基于Gauss插值的正交化预测方法在智能电网用电量预测中的应用研究

智能电网的一个重要特征是通过高精度的用电量预测进行电能智能调配,用电量信息的精确预测是电网智能化的关键指标。在此背景下,将高斯正交化插值方法与灰色GM(1,1)预测模型相结合,构造一类新的灰色正交化预测模型——NGGM（1,1）,并将此模型应用于智能电网用电量预测研究中。该模型可以有效地解决非等距序列的预测问题,较大程度提高模型的预测精度,优化数据质量,加强电网运行及调配的智能性,为智能电网的辅助决策提供更为符合实际的、可操作的科学参考。最后用所提出的方法对江苏省2008年工业用电量进行预测研究,其结果表明了所提方法的有效性。     

基于Gauss插值的正交化预测方法在智能电网用电量预测中的应用研究

智能电网的一个重要特征是通过高精度的用电量预测进行电能智能调配,用电量信息的精确预测是电网智能化的关键指标.在此背景下,将高斯正交化插值方法与灰色GM(1,1)预测模型相结合,构造一类新的灰色正交化预测模型--NGGM(1,1),并将此模型应用于智能电网用电量预测研究中.该模型可以有效地解决非等距序列的预测问题,较大程度提高模型的预测精度,优化数据质量,加强电网运行及调配的智能性,为智能电网的辅助决策提供更为符合实际的、可操作的科学参考.最后用所提出的方法对江苏省2008年工业用电量进行预测研究,其结果表明了所提方法的有效性.     

基于模糊聚类分类与Elman神经网络算法的居民用户短期用电量预测及修正方法

用电量预测是智能电网建设中的一个重要课题,准确的用电量预测对电网规划和经济部门的管理决策具有重要的指导意义。利用计量自动化系统每15 min获得一次的居民用户用电量数据,提出基于模糊聚类与Elman神经网络算法的短期用电量预测及修正方法。该方法先通过模糊聚类将居民用户按用电行为分类,然后采用通径系数计算各类型影响用电量因素的权重,再将加权影响因素和历史用电量作为Elman网络的训练样本,进行短期用电量预测。最后采用修正算法对预测值进行修正。实例分析表明,该方法有效、可行。相比整体预测,该算法预测精度明显有所提高,且修正步骤使预测误差进一步降低。     

智能优化灰色模型在中期用电量预测中的应用

传统GM(1,1)模型在参数a的绝对值较小的情况下近期用电量预测精度较高,中期用电量预测往往误差较大,一定程度上是由于GM(1,1)模型的背景值x(1)(k)取前后2个时刻的平均值造成的.引入向量θ得背景值序列的精确计算式,将GM(1,1)模型推广为GM(1,1,θ)模型.应用微粒群优化这一智能算法求解最优向量,从而构建GM(1,1,θ)模型,并将该模型应用于山东省中期用电量预测.实例分析表明,与传统GM(1,1)预测模型相比,智能优化模型较好地得到了预测点的预测结果,更适用于中期用电量预测.     

智能电网环境下采用关联分析和多变量灰色模型的用电量预测

智能电网的发展将给传统用电方式带来重大变化,在此背景下,基于灰色理论提出一种用电量预测新方法。首先通过灰色关联分析法确定影响用电量的主因素变量,然后采用多变量灰色模型(multi-variable grey model,MGM) (1, n)进行用电量预测,该方法能够反映各因素间的相互制约、相互促进的关系,避免了传统灰色模型GM(1,1)未考虑其他随机因素对用电量影响的局限性。对一个实际电力系统的用电量进行预测,结果表明所提方法能有效提高预测精度且适用于中长期电量预测。     

基于多维特征分析的月用电量精准预测研究

用户用电量的精准预测是智能配用电大数据应用和发展的关键之一。区别于传统的基于行业分类的预测办法,提出基于大数据挖掘技术的用户用电多维度特征识别,以及在此基础上的精准用电量预测方法。基于海量多用户用电特性,建立多维度用电特征评价指标体系。对用户用电特性空间进行聚类和分析,挖掘和识别用电模式。在不同的用电模式下,分别建立用电量时间序列预测模型,避免用电模式差异对预测算法准确性造成的不利影响。该方法适用于大数据平台的分析与处理,算例分析结果表明其相比以往方法能显著提高预测精度和稳定性。     

基于熵值法的组合模型用电量预测方法研究

电力系统的中长期负荷预测是配电网规划的基础,对实现电网的安全经济运行起着重要作用。以年度用电量预测作为研究的对象,年度用电量预测采用4种主要方法,即分别按照年度、季度、月度和行业用电量预测得到对应年用电量预测值,在此基础上再按其发展序列预测结合起来,建立了一种线性组合预测模型。并采用熵值法对组合模型的权系数进行求解,实证分析表明该模型使预测精度得到了明显提高,具有良好的预测效果。     

