基于MIMO-SVR的供热负荷日预报方法

针对城市集中供热系统中提前24小时的日负荷预报方法具有较大误差问题,提出了一种基于多输入多输出支持向量回归（MIMO-SVR）的供热负荷日预报方法.该方法利用MIMO-SVR的多输出特性通过一步预报直接获得24小时的日负荷预报.通过对某热力站实际供热负荷数据进行仿真研究,结果表明,MIMO SVR日预报的平均相对误差为2.47%,较多输入单输出支持向量回归（MISO-SVR）预报精度高,能够满足供热工程的应用需要.     

基于统计理论的负荷特性分析及其预测

电力负荷受气象因素影响越来越大,如何准确确定气象因素是负荷预测研究的重要课题.首先采用统计学方法对影响负荷的气象因素进行分析,找到影响负荷的核心气象因索,再利用GRNN回归神经网络进行预测.经实际系统检验,证明该方法克服了传统气象负荷预测中的主观性,将气象影响因素过程量化,提高了预测结果的精度,是一种适用性很强的方法.     

基于EUNITE竞赛数据的中期电力负荷预测

应用自组织模糊神经网络(SOFNN)算法,基于欧洲智能技术网络(EUNITE)竞赛数据进行了中期电力负荷预测的应用研究。算法能够自动决定神经模型的结构并得出模型的参数,具有很好的实用价值。研究了训练数据选取和输入特征向量编码等实际应用问题,结果表明负荷预测精度高,优于竞赛的优胜者,之后提出了结合周平均负荷预测修正日负荷预测的方法,精度得到进一步地提高。     

一种基于改进分类和回归树的神经元网络电力负荷预测方法

通过改进CART(分类和回归树)分类法选择训练样本,可以降低与预测日不一致负荷模式的影响,提高预测精度,并运用人工神经元网络预测下一天的96点负荷.主要包括3个部分.首先,运用CART分类法将输入空间分成若干矩形互斥区域,每一个区域对应一种负荷模式;其次,根据分类结果选取神经元网络的训练样本.最后,合理映射天气因素和日期、星期类型并进行预测.实际应用表明本方法对于大波动负荷地区能够改善预测精度,提高预测速度.     

电价与负荷的相关性分析及其在电价预测中的应用

为解决传统电价预测模型需要对周末等电价波动较大预测日单独建模,以及模型不加区分地引入负荷因素影响预测精度的问题,提出了利用电价与负荷的相关系数判定是否将负荷因素引入粒子群-BP神经网络模型的新方法,将相关系数作为输入样本的阈值,判定是否在模型输入样本中引入负荷因素.在电价变化平稳、电价与负荷相关性较弱时,在电价预测模型中不引入负荷因素,解决了粒子群-BP神经网络模型由于非关联输入样本过多而影响学习效率、导致预测精度降低的问题.仿真结果表明,新的预测模型对电价相对平稳和波动较大的预测日预测精度明显提高,可用于电力市场的短期电价预测.     

广义回归神经网络在煤灰熔点预测中的应用

为了提高估算煤灰熔点的精度,采用广义回归神经网络(GRNN)对求解煤灰熔点问题进行了建模.将煤灰组分作为网络输入,煤灰软化温度作为网络输出,采用实验数据训练网络,训练完成的网络作为模型预测煤灰熔点.仿真结果表明,GRNN的预测值与实验值的最大相对误差为2.81%,而反向传播神经网络(BPNN)预测煤灰熔点的相对误差为3.62%.由于GRNN可应用于小样本问题的学习,GRNN比BPNN对煤灰熔点具有更好的预测和泛化能力.GRNN具有设计简单与收敛快的优点,并提高了实时处理与反映最新运行工况参数的预测能力.     

GM(1,1)改进模型在广西短期电力负荷预测中的应用

采用GM(1,1)改进模型与ARIMA(p,d,q)模型对广西自治区电网特殊日电力负荷进行组合预测,阐述了GM(1,1)改进模型的建立方法,提出了适用于广西自治区电网特殊日电力负荷预测的预测数据处理方法,提高预测的精确度,全年日精确度优于95%.解决了在日采样点为24点(正点采样)情况下预测确度较低的问题.     

