基于灰色理论的电力监控数据多因素预测模型

电力是关系国计民生的重要基础产业和公用事业。电力系统负荷是重要电力监控数据,其作为电力规划、投资、生产、调度和交易等工作的基础,在电力安全和经济运行中发挥着至关重要的作用。随着大数据技术的发展,大数据技术被广泛的应用在电力负荷预测上,大数据技术的应用前提是需要海量的相关数据,对数据量要求较高。为分析处理缺少样本信息的灰色系统理论可以弥补大数据此方面的缺陷。我国电力负荷,既有逐年增长的确定性,又有随机变化的不确定性,可以视为典型的灰色系统,适合使用灰色模型建模预测。本文提出采用多因素的GM(1,1)优化模型,分析了10年的社会用电结构,并以不同结构的用电力监控数据为基础,建立并检验了基于有限电力数据多因素的灰色预测模型。全社会不同结构电力负荷预测结果表明,该模型预测的最大误差小于4.8%,预测结果证明了该模型的有效性和可用性。上述研究对于丰富电力负荷预测手段,弥补传统大数据技术在负荷预测方面需求数据量较高局限性均具有十分重要的现实意义。     

基于改进灰色模型的电力负荷可靠性预测系统设计与实现

针对传统时序数据预测方法难以准确预测电力负荷数据的问题,文中设计了一种基于改进灰色模型的电力负荷可靠性预测系统.在历史数据样本容量小的条件下,将灰色模型选为负荷预测的基础模型,在考虑气象因素的基础上,采用残差修正法与马尔科夫法改进灰色模型,修正电力负荷的预测值并通过Matlab实现预测算法.同时利用MySQL作为数据库...     

基于灰色线性回归－加权模糊马尔可夫链模型的电力能源需求预测

电力能源系统是一个具有多利益主体的复杂系统,其需求总量变化趋势的预测是新能源规划决策的重要基础,对新常态下我国经济的可持续发展具有重要的指导意义。结合电力能源需求总量历史样本数据特征,提出一种基于灰色线性回归－加权模糊马尔可夫链模型的电力能源需求预测新方法。首先,利用线性回归理论对电力能源需求灰色预测数据进行平滑处理,剖析电力能源需求时间序列中的线性变化特性,进而基于灰色线性回归方程对电力能源需求的未来变化趋势进行预 测,引入加权模糊理论对马尔科夫链理论进行改进,构建灰色线性回归预测残差的状态转移加权模糊概率矩阵,实现对灰色预测结果残差的修正,解决电力能源需求预测中的局部波动变化问题。最后,以我国H电网区域的电力能源需求预测为实际算例,验证所提方法的可行性和有效性。     

基于粒子群优化方法的短期电力负荷组合预测

短期电力负荷预测是实现电力系统安全、经济运行的基础,其准确性对电力系统运行的可靠性、经济性都有重要意义。本文在灰色模型、ARIMA模型以及指数平滑族模型的基础上,提出了一种基于以上三种模型的组合预测模型,并用粒子群优化算法对其组合权重系数进行了优化。对澳大利亚新南威尔士州2011年9月实际电力负荷数据进行实例分析,其结果表明本文提出的组合模型确实能够提高短期电力负荷预测的精度。     

风光储微网系统多时间尺度模型预测调度策略

针对风光储微网系统,建立基于模型预测的多时间尺度微网调度策略。首先,为提高微网调度运行准确性,采用灰色GM(１,Ｎ)－BP神经网络方法构建微网发电量及负荷需求的预测模型,然后构建基于预测模型的多时间尺度微网调度优化策略,该策略考虑了储能装置充放电运行的功率变化,以日前调度中的能源出力为参考,在日内调度阶段采用滚动修正,通过细化滚动时间,实现微网运行调度的精确修正,减少储能装置的充放电损耗。最后,基于微网运行数据进行了算例分析,验证预测模型与调度策略的有效性。结果表明,相较于传统单一灰色预测方法,所采用的组合预测模型预测精度更高,所构建的多时间尺度调度策略使得清洁能源得到充分利用,实现微网经济安全运行。     

基于OpenCV的电力负荷预测

针对电力负荷预测影响因素多,传统预测方法精度不高,本文分析电力负荷预测影响因素,建立基于支持向量机的电力负荷预测模型。通过OpenCV实验,仿真结果表明本文对电力负荷预测具有较高的预测精度和较快的训练速度。     

