一种变权重风电功率最优组合预测模型

针对单项预测方法的局限性,利用改进的基于灰色关联度的IOWGA算子组合预测模型,建立了一种风电功率最优组合预测模型,并通过改进多种群遗传算法(MPGA)对该模型进行优化。采用RBF神经网络法、相似日法和支持向量机(SVM)法对预测日和预测日前一日的风电功率分别进行预测,通过提出的最优组合预测模型及优化算法对预测日的24 h风电功率进行组合预测。根据云南某风电场的实测数据,进行了实例分析。结果表明,风电功率最优组合预测模型能够有效提高风电功率预测精度,具有较强的实用性。     

计及模型综合指标评价的西南电网中长期负荷变权组合预测

为解决单一预测模型难以适应西南电网不同区域的负荷变化问题,针对西南电网各区域年负荷变化的特点,提出采用计及综合指标评价的负荷变权组合预测模型。首先引入改进灰色关联度指标、预测有效度指标和模型冗余检验指标作为模型选择依据,形成适合不同区域的历史负荷变化的基模型库。然后引入自适应变权重算子对基模型进行组合预测,获得西南电网区域年负荷预测值。算例利用四川省、重庆市以及西藏自治区2006—2019年的电力消费量进行测试,结果表明所提预测方法能够有效预测西南电网负荷变化,相比最优权重模型、等权模型和最优单一模型算法具有更高的预测精度。     

一种改进的基于IOWA算子的组合预测方法及应用

按误差平方和准则建立的基于IOWA算子的组合预测模型并不能正确反映出各个时期观测点所引起误差对预测值的影响程度,在实际预测时预测期数据是未知的,无法直接利用该方法进行预测。针对以上缺陷,提出以单项预测模型中精度较高者的预测值为标准,计算其余模型的预测值与其偏差,再按各个时期各单项偏差绝对值和的平均值大小赋予权系数,建立按照加权误差平方和准则新的预测模型,并利用遗传算法求解最优权系数。通过实例验证,改进后的组合预测方法优于原来的基于IOWA算子的组合预测方法,有效地提高了预测精度。     

一种改进的基于IOWA算子的组合预测方法及应用

按误差平方和准则建立的基于IOWA算子的组合预测模型并不能正确反映出各个时期观测点所引起误差对预测值的影响程度,在实际预测时预测期数据是未知的,无法直接利用该方法进行预测.针对以上缺陷,提出以单项预测模型中精度较高者的预测值为标准,计算其余模型的预测值与其偏差,再按各个时期各单项偏差绝对值和的平均值大小赋予权系数,建立按照加权误差平方和准则新的预测模型,并利用遗传算法求解最优权系数.通过实例验证,改进后的组合预测方法优于原来的基于IOWA算子的组合预测方法,有效地提高了预测精度.     

基于诱导有序加权调和平均算子和马尔科夫链的电量组合预测模型的研究

将诱导有序加权调和平均算子和马尔科夫链相结合,提出一种基于诱导有序加权调和平均算子和马尔科夫链的组合预测模型,该模型可以克服传统的组合预测方法赋予不变的权系数和以单一误差指标作为预测精度衡量的缺陷,同时采用马尔科夫链推出各单项预测模型在各个预测时间点预测精度的状态,从而得到组合模型的权系数。文中首先采用回归法、指数平滑法及灰色预测法分别建立了陕西省某市年用电量单项预测模型,随后引进诱导有序加权调和平均算子和马尔科夫链的概念,建立了年用电量的组合预测模型,并对年用电量进行了实证分析。实例分析表明了新模型能有效地提高组合预测精度,降低预测的风险性,从而证明这种组合模型具有较好的实用性。     

基于灰色神经网络组合模型的光伏短期出力预测

光伏发电系统输出功率具有不确定性特征,为了减轻其对电网的影响,有必要进行光伏出力预测。文中提出了一种基于灰色神经网络组合模型的方法对光伏出力进行预测。该方法是对传统直接预测和间接预测方法的结合,考虑了影响光伏出力的主要因素,通过统计与预测日相似天气条件下整点时刻的光伏出力,建立了各时刻出力的灰色模型,然后利用灰色模型的输出和温度数值与实测出力值建立神经网络预测模型,最终得到预测结果。文中采用实际光伏出力数据对灰色模型、神经网络模型、灰色神经网络组合模型3种预测方法进行了结果对比。算例结果表明,所提出的灰色神经网络组合预测模型能够更为精确地对光伏出力进行预测,因而具有潜在的应用价值。     

电力系统中长期负荷预测综合模型研究

中长期电力负荷预测是电力系统规划的基础和重要前提。分析比较了目前中长期负荷预测方法的特点,并进行了简单的分类。对传统的电力消费弹性系数法进行了改进,结合灰色预测模型与二次滑动平均预测法,建立了新的综合预测模型,并利用遗传算法优化各单一预测模型的权重。通过与人工神经网络模型进行对比仿真验证,结果表明所提出的预测模型具有较高的预测精度和较强的适用性。     

