基于自适应卡尔曼滤波在气象影响下负荷预测

如今电网系统中所构成电力负荷的电器越来越多,其中像空调等受气象影响的负荷所占比例持续升高,那么气象因素（温度、湿度、降雨量等）对电网的影响自然越来越突出,因此短期负荷预测将气象因素考虑进去,能够大大提升预测精度。根据某地区六年的电力负荷数据,构建卡尔曼滤波模型,可以给出高效准确的预测结果。然后将气象因素考虑到自适应卡尔曼滤波模型,通过不断对状态估计进行修正,得到计及气象因素影响的负荷预测结果精度更高。通过MATLAB 仿真,说明这种算法比较传统的卡尔曼滤波具有更高的预测精度,而且这种改进后的算法对实现短期负荷预测提供了一条新的途径。     

光伏影响下考虑气象负荷分解和LSSVM的负荷预测

随着光伏电源并网规模的不断扩大,光伏电源出力的波动性使得负荷预测难度加大,气象因素又对电力系统负荷有显著的影响。考虑剥离光伏电源对电网负荷预测的影响后,研究实时气象因素对电力系统净负荷的影响,然后将净负荷分解为基础负荷和气象敏感负荷,采用灰色模型GM(1,1)和最小二乘支持向量机算法分别对二者进行预测。之后采用主导气象因素辨识方法分析影响净负荷的主要气象因素,合理选取预测模型的输入向量,实现了考虑光伏影响与气象敏感负荷分解的LSSVM负荷预测。实验证明所提出的模型能够明显提高负荷预测的准确度。     

基于气象因素修正的短期负荷预测

短期负荷预测是电力系统运行与分析的基础。然而,许多负荷因素之外的因素也会影响负荷预测的结果,尤其是气象因素。在此背景下,首先使用回归分析的方法得到对某地负荷预测影响最大的气象因素——平均温度;然后在不考虑气象因素时,建立基于误差反向传播算法的多层前向神经网络(BP神经网络)短期负荷预测模型;最后,利用最小二乘估计来计算平均温度对负荷的修正系数,建立气象因素修正的负荷预测模型。分别采用上述两种模型对某地区负荷进行预测,对比负荷预测结果可知,考虑气象因素修正的负荷预测模型的预测准确率更高,达到了较高的预测精度。     

基于特征选择实现多因素电力负荷预测

负荷预测在保障电网安全运行和提高经济效益方面均占有举足轻重的地位.高精度的负荷预测不仅需要依靠历史负荷数据,并且气象、电价等诸多因素也会对其产生不同程度的影响.为了综合考虑诸多因素造成的影响.首先,以遴选关键因素作为切入点,利用新英格兰地区实测数据集,使用递归特征消除(RFE)有效去除冗余的影响因素,得到与真实负荷相关...     

基于气象数据可视化降维和多模加权组合的短期负荷预测

针对短期负荷预测中数据预处理的必要性和单一预测模型的局限性,提出了一种基于气象数据可视化降维和多模加权组合的短期负荷预测方法。该方法将可视化降维、模态分解降噪、单一预测模型和权重确定理论相结合,构建了气象数据降维、历史负荷分解、模态分量降噪和多模加权组合的短期负荷预测模型。通过设置3种对比实验环境,对某地区供电公司所提供的电力负荷和气象数据进行分析。预测结果及误差分析表明,所提短期负荷预测方法在保留高维气象因素本质特征结构的同时,能有效结合数据预处理方法及单一预测模型的特点,有效提升该地区电网负荷的预测精度。     

基于BP神经网络电力负荷短期预测研究

电力负荷预测是电力系统一项重要的工作。本文应用了BP神经网络对南方某地区短期电力负荷进行了预测。首先介绍了BP神经网络结构,其次是利用BP神经网络结合南方某地区电力负荷数据进行实证研究,并且在设计BP神经网络结构时考虑了气象因素对负荷的影响。     

改进Pi-sigma神经网络及其算法在短期负荷预测中的应用

针对电力负荷的特点,综合考虑历史负荷、天气、日类型等因素的影响,将模糊逻辑和神经网络的长处融合在一起,构建了基于改进Pi-sigma神经网络及其算法的短期负荷预测模型,用于预测预报日的各小时负荷,其中在学习速率的选择、隶属度函数参数的更新等多处进行了改进,进一步减小了预测误差.地区电网的实际应用证明了该算法的有效性.     

