基于灰色模型和Kalman平滑器的多母线短期负荷预测

提出一种基于灰色模型和Kalman平滑器的多母线短期负荷预测方法。首先利用频域分解消去母线负荷序列的周周期分量,建立序列的灰色模型;利用系统负荷预测方法得到系统负荷预测值。然后基于灰色模型,将各母线负荷的累加序列作为状态,系统负荷的累加序列作为观测,建立线性离散随机系统模型,利用Kalman平滑器计算各母线负荷累加序列的最优估计值,最后经过累减还原并加上周周期分量得到母线负荷的预测值。Kalman平滑器利用高准确率的系统负荷预测结果对母线负荷预测进行调整,降低预测误差。在实际系统中进行了仿真验证,证明了该方法的有效性。     

电力系统短期负荷预测模型研究

给出电力系统短期负荷预测的两种模型——变差分析模型和年度分解模型。变差分析模型将负荷分解为基准值、年度变差、月份变差以及随机变差,通过对其分别估计便可得到负荷的预测值;年度分解法先通过预测年度负荷,再预测每月的负荷贡献率,即可得到负荷预测值。实例分析表明,这两种方法都是有效的、实用的     

短期负荷局部线性嵌入流形学习预测法

考虑短期日负荷预测各时刻点之间的整体性和相关性,提出一种从整体上刻画和预测短期日负荷的新方法。将日24点负荷数据值看作一个24维数据集,从多维角度挖掘负荷复杂的变化规律,建立高维预测模型。利用流形学习理论对建立的高维模型进行有效降维,从而提取高维空间数据的固有属性和整体几何规律,揭示其蕴含的有效信息。采用局部线性嵌入法（locally linear embedding, LLE）对24维负荷数据进行非线性降维,在低维空间内进行负荷预测,再用LLE重构得到24个时刻的预测值。仿真结果表明本文提出方法相比于传统一维分量预测法精度更高、速度更快。     

应用变差模型对广西电网月负荷预测的研究

给出电力系统短期负荷预测的变差分析模型。将负荷分解为年度变差、月份变差和随机变差，通过对其进行分别估计便可得到负荷的预测值。并以广西电网在不同的采样年限下的负荷进行预测，实例分析表明了该方法的有效性、简易性和实用性。     

基于变结构协整理论的中长期电力负荷预测模型

提出了一种基于变结构协整理论的电力系统负荷预测建模新方法，所建模型反映了用电量和经济参数之间的长期静态和短期动态波动的均衡关系。提出了一种比较符合电力系统实际情况的时间序列突变点确定方法，并利用突变点信息提高了模型的预测精度，避免了传统的负荷预测中经常存在的伪回归问题。采用该方法对中国年度用电量和国内生产总值数据进行了预测分析，结果表明了该方法的有效性。     

基于Matlab的电力系统中长期负荷预测及应用

在中长期负荷预测理论和方法的基础上,利用Matlab强大的数据处理能力和Visual C++的灵活性,通过混合编程开发了电力系统中长期负荷预测软件。该软件实现了几种典型的负荷预测方法,包含一元线性回归模型、抛物线模型、Logistic回归、移动平均算法、灰色系统预测模型等。将该软件应用到江苏电网的中长期负荷预测中,在分析影响负荷预测的相关因素的基础上,提出考虑相关因素的分类专用的年度和月度预测方法。     

电力系统短期负荷预测中非线性模型的研究与应用

介绍了时间序列分析中的一类非线性模型-SETAR模型的特点及其建 模，将这一模型应用于电力系统的短期日负荷预报。这种模型可以描述一些非 线性的时间序列，在负荷序列波动较大时仍能进行很好的预测，实例计算结果 表明预测精度满足要求，证实了将这一模型应用于电力系统短期负荷预测是可 行的。     

基于经验模态分解法的短期负荷分层预测

电力系统短期负荷预测是电力系统经济调度中的重要内容.目前短期负荷预测的预测方法大多是从总负荷入手进行分析建模,未能充分关注负荷变化的各个组成成分.本文提出1种短期负荷分层预测法.首先,运用经验模态分解法自适应地将总负荷分解为若干个独立的内在模式;然后,对高频、低频和趋势分量分别采用正常日点对点倍比模型、多元回归模型和GM(1,1)模型进行预测;最后,将3个分量的预测结果叠加作为最终的预测值.实例研究表明,该方法有效地提高了短期负荷预测的准确度.     

灰色Verhulst模型在中长期负荷预测中的应用

灰色系统预测模型用于中长期负荷预测是一种有效的方法。但是，当负荷按照“S”型曲线增长或增长处于饱和阶段时，采用灰色模型进行负荷预测的误差较大，预测精度不能满足实际要求。将灰色Verhulst模型引入到负荷预测中，可以很好地解决这个问题。作者通过典型的实例介绍了灰色Verhulst模型在中长期负荷预测中的应用。结果表明，此模型在负荷预测中是适用的，尤其对于负荷按“S”型曲线增长的情况，不但具有较高的预测精度，同时保留了灰色预测方法的优势和特点。     

小波包变换在冲击负荷地区短期负荷预测中的应用

针对大量冲击负荷接入系统给负荷预测造成困难,提出一种基于小波包变换的电力系统短期负荷预测新方法:通过小波包变换将负荷序列分解成不同频率的负荷子序列,根据负荷分量不同的变化特点,分别采用相匹配的模型进行预测,最后叠加各子序列的预测值,得出实际预测结果。选择广东某电网实测负荷数据作为算例,仿真结果表明该方法能有效提高冲击负荷地区的短期负荷预测精度。     