基于小生境免疫算法的月负荷预测组合模型

采用组合时序模型法根据月用电负荷建立了预测模型,提出了一种基于小生境免疫算法的组合预测模型。将该组合模型应用于某地区负荷预测的实例中,与基于遗传算法的组合模型的比较和分析结果表明,该模型的寻优能力较好、预测精度较高。     

基于DEA和遗传BP神经网络的电网技术改造造价预测

针对电网工程技术改造项目工程造价的重要性,分析技术改造造价预测可使用的模型,提出了一套基于数据包络分析(DEA)和遗传BP神经网络模型的电网工程技术改造项目的组合预测方法。该方法利用DEA筛选输入指标和样本数据,做到数据层面的优化,通过遗传算法(GA)的全局寻优能力,寻找并优化神经网络的权值和阈值,利用神经网络(BPNN)的局部寻优能力强的特性,快速收敛至最优解,获得技术改造项目造价预测的能力,仿真算例证明,组合预测模型准确地反映了实际工程造价,对电网工程技术改造项目的造价预测具有参考价值。     

基于改进深度受限玻尔兹曼机算法的光伏发电短期功率概率预测

光伏发电功率受自然环境影响具有明显的波动性、间歇性与随机性,对光伏发电进行短期功率的概率预测可以有效缓解给电网调度、能量管理等方面带来的诸多不利影响。提出一种基于改进深度受限玻尔兹曼机(RBM)算法的光伏发电短期功率概率预测模型,通过灰色关联系数法寻找待预测日的相似日,并利用遗传算法对RBM算法进行参数优化,避免模型参数寻优陷入局部最优,以提高预测模型的预测精度。仿真算例表明,所提模型可以更好地反映光伏发电功率的概率分布。     

基于Kmeans-SVM的短期光伏发电功率预测

短期光伏发电功率预测对维护电网安全稳定和协调资源利用具有重要的意义。提出了一种基于K均值算法(Kmeans)和支持向量机(SVM)的短期光伏发电功率预测方法。根据短期光伏发电特性和光伏发电季节特性,组织预测模型的训练样本集。通过K均值算法对训练样本集进行聚类分析,在聚类得到的各类别数据上分别训练支持向量机。预测时根据预测样本的类别使用相应的支持向量机进行发电功率预测。经实验表明所提出的方法相较于传统的BP、SVM模型精度有了明显的提升,具有较好的工程应用潜力。     

基于时间分解技术的中远期逐时负荷预测模型

中远期电力负荷预测对于引导电网规划建设和提升电力系统资源优化配置具有重要意义。为解决当前中远期负荷预测时间尺度过大、预测精度有限的问题,利用时间分解技术,对电力负荷的长期趋势与短期特征分别进行建模分析,从而提出一种新型预测方法,将中远期负荷预测的时间尺度缩短至小时,实现中远期逐时负荷预测。算例分析表明,所建模型在中远期逐时负荷预测方面的性能优于现有的同类模型,具有较高的全局精度和稳定性。同时,能够有效呈现电力负荷的概率密度特征和极值特性,有望为中远期电力规划提供参考。     

融合历史数据和实时影响因素的精细化负荷预测

随着智能电网技术的飞速发展,对负荷预测的精度提出了越来越高的要求。融合负荷、天气等多源数据,提出了一种基于数据融合的支持向量机精细化负荷预测方法。首先对负荷历史数据进行聚类分析,将运行日分成六类。然后将负荷数据和温度、湿度等天气数据进行融合,针对六类聚类结果分别建立基于数据融合的支持向量机精细化负荷预测模型,并对模型参数进行全局优化。采用不同的预测模型对浙江省某地级市2013年的负荷进行预测,结果表明所提出的负荷预测方法的预测精度明显高于传统的负荷预测方法的预测精度。     

负荷预测对新能源电网多目标优化调度的影响规律研究

当前负荷预测的主要目标是提高算法精度,无法实现不同预测精度对新能源电网调度影响的量化分析,因此研究了不同负荷预测精度对新能源电网成本和二氧化碳排放量的影响。首先,确立了包含火-水-光-风电机组新能源电网的多目标函数和约束条件。其次,探讨了粒子群算法在新能源电网调度中的优化思路。再次,利用灰色算法对负荷进行预测并给出了预测结果。最后,求解了粒子束优化调度时不同负荷预测精度下新能源电网运行成本和二氧化碳排放量的数值结果,并进行了拟合规律分析。结果表明负荷预测精度和新能源电网的成本和二氧化碳排放满足二次函数关系,可为新能源电网的规划和调度提供借鉴。     

基于APSO-GSA和相关向量机的短期风电功率预测

精确的短期风电功率预测建模对于提升新能源电力系统经济稳定运行十分重要。针对传统预测方法在小样本学习、精细化建模、概率性预测等方面的不足和易陷入局部最优的影响,首先以相关向量机(RVM)理论为核心,建立了基于RVM的风电功率预测模型。然后,针对万有引力搜索算法(GSA)缺少跳出局部最优机制和群体记忆功能,提出了一种结合自适应粒子群算法(APSO)的APSO-GSA混合优化算法,利用该算法对RVM模型参数进行优化。最后,以中国西北某风电场运行数据为例进行验证。结果表明,所提方法具有更高的建模精度和更快的收敛速度,实现了利用少量样本和简单模型对未来时刻风电功率的精确预测。     