基于大数据的分布式光伏接入配电网影响分析与功率预测研究

为提高分布式光伏发电功率预测的精度,满足电网调度和规划的高精度要求,本文利用光伏运行、电能量采集、电网调度等业务系统的海量数据,利用大数据分析方法研究大量分布式光伏接入对配电网负荷特性的影响,并提出基于气象相似日和粒子群算法优化BP神经网络的光伏电站功率预测方法.通过分析光伏发电功率随天气类型、温度、光照强度等气象因素...     

改进粒子群—BP神经网络模型的短期电力负荷预测

为了准确、快速、高效地预测电网短期负荷,提出了改进的粒子群算法(MPSO),并与BP算法相结合,形成改进的粒子群—BP(MPSO-BP)神经网络算法,用此算法训练神经网络,实现了神经网络参数优化,得到了基于MPSO-BP算法的神经网络模型。综合考虑气象、天气、日期类型等影响负荷的因素,进行电网短期负荷预测。算例分析表明,与传统BP神经网络法和PSO-BP神经网络方法相比,该方法改善了BP神经网络的泛化能力,预测精度高,收敛速度快,对电力系统短期负荷具有良好的预测能力。     

浙江省中长期电力负荷需求预测分析

随着目前电力市场的深入改革，为了实现电网的规划合理，合理预测浙江省中长期电力需求非常必要，本文搜集了可能影响电力负荷的众多宏观经济影响因素，通过相关分析先去除一部分影响不大的因素，然后建立了一个浙江省中长期电力负荷预测的多元线性回归模型，并进行了模型的验证。验证结果表明该模型预测精度比较高，可以进行浙江省的中长期的电力负荷预测。对于科学编制浙江省电网中长期电力发展规划，促进电力工业与国民经济协调发展具有重要意义。     

Short term load forecasting using daily updated load models

This paper proposes one-day-ahead load forecasting using daily updated weekday load models and weekly updated bias models for everyday-of-the-week loads. The load characteristics are examined first for actual data from Kyushu Electric Power Company and weather stations in Kyushu throughout 1982. Then, according to properties of the loads, the algorithm of the load forecasting is derived. Features of the load forecasting are summarized as follows: (1) according to load curve properties, 24 hourly weekday load models are constructed individually during a 24-h period; (2) the weekday load models, which give estimates for the regression coefficients of weather and other factors, are updated everyday by the exponential weighted least squares method (equivalent to the steady state Kalman filter); (3) by using the bias models, the load forecasts for Saturday, Sunday and Monday patterns are also obtained by the same method used as for the weekday pattern. Based on actual data, the accuracy of the proposed load forecasting was found to be very high, the standard deviation of the relative error of the load forecast being about 3%.     

基于层次聚类和极限学习机的母线短期负荷预测

利用传统方法预测母线负荷时,通常选取离待测日相近的一段时间作为历史相似日进行模型训练,没有考虑其天气情况、星期类型、节假日等因素的影响,相似日与待测日特征相差较大。为解决以上问题,提出一种基于层次聚类（HC）和极限学习机（ELM）的母线负荷预测算法。首先使用层次聚类法将母线历史日负荷进行聚类,然后对层次聚类得出的聚类结果建立决策树,其次根据待测日的温度、湿度、星期和节假日类型等日属性在决策树中匹配出训练极限学习机预测模型的历史日负荷,最后建立极限学习机预测模型,对待测日母线日负荷进行预测。对两条不同母线的负荷进行了预测,与传统单一的极限学习机相比,所提算法的平均绝对百分比误差（MAPE）分别降低了1.4和0.8个百分点。实验结果表明,所提算法预测母线负荷具有更高的预测精度和稳定性。     

基于差分理论的短期负荷预测神经网络模型

电力负荷是受周期性变化以及天气等因素影响的高度非线性系统,而神经网络仅仅对已学习过的模式具有较好的范化能力。为提高神经网络的负荷预测精度,提出先对原始负荷序列进行差分运算以除去其周期性影响,然后依据相似性原理建立RBF神经网络预测模型,仿真实验表明采用该方法短期负荷预测精度有所改善。     

