我国北方某地的真实电力负荷和欧洲智能技术网络（EUNITE）竞赛负荷预测样本数据两个数据集上进行验证,并将预测结果与采用传统特征的算法进行了对比。预测结果显示,相较于传统方法,采用新特征后的短期负荷预测具有更高的预测精度。     

基于改进欧拉法GM(1,1)电力负荷预测模型研究

提出基于改进欧拉法GM(1,1)电力负荷预测模型,首先运用改进欧拉公式对白化方程进行修正,降低方程对预测结果的影响,然后运用改进欧拉法对灰色预测模型GM(1,1)进行修正.算例分析表明,与一般灰色预测GM(1,1)模型和傅里叶变换残差修正模型相比,该模型的预测精度有较大提高,证明了该模型的有效性和实用性.     

基于决策树组合分类器的气温预测

气象数据挖掘是近年来研究的热点,组合分类器能够实现协同计算以提高效率和准确性,就此本文采用数据挖掘方法中的决策树组合分类器对某地气象进行了气温预测,主要依据C4.5经典算法、Bagging集成方法构建组合决策树,并加入协同的思想建立了预测气温的决策树协同分析模型.实验表明,基于Bagging的决策树协同模型对于局部区域的气温预测具有较高的准确率.     

加权Markov修正模糊信息粒的电力负荷区间预测

针对电力负荷预测存在波动性且预测精度不高的问题,提出一种基于加权马尔可夫(Markov)修正模糊信息粒的电力负荷区间预测方法.该方法首先对电力负荷数据序列进行基于模糊信息粒化(FIG)的空间窗口重构,以此得到电力负荷模糊信息粒和电力负荷的各阶自相关系数; 然后建立由基于FIG和长短时记忆网络(LSTM)组合的模型(FIG - LSTM),以此获得能够预测不同模糊粒的3组LSTM模型; 最后建立加权Markov - FIG - LSTM模型,并通过消除3组LSTM模型中的预测误差得到电力负荷预测区间和趋势值.实例分析表明,Markov - FIG - LSTM模型的RMSE、MAE和MAPE指标比FIG - LSTM模型分别降低了4.78%、11.37%和11.72%,因此该方法可为电网调度提供有效的数据支撑.     

三峡库区香溪河流域污染负荷研究

针对三峡库区香溪河流域点源和面源污染负荷特点 ,分别建立了模糊预测模型和降雨～输沙量～污染物相关模型 ,并对污染负荷进行了分析预测 .结果表明 ,所建预测模型较传统方法有所改进 ,在香溪河流域具有很好的适用性 .在污染负荷预测基础上 ,根据三峡建库前后不同的边界条件 ,对其最大容许污染负荷量进行了初步分析计算     

计及温度影响的短期负荷预测时间序列模型

时间序列模型在国际和国内的短期电力负荷预测中得到了广泛应用.然而,这种方法的一个主要缺点是无法将影响负荷预测的主要因素之一即气象因素考虑进去.在此背景下,首先基于负荷和气温数据建立了负荷预测的回归模型,然后构造了回归模型残差累积式自回归一滑动平均模型并对回归模型进行修正.最后,用广东电力系统的实际负荷数据说明了所发展的...     

基于人工免疫原理的天气预报系统

为了获得较高的天气预报效率，提出了一种模拟生物免疫系统学习机制的免疫学习算法，并应用于天气预报中。定义了抗原和B细胞的表示方法，给出了抗原与B细胞之间亲和力的计算方法，描述了B细胞的克隆、变异、动态演化和记忆细胞的产生过程，建立了基于免疫学习算法的天气预报系统。仿真试验表明该系统同传统的基于神经网络的天气预报系统相比，预报准确率较高，为天气预报提供了一种新的解决方案。     

Electricity price forecasting using generalized regression neural network based on principal components analysis

A combined model based on principal components analysis (PCA) and generalized regression neural network (GRNN) was adopted to forecast electricity price in day-ahead electricity market. PCA was applied to mine the main influence on day-ahead price, avoiding the strong correlation between the input factors that might influence electricity price, such as the load of the forecasting hour, other history loads and prices, weather and temperature; then GRNN was employed to forecast electricity price according to the main information extracted by PCA. To prove the efficiency of the combined model, a case from PJM (Pennsylvania-New Jersey-Maryland) day-ahead electricity market was evaluated. Compared to back-propagation (BP) neural network and standard GRNN, the combined method reduces the mean absolute percentage error about 3%.     