基于动态权值相似日选取算法的短期负荷预测

提出了一种基于动态权值优化的相似日选取算法和灰色GRNN串联组合模型的短期负荷预测方法。采用动态权值相似日选取算法,在考虑不同地区和季节对短期负荷的影响时,引入改进的果蝇优化算法(MFOA),动态调整各因子的权值,增强了相似日选取算法的适应性和有效性。选取出相似日后,采用灰色模型和广义回归神经网络(GRNN)串联组合的短期负荷预测方法,并通过改进的布谷鸟(MCS)算法对GRNN平滑因子进行优化,组合模型改善了单一模型预测精度的稳定性。实例预测结果验证了该方法的有效性。     

适应供给侧结构性改革的中长期负荷预测拓展索洛模型研究

随着供给侧结构性改革的深入,电力需求的演变规律变得更难捕捉。传统的中长期负荷预测模型通常未考虑供给侧结构性改革因素,难以满足新形势下中长期负荷预测精度的要求。基于此,提出了一种适应供给侧结构性改革的中长期负荷拓展索洛预测模型(Supply-Side Reform-Extended Solow Regression Model, SSR-ESRM)。首先,通过对供给侧结构性改革内涵的解读,从规模、结构及效率三种效应出发,构建了量化指标体系。其次,在基本索洛模型的结构中,引入供给侧结构性改革因素对模型进行拓展,建立SSR-ESRM实现中长期负荷点预测。为反映供给侧结构性改革的不确定性,建立了系统动力学模型生成多种经济发展场景,进一步实现中长期负荷外推预测。算例分析表明,考虑供给侧结构性改革因素的SSR-ESRM预测精度较高,且对场景切换的灵敏度适中,有利于电网规划的灵活性,能够为实现电网规划提供有益的参考。     

基于数据序列分辨率压缩尺度优化的月度电量预测方法

准确的月度电量预测是指导电力部门安排运行计划和保障售电公司盈利能力的关键基础。针对基于人工智能算法电量预测模型在训练过程中存在样本分辨率选择不当导致预测精度降低的问题,提出了一种历史数据序列分辨率压缩尺度优化方法。首先将数据分辨率压缩尺度选择建模成一个优化问题。然后通过数据驱动方式进行求解。最后再利用长短期记忆(Long Short-term Memory, LSTM)神经网络实现月度电量预测,从而较好地实现了数据分辨率和电量预测步长之间的合理平衡以提升电量预测精度。利用美国PJM电力市场的历史电量数据对所提方法进行验证。仿真结果表明,较不进行分辨率压缩尺度选择所提方法具有更高的预测精度,同时LSTM网络在结合该方法时表现出了最佳的预测性能。     

基于IKFCM与多模态SSO优化SVR的光伏发电短期预测

为提高短期光伏发电功率预测精度和降低气候等因素对预测结果的影响,提出了一种基于IKFCM与多模态SSO优化SVR的光伏发电功率短期预测方案。首先采用改进的KFCM(Improved KFCM, IKFCM)聚类方法对训练样本集进行处理,通过引入紧致离散聚类有效性指数,在提高IKFCM聚类准确率的同时实现了自动划分训练样本集,有效降低了样本数据差异对预测性能的影响。然后构建与训练样本集分类一一对应的SVR预测模型,并采用多模态SSO优化(Multi-mode SSO, MSSO)算法对SVR模型参数进行优化,进而得到不同分类的最优SVR参数组合。最后,运用MSSO优化SVR模型对测试数据进行预测评估。仿真结果表明,该方案实现了不同天气下短期光伏发电功率准确预测,而且同其他预测算法相比预测精度提高了25.2%～37.8%。     

基于改进EEMD-SE-ARMA的超短期风功率组合预测模型

针对风力发电功率时间序列具有非线性和非平稳性的特性,提出了一种改进的集成经验模态分解(Modified Ensemble Empirical Mode Decomposition,MEEMD)-样本熵(Sample Entropy,SE)-ARMA的风电功率超短期组合预测模型。将EEMD分解中添加的白噪声信号改为添加绝对值相等的正负两组白噪声信号,并将MEEMD分解过程中的EMD步骤使用端点延拓和分段三次埃尔米特插值进行改进,形成一种改进的EEMD分解算法(即MEEMD)。利用MEEMD-SE将风力发电功率时间序列分解为一系列复杂度差异明显的风电子序列;针对每一个不同的子序列建立适当的ARMA预测模型;将各预测分量进行叠加重构,得到最终的风电功率预测值。通过算例分析及与其他几种预测模型预测结果的对比,证明MEEMD-SE-ARMA组合预测模型可以有效地提高风力发电功率超短期预测的精度。