基于综合能源计量大数据的中长期用电量预测

用电量预测对智能电网的管理和安全有重要意义。传统方法一般基于历史用电数据本身,而“多表融合”的推广使得多表数据的分析更为便捷。针对用电量预测场景,利用集成智能表采集的水、电、气数据,将用水量与用气量作为特征,提出结合多表数据的中长期用电量预测模型：高斯过程回归（Gaussian process regression,GPR）与相关向量回归（relevance vector regression,RVR）。通过实验结果仿真,验证了所提模型的优势以及综合能源计量数据对用电量预测问题的重要价值。     

计及经济因素的混合模型电量预测研究

精确的电量预测是进行电网规划和建设的重要依据。为解决月度用电量预测方法思路单一、预测模型通用性不强、预测精度低等问题,通过对区域用电量与经济的历史数据研究分析,提出了一种计及经济因素影响的混合模型月度用电量预测方法。该方法将回归分析法和指数平滑法这两种预测方法相结合,建立电量预测模型,取得了较高的预测精度;最后,将本模型运用于浙江嘉兴地区月用电量预测,结果表明,该模型预测平均绝对百分误差为2. 31%,从而验证了该模型的有效性与通用性。     

基于弹性网络模型的月度用电量预测方法

由于现有月度用电量预测所选影响因素较少,无法较为全面地反映与用电量强关联的因素,同时针对高维数据变量筛选和高精度预测等突出难题,文中提出了一种弹性网络用电量预测模型。为了考虑更为全面的影响因素,建立了用电量、气象、经济、交通4类,共340个变量的数据集。首先对8年96个点的高维变量数据进行弹性网络因子筛选,然后使用Granger因果关系分析找出了用电量数据与其它数据的关联关系,对一年范围内的全社会月度用电量使用弹性网络进行预测,预测结果的平均绝对百分误差为3.07%。为验证该模型的有效性,对比向量自回归(VAR)模型,反向传播(BP)模型和最小绝对值收缩和选择算子(Lasso)预测的效果,验证了文中所提方法预测精度较高。     

基于PSO算法优化GRU神经网络的短期负荷预测

为了实现高精度的电力系统短期负荷预测,提出了基于粒子群优化(particle swarm optimization,PSO)算法优化门控循环单元(gated recurrent unit,GRU)神经网络的电力系统短期负荷预测模型。首先建立GRU神经网络,GRU神经网络采用了门控循环单元,与采用传统循环单元的传统循环神经网络相比,克服了传统循环神经网络中可能出现的梯度爆炸和梯度消失问题;继而采用具有较强全局优化能力的改进粒子群算法对GRU神经网络参数进行优化,有效提高模型的预测精度。通过实际算例仿真分析,并与传统的GRU神经网络预测模型以及反向传播(back propagation,BP)神经网络预测模型进行对比,验证了所提电力系统短期负荷预测模型具有较好的精度和稳定性。     

基于PSO-WPESN的短期电力负荷预测方法

精确的短期电力负荷预测是电力生产优化调度和安全稳定运行的重要保证,是智能电网建设的重要一环。为提高模型的预测精度,提出了一种基于粒子群优化小波包回声状态神经网络的短期电力负荷预测方法。首先利用多分辨率小波包分解方法对负荷数据进行分解和重构,建立小波包回声状态网预测模型;然后,利用粒子群算法对预测模型储备池中的参数进行优化。实验结果表明:针对短期电力负荷动态时间序列数据,与BP、Elman、传统ESN等网络相比,PSO-WPESN网络的预测精度、稳定性和泛化能力都得到明显增强,尤其是能在一定程度上缓解由于输出矩阵过大造成ESN存在病态解的弊端。     

基于遗传灰色神经网络模型的实时电价条件下短期电力负荷预测

在智能电网条件下,用户的用电模式将会发生重大变化,其中一个显著的变化就是用户可以根据电能需求结合实时电价调整其消费模式。这使得用户负荷预测更为复杂。在对影响短期电力负荷特性的各种因素进行分析的基础上,综合考虑了实时电价的影响,提出了一种用遗传算法优化改进的灰色神经网络方法,利用灰色模型可以弱化数据的随机性以及神经网络的高度非线性,对短期负荷进行预测,采用遗传算法对网络进行优化,从而提高了预测的精确度。实例证明该算法能较好地解决实时电价下的短期负荷预测问题。     

基于优化的VMD-mRMR-LSTM模型的短期负荷预测

随着智能电网技术的发展和电力市场的推进,用电模式的复杂性逐渐凸显,对短期负荷预测的精度和稳定性提出了更高的要求.针对传统负荷预测方法缺少对时序数据相关性、特征值的全面考虑等问题,提出一种基于优化的变分模态分解、最小冗余最大相关性与长短期记忆神经网络的组合预测模型.首先,将波动性高的负荷序列分解为一组相对平稳的模态分量,...     

