基于模态分解-PSO-DNB深度学习的短期负荷预测研究

针对传统负荷预测模型对高维非线性电力负荷的特征提取效果不理想的问题,为有效提高电力负荷短期预测精度,提出了基于模态分解-PSO-DNB深度学习的负荷预测模型。结合模态分解方法和PSO算法特征并充分融入到深度学习模型中,构造了量化深度学习模型训练效果的误差评价函数,由此建立短期负荷预测的系统模型。以某地区电网监测的电力负荷数据开展短期预测研究,通过算例效果表明,所提的预测方法可实现24 h内滚动式短期电力负荷预测,且预测误差能控制在合理范围内,相较于传统负荷预测的方法更能提升预测精度。     

考虑风电出力的电力系统短期负荷自动预测方法

利用目前方法预测电力系统短期负荷时,存在电力负荷预测误差大的问题,为此提出了考虑风电出力的电力系统短期负荷自动预测方法。由于风电出力具有不稳定性,所以该方法在预测负荷前先分析了风电出力特性,以此提升不同风电出力情况下的电力负荷预测效果。基于分析结果采集负荷数据,对相同时间下的负荷采集数据进行归类,以此为输入构建BP神经网络预测模型,利用预测模型对归类数据进行处理,最终利用该模型实现电力系统短期负荷的预测。实验结果表明,所提方法的短期负荷预测有效性强、预测精度高。     

基于电力负荷历史数据挖掘的负荷预测算法研究

针对电力负荷历史数据中异常数据点影响电力负荷预测精度的缺陷,研究基于电力负荷历史数据挖掘的负荷预测算法。选取K means聚类算法挖掘电力负荷历史数据的属性特征量,检测其中所包含的异常数据点,选取灰色系统理论中的GM（1,1）模型修正电力负荷历史数据中的异常数据,利用完成修正的电力负荷历史数据建立训练集以及预测集,将训练集样本输入支持向量机中,利用支持向量机所具有的非线性映射能力映射样本至高维空间内,获取支持向量机最优阈值,将预测集输入具有最优阈值的支持向量机中,获取精准的电力负荷预测结果。所研究算法可实现长期、短期、超短期电力负荷的预测,且预测的精准性及速度较为优越。     

改进决策树在电网超短期负荷预测中的应用

由于天气属性变化以及其他因素影响,使得负荷预测结果与实际结果相差较大。为此,运用决策树挖掘准确信息,提出电网超短期负荷预测新方法。选取历史负荷数据,去重并填补缺失部分;综合考虑待测日气象属性、电力属性以及其他影响负荷变化因素,结合处理后的历史负荷数据对未来短期内的负荷完成初预测;引入专家系统,修正测试结果;在对电网超短期负荷预测方法可行性进行分析后,使终预测结果具有更高精度。通过实例应用证明了所提方法预测误差小且预测稳定,为电网企业快速发展提供了坚实的理论基础。     

基于Hurst指数的矿井涌水量定量预测

在Hurst指数趋势分析的基础上,考虑时间序列长度、相关性等因素,并结合计算机语言,实现了R/S方法的定量预测,成功的将非线性时间序列预测方法从定性走向定量。以赵家寨煤矿矿井涌水量为例,分别对突水前和突水后的涌水量时间序列进行了R/S定量预测,模型预测精确度高达92.48%和94.75%,表明该模型精确度高、适用性强。     

电力负荷预测的投影寻踪回归模型

电力负荷预测是电力规划、生产和运行的重要基础,将投影寻踪回归模型应用于电力负荷预测中,避免了确定性模型在预测不同类型负荷数据时精度差异较大的缺陷。最后,以电网实际负荷数据验证了投影寻踪回归模型的适用性。     

基于云计算的电网负荷预测

负荷预测是电网管理的重要组成部分。准确及时的负荷预测对于制定经济合理的配电方案,提高电网运行的安全性和经济性,提高电能质量具有重要意义。为此,提出了一种基于人工鱼群和基因表达式编程的电力负荷预测函数挖掘算法。在此基础上,还提出了基于云计算的分布式负荷预测模型挖掘来解决大规模电力负荷预测问题。为了更好地提高模型的预测精度,在分布式负荷预测模型中引入了误差最小化交叉。实验结果表明,提出的算法在平均时间消耗、平均收敛数、预测精度以及并行计算性能方面具有优势。     