函数联接神经网络在电力系统短期在线负荷预报中的应用

提出了2个新的用于实时在线短期负荷预报的函数联接神经网络(FLN)模型.2个模型都把负荷与气象参数结合起来构成非线性ARMA过程,并应用FLN的函数逼近能力获得了2个模型的参数.测试与在线操作表明2个模型的预测效果是令人满意的,24 h向前负荷预报的平均绝对百分误差(MAPE)对HFLN来说几乎都在3%以下,而对DFLN来说几乎都在5%以下.     

基于分段多目标相似日选取法的短期负荷预测

提出了一种基于分段多目标相似日选取算法.该方法将负荷进行分段处理,将一天的负荷根据负荷波动规律分为5段,每段分别选取相似日,可以很好地克服选择的相似日只有部分相似的情况,并提出了虚拟相似日的概念.采用负荷曲线形状相似度最大和曲线差异度最小的多目标粒子群算法,可以保证选择的相似日的负荷曲线与预测日的负荷曲线在形状上和数量上的差别最小,从而可以提高负荷预测的精度,根据该算法得到的特征系数可以很好地判断出影响该段负荷变化的主导因素.将该相似日选择算法结合改进灰色预测算法应用到某地实际负荷预测中,结果表明该算法在相似日选择和负荷预测中均具有较高的精度.     

智能算法在电网负荷预测中的应用研究

负荷预测作为电力系统规划运行的前提,在电力规划设计中无比重要.为了更加准确地预测出各地域各部门的电力负荷,研究将智能算法应用于电力负荷预测之中,这对城市及国家的电力规划设计有很大的意义.研究分别利用灰色预测理论及多元线性回归模型两种算法对芜湖市市辖区的用电量进行负荷预测,并将两种算法的预测精度进行了对比.这两种算法都符合预测的精度要求,且都提高了电力负荷预测的精确度,具有良好的应用前景.     

基于负荷分解的短期负荷预测传递函数模型

短期负荷预测主要用于预测未来几小时、1天甚至几天的负荷,对电力系统运行的安全性和经济性具有重要意义。时间序列模型在电力系统短期负荷预测中得到了广泛应用。然而,这种方法的一个主要缺点是无法将影响负荷预测的主要因素之一即气象因素考虑进去。在此背景下,首先基于历史负荷数据,采用传统的分解方法提取出负荷中的周期分量,得到剔除周期分量后的非周期分量。在此基础上,首先采用逐步回归法筛选出影响负荷非周期分量的主要因素,之后发展了预测负荷非周期分量的传递函数模型。最后,用广东电力系统实际负荷数据对所发展的短期负荷预测模型的准确性进行了验证。     

异程管网热湿负荷分配次优解群及适应性

提出了一种基于次优解群统计分析的异程管网热湿负荷分配方法,采用变步长+随机走步的寻优计算方法,获得空调季不同负荷率下热湿负荷再分配的次优解群,分析次优解群的随机行为和统计规律,以此探索复杂变量约束下的冷冻水系统负荷分配的优化控制策略及其适应性。根据计算结果,在40%、60%、80%、100%这4种负荷率下末端人数次优解重叠率最高达到24%。研究表明,次优解群随机行为与管网热湿负荷分配策略存在相关性,离冷源侧越近,末端人数次优解重叠率越高,分配策略的负荷适应性越好,其权重越大。     

基于乘积季节ARIMA模型的供热负荷预报

针对传统的供热调度缺乏对未来供热量进行有效估计这一问题,提出一种基于乘积季节ARIMA模型的供热负荷预报方法.将乘积季节ARIMA模型引入供热负荷预报,通过分析供热负荷数据其固有的趋势和周期性,建立适宜的季节性ARIMA模型,预测未来24小时的供热负荷.采用大庆地区某热力站的供热数据进行建模和仿真预测,其结果的最大误差为3.14%,日预报平均误差为1.45%.实验结果表明,给出的预报结果真实可靠,能够满足供热工程的实际需求,其预报值将成为供热负荷调度和节能的重要依据.     