基于自适应神经模糊推理系统的智能电表大数据分析研究

随着电力需求的不断增长和智能电表的大量应用,电力数据量大幅提升,对智能电表大数据分析分析提出了更高的要求。为此本文从模糊数学理论和人工神经网络出发建立了自适应神经模糊推理模型,基于安装在用电户的智能电表实际计量得到的电力大数据,进行了模型的训练和测试,最后利用预测模型进行了用电户在24小时内的电力功耗预测,并与智能电表实际测得的功耗数据进行了对比。研究结果表明基于当前智能电表采集的电力大数据,本文提出的预测模型精度得到了较大提升,总体预测精度为84.02%;其中白天时段由于用电随机性较大预测精度在70%左右,而夜间的预测精度均在90%以上。     

基于异构数据的电力短期负荷大数据预测方案

随着多种可再生能源电力的接入,电力系统正在向更智能、更灵活、交互性更高的系统过渡。负荷预测,特别是针对单个电力客户的短期负荷预测在未来电网规划和运行中发挥着越来越重要的作用。提出了一个基于异构数据的电力短期负荷大数据预测方案,该方案收集来自智能电表和天气预报的数据,预处理后将其加载到非关系型数据库中进行存储并做进一步的异构数据处理;设计并实现了一个长短期记忆递归神经网络模型,用于确定负荷分布并预测未来24 h的住宅小区用电量;最后利用一个住宅小区的智能电表数据集对提出的短期负荷预测框架进行了测试,并使用均方根误差和平均绝对百分比误差两个指标,对比了预测模型与两种经典算法的性能,验证了所提模型的有效性。     

电力负荷影响因素研究

负荷预测是电力系统规划设计的理论基础,其预测结果的精度直接影响规划方案的确定。目前实际工程中的负荷预测工作仅依靠当地的控规要求和历史负荷数据进行预测,预测结果相对偏离实际需求,无法适应远期负荷增长的需要。本文通过分析包括负荷、气候、社会、特殊事件等各类负荷影响因素,基于层次分析结构建立负荷影响因素指标体系。该体系能够指导工程单位进行更加准确、合理的负荷预测工作,对配电网规划具有重要意义。     

基于贝叶斯优化的CNN-GRU短期电力负荷预测

为了提高短期电力负荷预测精度,针对负荷数据时序性与非线性的特点,提出一种基于贝叶斯优化的CNNGRU短期电力负荷预测模型。首先,将电力负荷数据按时间滑动窗口构造连续特征作为输入,采用CNN对负荷数据进行特征提取,将特征以时序序列方式作为GRU网络输入;然后通过GRU网络进行短期负荷预测,构建CNN-GRU预测模型。针对CNN-GRU模型易陷入局部最优以及超参数寻找难的问题,利用贝叶斯优化寻找最优超参数组合,对模型进行超参数优化,构建贝叶斯优化的CNN-GRU短期电力负荷预测模型。实验结果表明,贝叶斯优化的CNN-GRU模型的MAE值比传统的CNN-GRU网络模型降低58%,精度提升1.23%,说明所提模型能够有效提高负荷预测精度,可作为短期电力负荷预测工具。     

基于气象因素敏感模型的短期电力负荷预测

为了充分考虑地区电网短期负荷易受气象因素影响的特点,提出了一种具有天气敏感性的基于快速BP算法的神经网络预测模型,模型中合理地考虑了影响负荷变化的主要气象因素,使其能够适应天气的变化。通过对咸阳地区电网的仿真预测,证明了天气因素敏感模型应用于地区电网短期负荷预测后使预测精度明显提高,故建立的模型是可行和有效的。     

基于PAU-LSSVM模型融合多特征变量的电力负荷预测

为了有效地提高电力负荷的预测精度,应对电力负荷的海量数据,同时兼顾负荷数据时序性和非线性,提出了一种基于PAU-LSSVM模型融合多特征变量的电力负荷预测方法。首先,基于偏最小二乘法（PLS）分析影响负荷变量间的相关性,提取影响负荷变化的特征变量。然后,根据特征变量的实时变化特征对LSSVM的模型参数进行自适应更新,建立了PAU-LSSVM负荷预测模型,并与其他深度学习方法建立的负荷预测模型进行对比。结果表明,PLS能够辨识出关键影响变量,降低训练样本矩阵维数,所提PAU-LSSVM模型能够随着工况迁移准确地预测负荷,具有较高泛化能力和工程应用价值。     