粒子群优化小波包回声状态网的短期电力负荷预测

精确的短期电力负荷预测是电力生产优化调度和安全稳定运行的重要保证,是智能电网建设的重要一环。为提高模型的预测精度,提出了一种基于粒子群优化小波包回声状态神经网络的短期电力负荷预测方法。首先利用多分辨率分析小波包分解理论对负荷数据进行分解和重构,建立小波包回声状态网预测模型;然后,利用粒子群算法对预测模型储备池中的参数进行优化。实验结果表明：针对短期电力负荷动态时间序列数据,与BP、Elman、传统ESN等网络相比,PSO-WPESN网络的预测精度、稳定性和泛化能力都得到明显增强,尤其是能在一定程度上缓解由于输出矩阵过大造成ESN存在病态解的弊端。     

智能配电网环境下负荷预测研究

智能配电网环境下,负荷预测精度的高低影响着电网运行的安全性和经济性,为了提高负荷预测精度,提出了人工鱼群-反向传播算法（AFSA-BP）的电力负荷预测模型。传统BP算法由于输入神经元,隐层神经元和输出神经元之间的初始权值和阈值为随机获取,降低了算法的收敛速度和预测精度,采用AFSA算法对BP算法的初始权值和阈值进行全局寻优,获得最优的网络模型。在分析了电力系统负荷特性的基础上,采集历史负荷数据,天气和节假日信息,采用AFSA-BP算法建立短期负荷预测模型。为了验证该算法的准确性,分别采用BP、最小二乘-支持向量机（LS-SVM）、AFSA-BP算法对某省的电力负荷进行仿真实验,AFSA-BP算法的均方根误差（RMSE）为0.0862,而BP算法和LS-SVM算法的RMSE分别为0.2558和0.1522,结果验证了AFSA-BP算法适用于短期电力负荷预测。     

基于改进BP神经网络的低压配电台区智能电能表误差状态评估模型

针对配电网台区中智能电能表误差估计问题,基于粒子群优化BP神经网络提出智能电能表误差估计方法。所提方法从数据搜集和数据预测、预处理建立智能电能表误差估计模型;针对传统BP神经网络隐含层节点数制定的局限性,提出采用粒子群优化算法对隐含层节点数进行优化,并采用优化得到的隐含层节点数构建BP神经网络结构对训练样本数据进行训练,基于训练得到的BP神经网络对测试样本数据进行计算得到智能电能表误差数据。针对某地区典型配电网台区中智能电网运行误差估计问题,采用所建立的方法进行智能电能表运行误差的评估。仿真算例表明,所建立的模型能够有效评估智能电能表运行误差,相比于传统的评估方法,其评估准确性有显著提升。     

基于相似性匹配的电网边缘终端数据隐私保护方法

针对智能电网终端用电用户敏感信息的保护问题,为了对抗关于用户敏感信息的隐私推理攻击,本文提出了基于相似性匹配的智能电网边缘终端数据隐私保护方法。本文首先基于时序数据预测模型,证明了用户的敏感信息可以被推理出来。为了对抗隐私推理,采用FastDTW算法鉴别与敏感信息相关的时序数据,通过对相关数据进行模式扰动、降低推理准确率,从而达到隐私保护的目的。实验结果表明:本文提出的隐私保护方法使攻击者不能准确获得用户的实际用电量,从而可有效保护用户的敏感用电信息。     

基于变分模态分解和复合变量选取的短期负荷预测

精准的短期负荷预测是实现电网精益化运行和管理重要保障,但存在短期负荷波动性强、负荷预测关键影响因素选取困难等精准预测难题。本文利用变分模态分解将原始电力负荷数据分解为多个子序列,挖掘短期负荷波动特征的同时避免模态混叠问题,提出复合变量选取算法分析筛选影响负荷波动的关键因素,有效去除预测干扰信息并进一步简化预测模型的复杂度,通过兼顾数据短期依赖和长期依赖的长短时记忆神经网络对各子序列进行预测,并将各子序列预测结果进行叠加实现最终的短期负荷预测,据此建立基于变分模态分解和复合变量选取的短期负荷预测方法。选取2019整年长沙市实际数据验证结果表明,本文提出算法在复杂外部影响因素下,能准确筛选负荷预测的关键影响因素,相比传统预测模型,提出模型结构更简单、预测精度更高。     

分时电价下考虑储能调度因素的短期负荷预测模型

影响电力系统短期负荷预测的因素有多种,因此在进行短期负荷预测时,考虑的因素种类越多,预测的精度越高。在考虑环境因素的基础上,构建分时电价下考虑储能调度因素的改进鲸鱼算法优化Elman神经网络模型。在智能电网下,由于储能调度能够使传统的负荷曲线发生改变,首先在基于分时电价的基础上构建储能调度模型,对储能用户在各时段的充放电行为进行具体分析。然后由于Elman神经网络具有收敛速度慢、容易陷入局部最优等缺点,提出了一种改进的鲸鱼算法(MWOA)用于优化神经网络的权值和阈值,进一步提高了神经网络的收敛速度和全局寻优能力。最后构建考虑储能调度因素的短期负荷预测模型,通过对某地电网2018年7月至8月的数据为例进行仿真分析,并与所提到的其他预测模型进行比较。通过误差结果分析可知所提方法的预测精度更高,收敛速度更快。