结合改进残差网络和Bi-LSTM的短期电力负荷预测

为充分挖掘电力负荷历史数据的潜在特征,提高短期负荷预测模型的预测精度,提出了一种由改进残差网络（ResNetPlus）、注意力机制（Attention mechanism,AM）和双向长短期记忆网络（Bi-directional long short-term memory,Bi-LSTM）结合而成的残差AM-Bi-LSTM预测模型。该模型将历史负荷、温度和所预测日期的特征作为输入,在Bi-LSTM模型基础上,引入多层改进残差网络提取输入数据的隐藏特征,有效克服了网络隐藏层数加深导致的网络退化问题,使模型的反向传播能力大幅提升;加入注意力机制,分析网络中输入信息与当前负荷的相关性并突出重要信息的影响,从而提高模型的速度与准确率;使用Snapshot策略集成收敛于不同局部极小值的多个模型,以提升模型的准确率和鲁棒性。最后,使用美国ISO-NE数据集进行模拟预测,测试结果表明:所提模型的平均预测精度达到98.27%;在连续的12个月中采用该模型的平均预测精度相比于LSTM模型提高了2.87%;在不同季节下采用该模型的平均预测精度相比于AM-Bi-LSTM和ResNetPlus模型分别提高了1.05%和1.16%。说明所提模型相较于对比模型具有较高的准确率、鲁棒性以及泛化能力。     

抚宁县电力负荷的中期预测

根据秦皇岛市抚宁县 1992～ 2 0 0 1年 10a的实际用电量数据 ,采用灰色GM(1,1)模型对未来 10a的用电量进行预测 .因未通过关联度校验和后验差检验 ,故提出了灰色指数平滑预测方法 ,先对原始数据序列进行一次指数平滑 ,然后再建立灰色模型 .经检验模型合格 ,同时提高了预测精度     

基于加权残差聚类的建筑负荷预测区间估计

提出基于加权残差聚类的建筑负荷预测区间估计方法,旨在对建筑负荷预测模型的不确定性进行定量评估. 使用Shapley additive explanations方法量化负荷预测模型的每个输入对输出的贡献程度. 基于得到的贡献程度对模型输入进行加权聚类,获得不同聚类簇中的模型历史残差分布. 根据不同聚类簇中的残差分布估计模型的预测区间. 在深圳某办公建筑1 a的冷负荷数据集上进行验证. 结果表明,与传统不对输入进行加权的方法相比,该方法可以显著提高预测区间的估计精度. 期望得到的预测区间与该方法得到的预测区间的平均覆盖误差为1.87%,而传统方法的平均覆盖误差为2.27%. 该方法可以用于估计任何数据驱动的建筑负荷预测模型的不确定性,从而为优化控制和故障诊断提供更可靠的负荷预测模型.     

基于RBF-NN的电动汽车充电站短期负荷预测研究

为了应对电动汽车大规模并网后对地区电网负荷模式和可靠运行带来的影响,本文以某电动汽车充电站的相关数据为依据,分析研究了电动汽车充电站的负荷特性以及影响负荷变化的主要因素,构建了基于RBF-NN的电动汽车充电站短期负荷预测模型,同时通过仿真算例验证并与BP-NN预测模型进行了比较。结果表明,基于RBF-NN的短期负荷预测模型具有更好的预测精度,适用于电动汽车充电站的短期负荷预测。该研究为下一步工程实践应用提供了理论依据。     

基于灰色模型的海洋大数据迁移算法设计

针对海洋大数据环境的数据量大和实时动态变化的特点,提出了一种基于云存储的海洋大数据迁移算法。首先,对海洋大数据进行了表示;设计了一种灰色模型的服务器负载预测算法,该算法能根据服务器历史负载信息来预测下一个时刻的负载。基于服务器的负载预测信息,提出了一种对服务器的负载进行实时迁移的数据迁移算法,通过设定最大负载阈值和最小负载阈值来实现服务器负载的均衡分配。在CloudSim环境下进行实验,实验结果表明文中方法能有效地实现海洋大数据环境的云环境的负载均衡,具有负载均衡高和负载均衡效率高的优点,与其他方法相比,具有更好的负载均衡能力。     

LS-SVM在城市供热系统热负荷预测中的应用研究

为了对热负荷及时准确的预测,采用最小二乘支持向量机(Least squares support vector machines,LSSVM)算法,结合网格搜索的交叉验证参数寻优建立预测模型。实验表明,与遗传算法参数寻优的SVM相比,计算速度提高27倍,均方误差提高3倍,拟合相关参数达到99%,说明该模型能快速准确的预测预测下一个工作日的短期热负荷,是一种可行的、有效的预测方法。