基于小波变换的矿业事故时间序列预测

为对矿业事故时间序列做出准确预测,针对单一预测模型对非平稳非线性时间序列预测精度低、模型选择困难等问题,提出了一种基于小波变换的矿业事故时间序列预测模型。首先,将44组训练数据采用小波变换,通过伸缩平移运算对时间序列逐步进行多尺度细化,使非平稳非线性的原始时间序列变换为一组代表整体变化趋势的高频信号序列,和一组表示随机扰动的低频信号序列;然后,采用自回归滑动平均(Autoregressive Moving Average,ARMA)模型预测低频信号序列,用分形理论(Fractal Theory,FT)预测高频信号序列;最后,再将各分序列的预测结果叠加,构建基于小波变换的矿业事故时间序列预测模型,并用12组测试样本验证模型的预测精度。结果表明:12组测试样本预测结果的平均相对误差为15.13%,且相对误差波动较为平稳。基于小波变换的矿业事故时间序列预测模型的预测稳定性较好、精确度较高,用该模型进行矿业事故时间序列的预测是可行且有效的。     

基于CEEMD与VHBFO_SVM的微网短期负荷预测模型

为适应微网的建设和发展对其负荷预测效率及精度的要求,提出一种基于变概率混合细菌觅食优化算法(VHBFO)优化支持向量机(SVM)的微网短期负荷预测模型。首先利用CEEMD将非平稳的负荷序列按照不同波动尺度逐级进行分解,从而得到多组固有模态函数分量均值,并建立VHBFO_SVM模型对各组分量分别进行预测,最后通过叠加各组分量的预测结果得到预测值。以国内某微网示范工程项目为例,将VHBFO_SVM用于微网短期负荷预测。实例仿真结果表明,所提出的VHBFO_SVM预测模型优于SVM预测模型,更适用于当前微网短期负荷预测需要。     

基于LSTM+MIDAS深度学习模型的电力需求预测

为了准确预测不同用电设施的电力需求模式,设计了一种基于长短期记忆网络（LSTM）深度学习方法的自定义电力需求预测模型。利用混合数据抽样（MIDAS）方法对自回归分布滞后（ARDL）进行改进,提出了LSTM+MIDAS模型的电力需求预测方法。通过每天以5 min的频率收集住宅、市政厅、医院、工业等4类设施的用电数据,采用短期、长期、季节性预测3种方法进行了对比试验,通过测试验证了预测模型的误差率,分析了实际用电需求监测系统中电力模式的季节性波动规律,并预测各设施的用电需求。实验结果表明,利用所提出的LSTM+MIDAS模型进行电力需求预测的总体误差率均有所降低,并且可以有效检测电力需求波动性。     

基于GCN-GRU的短期时空负荷预测方法

随着城市的快速发展,城市配电系统也进行了快速的扩展。空间负荷预测研究可以指导电力系统的管理与调度,并且其准确性会影响到方案的合理性。首先分析并总结了常用空间负荷预测方法的特点,然后提出了GCN-GRU时空负荷预测模型。GCN-GRU模型充分利用图神经网络在网络拓扑数据方面的优势以及GRU在时间序列建模方面的优势,对电网进行建模,考虑了负荷的空间特性和时间特性,并将影响负荷的因素转换为特征向量进行算法训练,提高了负荷预测的准确度。最后以湖北省某市区电网为研究对象,证明了该方法的有效性。     

基于天气影响的风电功率分类预测模型研究

改善风电功率预测精度是提高“源网荷”间有效互动的重要手段之一。针对不同天气变化情况对风电场输出功率的影响,建立了一种基于天气影响的风电功率分类预测模型。结合风电场输出功率与风速间的相关性检验结果以及理论关系,确定了预测模型输入数据的内容,通过不同影响因素以及风电功率序列的自相关检验结果选取了预测模型输入数据的时间窗口,并对输入数据进行融合处理。为简化天气过程分类时的计算,实现分类结果的可视化,采用深度学习自编码技术对输入数据进行降维处理,并采用改进的K-means聚类法进行了天气过程的聚类划分,根据聚类结果利用广义回归神经网络模型对风电场输出功率进行了分类预测。通过实际算例验证了本文方法的有效性。     

基于优化变权组合模型的配电网中台区负荷波动范围预测研究

负荷波动范围预测决定了电力系统是否处于平稳运行状态,为此提出一种基于优化变权组合模型的配电网中台区负荷波动范围预测方法。考虑负荷信号数据的横、纵向数据特征,运用固定阈值门限准则确立阈值大小,构建加权平均阈值函数,反归一化处理得到去噪后的负荷波动数据;分析数据观测序列,将组合预测偏差的最低绝对值作为推导原则,获得单项预测法与组合预测法的预测偏差,引入目标函数创建台区负荷波动范围预测模型。实验结果表明,所提方法能准确分析外部环境对负荷波动范围的影响,预测精度高,实用性极强,为配电台区的高效稳定运行发挥应有作用。