基于随机森林的短期电量负荷精准预测方法

可再生能源并入电网后,电能供给量增加,短期电量负荷情况难以预测,无法制定准确的电能分配策略,由此,提出基于随机森林的短期电量负荷精准预测方法研究。深入分析短期电量负荷预测影响因素（气象、时间、电价与随机干扰因素）,选取适当的模型输入变量（历史电量负荷数据、温度数据与日类型）,结合随机森林算法构建短期电量负荷预测模型,并重复确定相似日的选取规则,采用粒子群优化算法寻找预测模型参数最佳值,将样本集输入至模型中,获得精准的短期电量负荷预测结果。实验数据显示:当输入变量数量达到一定值后,应用提出方法获得的短期电量负荷预测时延稳定在0.55s左右,短期电量负荷预测误差几乎为0,充分证实了提出方法应用性能较佳。     

基于多层小波分解的日前太阳辐照度预测研究

由于太阳辐照度的随机波动特性,大型光伏发电并网会给电力系统的运行带来极大困难,光伏发电功率的预测是解决此问题的关键措施之一.提出了一种基于多层小波分解的太阳辐照度预测方法,首先,根据天气状态将每日的辐照度曲线划分为不同的波动模式;然后针对不同天气下的波动模式分别建立预测模型,使用多层小波分解后的数据预测第二天连续24小时的辐照度值;最后建立基于数据驱动的融合模型,将不同天气模式下的辐照度多层小波分解预测值进行融合,以获得最终的辐照度预测结果.仿真结果表明辐照度预测结果精度与小波分解层数和天气模式高度相关,且所提算法能够有效提高短期辐照度预测精度.     

模糊神经网络在电力短期负荷预测中的应用

提出用于电力短期负荷预测(SILF)的一种模糊神经网络(FNN)方法，该方法针对BP网络收敛速度慢、易导致局部极小值的缺点，将考虑气候、温度、星期类型等影响因素的模糊技术与快速二阶BP网络相结合，并以南方电网负荷预测为例，应用MATLAB蚀语言对系统进行仿真训练，测试结果表明，该方法具有较高的预测精度。     

A spiking neural network (SNN) forecast engine for short-term electrical load forecasting

Short-term load forecasting (STLF) is one of the planning strategies adopted in the daily power system operation and control. All though many forecasting models have been developed through the years, the uncertainties present in the load profile significantly degrade the performance of these models. The uncertainties are mainly due to the sensitivity of the load demand with varying weather conditions, consumption pattern during month and day of the year. Therefore, the effect of these weather variables on the load consumption pattern is discussed. Based on the literature survey, artificial neural networks (ANN) models are found to be an alternative to classical statistical methods in terms of accuracy of the forecasted results. However, handling of bulk volumes of historical data and forecasting accuracy is still a major challenge. The development of third generation neural networks such as spike train models which are closer to their biological counterparts is recently emerging as a robust model. So, this paper presents a load forecasting system known as the SNNSTLF (spiking neural network short-term load forecaster). The proposed model has been tested on the database obtained from the Australian Energy Market Operator (AEMO) website for Victoria State.     

日电力负荷的分时段多模型组合预测

日电力负荷预测是电力市场运营的基本内容。当前大多数预测方法对不同时段往往采用相同的预测模型和算法,而较少考虑不同时段的负荷组成及特征变化。提出了一种新的分时段多模型组合预测方法。根据负荷组成和特征变化,将日96点负荷分为多个时间段,每个时段内采用多元线性回归、灰色预测、支持向量机和神经网络预测等子模型加权实现多模型组合预测。通过对华东某地市电网日负荷96点曲线的预测结果显示,该方法效果较好,日预测均方根误差在1.78%以内,能较好地满足实际电力系统的负荷预测要求。     

基于集成深度学习算法的燃气负荷预测方法

燃气负荷预测受到社会经济、天气因素、日期类型等多种复杂因素的影响,而多因素的共同作用则必然会导致燃气负荷序列变化趋势具有很大的随机性以及一定程度上的复杂性.为了有效提高燃气负荷预测的精度,本文提出了一种新型的集成深度算法来对燃气负荷进行多步预测.首先通过EEMD算法将非平稳非线性的负荷序列分解为若干个稳态且线性的本征模式分量及剩余项,有效的避免了传统EMD带来的模态混叠问题,然后将负荷数据的影响因素输入到AutoEncoder中进行特征提取并做非线性降维处理,再将EEMD分解得到的每个子序列分别与AutoEncoder提取到的特征序列组成不同的训练矩阵,最后针对不同的子序列对应的训练矩阵建立相应的LSTM预测模型,重构分量预测值得到最终预测结果.为了验证所提出算法的有效性和预测性能,使用上海燃气数据来进行上述模型的仿真实验,结果证明相较对比方法,预测精度有了明显的提高.