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。     

运用遗传规划法进行电力系统中长期负荷预测

运用遗传规划法进行中长期负荷预测,将预测模型作为遗传规划中的个体,根据"优胜劣汰"的原则,运用复制、变异和交叉三个主要的遗传算子操作,搜索最优预测模型。它根据历史样本数据自动生成负荷预测模型,包括模型的函数形式以及模型参数。同时在模型的实现上对遗传个体进行Read线性编码,用十进制编码来代替个体树,通过对编码的操作来实现各种遗传操作,极大地提高了程序运算效率。通过对某地的年用电量进行预测,同时与传统的多元线性回归模型进行比较,结果表明,GP模型可以显著提高预测精度。     

GMDH方法在中长期电力负荷预测中的应用

在时间序列预测法的基础上,将数据处理组合方法GMDH应用于中长期电力负荷预测。介绍了GMDH的基本原理,根据历史数据建立GMDH模型,通过某地区电力负荷预测实例,对电力负荷值进行了计算分析,结果表明该方法可获得较高的预测精度。     

基于粗糙集理论的灰色理论中长期负荷预测法

针对城市配电网负荷受各种不确定因素的影响很大问题,应用粗糙集理论研究了历史数据不确定性影响下的配电网中长期负荷预测,利用粗糙集理论与灰色理论相结合,提出了适合配电网总量负荷预测的方法,通过实际算例验证了此种方法的有效性.     

负荷非线性变结构特性及其建模研究

当电力负荷面临较大跨度的电压、频率扰动时,其非线性变结构特征表现相当明显,尤其是在电力系统中长期动态过程中。针对现有的单一结构负荷模型已无法准确描述电力负荷的非线性变结构特性的问题,首先通过对现有的静态模型进行分析,引入分段建模的思想,提出了一种新的变结构的静态模型;然后采用自适应神经模糊推理系统建立全局动态变结构负荷模型,描述电力负荷的非线性变结构特性。仿真数据建模实例验证了该方法的有效性和可行性。全局变结构负荷模型的提出为电力系统中长期动态负荷建模提出了一条新的思路,可以较大程度地提高电力系统中长期动态仿真的准确度。     

基于支持向量机回归组合模型的中长期降温负荷预测

提出基于支持向量机回归组合模型的中长期降温负荷预测方法。其中,支持向量机模型以多种社会经济数据为输入参数,年最大降温负荷值为输出参数。在训练过程中采用网格搜索法对支持向量机回归模型参数进行优化;回归分析中,综合采用线性、二次和三次多元回归的组合模型;最后利用最优组合预测方法将二者组合。采用广东省2008~2011年实际负荷数据和社会经济数据为训练样本,2012~2014年数据为测试样本,对支持向量机回归组合预测模型进行验证,同时也对2015和2020年最大降温负荷进行预测。结果表明,预测值与真实值的误差控制在5%以下,验证了该中长期降温负荷预测模型的有效性。目前该预测模型已在广东电网得到实际应用。     

电力系统中长期负荷的可变权综合预测模型

中长期电力负荷预测是电力系统安全调度、经济运行、优化规划和科学管理的基础与前提，预测的精度高低对国民经济各部门至关重要，因而对电力负荷中长期预测方法的研究既有理论价值又有实际意义。鉴于中长期负荷预测具有研究时间跨度长，影响预测的物理因素复杂且不确定性较大等特点，同时现有的综合预测模型中大都采用了固定不变的权重，本文提出了一种权重可变的电力负荷综合优化预测模型，以更好地反映电力负荷变化的规律。详细的算例分析充分说明了该预测方法的有效性。     

基于粗糙集和多元线性回归的电力系统中长期负荷预测

基于粗糙集理论和多元线性回归模型,提出一种预测电力系统中长期负荷的新方法。首先采用一种完备的属性约简算法对影响电力负荷的诸多相关因素进行约简,得到与负荷关系最为密切的核心因素。在此基础上,建立多元线性回归模型来预测未来年的负荷。对一个实际电网的负荷进行预测,结果表明所提方法符合中长期负荷预测的特点并具有较高的预测精度。     

基于粗糙集理论与D-S证据理论改进的多元回归负荷预测方法研究

当前,中长期负荷预测大多采用多元回归算法,但在建模时对影响因子及历史年的选择缺乏良好的依据,很难在考虑更多影响因子及历史年数据与降低回归模型误差之间做出平衡。这使多元回归算法在实际负荷预测中的精准度很不稳定。将粗糙集理论与D-S证据理论引入多元回归算法,利用粗糙集理论对影响因子进行重要性排序。分别以历史年和影响因子为对象进行聚类,以此建立多个多元回归模型。利用D-S证据理论对多个组合预测的权重分配方案进行权重融合,得出最终基于多元回归分析法的组合预测模型。经算例验证,该模型能较好地平衡影响因子和历史年的选取,能有效提高多元回归算法在中长期负荷预测中的准确性,适用性强。     

神经网络预测中长期电力负荷对比研究

为避免传统方法预测中长期电力负荷建模的复杂性,根据电力负荷历史数据,研究了基于LM算法的BP网络、RBF网络在中长期电力负荷预测中的应用,通过神经网络对训练样本的学习,自动提取影响中长期电力负荷的诸多因素。从训练速度、预测误差等方面分析对比了两种神经网络预测能力,仿真和实例数据表明了两种神经网络在中长期电力负荷预测方面的可行性和良好效果。