基于统计理论的负荷特性分析及其预测

电力负荷受气象因素影响越来越大,如何准确确定气象因素是负荷预测研究的重要课题.首先采用统计学方法对影响负荷的气象因素进行分析,找到影响负荷的核心气象因索,再利用GRNN回归神经网络进行预测.经实际系统检验,证明该方法克服了传统气象负荷预测中的主观性,将气象影响因素过程量化,提高了预测结果的精度,是一种适用性很强的方法.     

供暖热水锅炉房的热负荷预测

通过对供热负荷特点的分析,建立了基于时间序列分析方法的供热负荷预测的数学模型,给出了供热负荷预测的计算流程,并将供热负荷的预测理论应用于牡丹江西海林小区集中供热系统。实际运行结果表明,用本文所研究的供热负荷的预测理论预防的供热负荷与实际运行结果相比,预测精度是令人满意的。     

基于室外温度的供热负荷预测研究

本文基于最小二乘法的预测方法,运用线性回归分析整理系统的历史数据,并将天气预报中的室外温度作为自变量,供热负荷作为因变量,同时利用这两个变量的历史数据作为预测样本,对其进行最小二乘法拟合。通过拉依达法判别粗大误差,最终确定线性关系中的回归系数,从而提高供热负荷预测精度。     

一种实用负荷预测气象因子建模方法

电力负荷受气象因素影响越来越大,如何准确预测负荷中的气象负荷是负荷预测中的一项有意义的课题。本文提出一种简单适用的气象因子建模,并和相似日有机的结合起来,能较大地提高负荷预报精度。     

基于周期理论的天气预报

为了建立中长期平均温度的天气预报系统,在气象理论和分析某地区的气象资料的基础上,利用已有的连续性模型和能量为定值的两个模型,提出一种新的基于加权平均周期性变化的数学模型,并利用该模型对2003年的气温进行了预测,与实际结果吻合的效果很好.此模型可作为中长期天气平均气温的预报预测,以指导生产活动.     

电价与负荷的相关性分析及其在电价预测中的应用

为解决传统电价预测模型需要对周末等电价波动较大预测日单独建模,以及模型不加区分地引入负荷因素影响预测精度的问题,提出了利用电价与负荷的相关系数判定是否将负荷因素引入粒子群-BP神经网络模型的新方法,将相关系数作为输入样本的阈值,判定是否在模型输入样本中引入负荷因素.在电价变化平稳、电价与负荷相关性较弱时,在电价预测模型中不引入负荷因素,解决了粒子群-BP神经网络模型由于非关联输入样本过多而影响学习效率、导致预测精度降低的问题.仿真结果表明,新的预测模型对电价相对平稳和波动较大的预测日预测精度明显提高,可用于电力市场的短期电价预测.     

考虑气温累积效应的短期负荷预测

随着经济持续发展,人民生活水平不断提高,空调等降温负荷在夏季用电负荷中所占比重近年来总体呈上升趋势。在此背景下,分析了负荷与气温的关系,发展了考虑气温累积效应和负荷对气温变化灵敏度的短期负荷预测方法。首先,通过考虑待预测日的气温、高温持续天数以及待预测日与历史日的温差来计算气温累积效应强度,从而对气温进行修正;在此基础上,采用回归模型来分析负荷对气温变化的灵敏度;之后,以历史日负荷为基准值,根据待预测日与历史日的气温差异对待预测日的负荷进行预测。最后,用广东电力系统的历史负荷数据对所发展的负荷预测方法做了大量测试,表明了预测精度满足系统调度机构要求。