基于SVD-LSTM的高校学生宿舍空调负荷预测

准确预测高校空调负荷是保证高校安全用电和电力高峰期区域配电网稳定运行的前提。文中以高校空调负荷中具有代表性的学生宿舍空调负荷为对象,建立了基于奇异值分解-长短期记忆网络的高校学生宿舍空调负荷预测模型。该方法以高校学生宿舍空调负荷特性为基础,使用奇异值分解进行降噪处理,通过长短期记忆网络对高校学生宿舍空调负荷进行预测。文中以武汉某高校的真实数据为样本进行了分析验证,通过与传统预测模型对比,证明所提预测模型的预测效果和精度优于传统预测方法。     

电力负荷中期预测分析系统的仿真应用

本文介绍了开发电力负荷预测分析系统的主要技术，系统集成了人工神经BP算法和支持向量机SVM两种预测方法，运用多元回归模型和时间序列模型建立电力负荷中期预测模型。系统运用MATLAB科学计算工具实现模块设计、功能设计和数据存储设计，运用GUI(图形用户界面)实现系统仿真界面，方便了技术人员进行电力负荷预测的分析研究。     

短期负荷综合预测模型新算法

本文结合马尔科夫校正算法对灰色理论模型加以改进,提出了一种改进灰色-马尔科夫的预测模型。将该模型运用到短期负荷预测中,并与指数平滑模型、人工神经网络模型的预测结果进行比较,结果表明运用改进后的灰色—马尔科夫预测模型可以大大提高预测精度。笔者在这三种预测方法的基础上,应用时变权系数法建立综合预测模型,对待预测日进行短期负荷预测。     

基于支持向量机的电力短期负荷预测研究

以城市电力负荷预测为应用背景,根据电力负荷的特点和支持向量机(SVM)方法在解决小样本学习问题中的优势,提出基于SVM的电力短期负荷预测模型,并使用粒子群优化算法优化其参数.基于SVM的电力短期负荷预测模型的运行结果与BP神经网络模型对比表明,前者稳定性好,运行速度快,准确率高.     

基于支持向量机的电力短期负荷预测研究

以城市电力负荷预测为应用背景,根据电力负荷的特点和支持向量机（SVM）方法在解决小样本学习问题中的优势,提出基于SVM的电力短期负荷预测模型,并使用粒子群优化算法优化其参数。基于SVM的电力短期负荷预测模型的运行结果与BP神经网络模型对比表明,前者稳定性好,运行速度快,准确率高。     

基于高斯过程回归的电力负荷预测算法

针对基于传统算法的电力负荷预测方法误差大的问题,本文提出一种基于高斯过程回归的负荷预测算法。算法首先利用电量数据当作高斯过程回归的学习样本,并构建电力负荷预测模型,然后采用遗传算法对超参数进行优化,避免用共轭梯度法优化超参数的缺点。最后,利用测试集对该模型性能进行实验测试。基于某地区的电网数据的仿真显示,基于高斯过程回归的负荷预测算法比神经网络和支撑向量机算法的预测精度更高。     

基于改进LSTM神经网络的电动汽车充电负荷预测

当前对电动汽车（EV）充电负荷预测的研究缺少真实的数据支撑,并且模型考虑场景过于简单,影响因素考虑不到位,预测结果缺乏说服力。基于此,提出一种考虑多种电动汽车充电负荷影响因素的电动汽车充电负荷预测方法。首先,考虑天气、季节、温度、工作日、节假日等因素对电动汽车充电负荷的影响,采用三标度层次分析法分析各影响因素权重;其次,建立LSTM神经网络预测模型,通过真实数据训练得到用于预测的LSTM神经网络模型,结合影响因素权重分析结果对预测模型进行修正,得到最终的改进LSTM神经网络负荷预测模型;最后,采用常州某小区的真实数据对所提预测方法进行试验验证。结果表明,所提方法可以实现电动汽车充电负荷的精确预测,且负荷预测结果可为有序充电策略研究提供参考。     

基于杂草算法的支持向量机电力负荷预测

分析各参数对支持向量机学习能力的影响,提出一种基于杂草算法的支持向量机电力负荷预测方法。首先运用杂草算法对支持向量机的两个关键参数进行智能寻优,然后将最优参数运用到支持向量机预测模型。采用新的预测模型对EUNITE第一次竞赛提供的相关电力数据进行分析,并与基于回归树和基于神经网络的预测方法进行比较。结果表明本文方法智能化地解决了传统参数选择方法的缺陷,且对电力负荷预测具有较高的预测精度。