基于滤波算法的节假日短期负荷预测研究

针对节假日短期负荷变化幅度大,难以精确预测,提出了一种基于滤波算法的节假日短期负荷预测算法。简要介绍了卡尔曼滤波和维纳滤波的预测原理,结合电力负荷实际情况,建立了相应的短期负荷预测模型。对节假日负荷进行了预测,证实了应用滤波算法进行负荷预测的可行性和有效性,并对比了两种预测算法。针对大幅度负荷变化导致预测精度不高的问题,讨论了基于滤波算法误差原因,在此基础上,提出了通过引入修正因子对预测结果进行修正。修正后的预测结果具有很高的精度,证实了改进算法的正确性和有效性。     

基于变化趋势和气象因子的加权负荷预测方法

针对采用趋势变化法预测电力负荷时,存在因未充分考虑气象因素而影响预测精度的问题,提出了一种基于变化趋势和气象因子的加权负荷预测方法。该方法综合考虑气温、湿度和天气类型3个气象因子,对基于变化趋势的电力负荷预测方法进行修正。分析了基于变化趋势的电力负荷预测方法存在的 2 个问题：未考虑外界因素对电力负荷变化趋势的影响和预测电力负荷时存在累计误差。在充分研究日内平均负荷变化率和点间平均负荷变化率的基础上,给出了算法的详细计算步骤,并将其应用于苏北某地区电力负荷的预测算例中。结果表明该方法的预测误差为 3.42%,预测精度高且数据波动小,验证了该方法的有效性和可行性。     

提高时间序列气象适应性的短期电力负荷预测算法

采用时间序列中的自回归求和移动平均算法(ARIMA)对日负荷进行粗预测,获得消除了周期性的受气象因素影响较强的差值序列。结合气象信息,为小规模神经网络构造能反映气象变化的新息序列,为网络提供良好的训练与适应环境,训出对气象非平稳变化敏感的输出因子Y,再用敏感因子对ARIMA算法的预测结果进行修正,从而构建出对气象适应性较强的ARIMA Y的预测算法。利用Delphi5．0实现的负荷预测软件对广西负荷区进行预测,多年的运行证明：该算法对广西负荷区气象非平稳变化具有很好的敏感性和适应性,能显著提高气象非平稳变化日的预测准确率,较好地解决了在气象变化影响下用ARIMA算法预测准确率偏低的问题。     

考虑积温效应的夏季日最大负荷预测研究

在夏季持续多日高温情况下,由于积温效应的影响,预测日之前若干天的气温对预测日的最大负荷有着明显影响。据此,在预测模型中考虑积温效应的影响对于改善夏季日最大负荷预测精度有着重要意义。建立了以高温持续期的气温、持续时间及预测日气温为输入、气温修正量为输出的模糊推理系统,对夏季每日的气温进行修正。算例结果表明,该预测方法能很好地跟踪日最大负荷,有效改善负荷预测的精度。     

针对气象因素的短期负荷预测修正方法

由于受气象因素的影响,目前的短期负荷预测方法的结果误差往往偏大,需要进行人工修正。文中通过分析多种气象因子与电网负荷的相关性,找出气象因素与电网负荷的对应关系。在此基础上给出了经验性的修正模型库的建立方法,并针对湿度、降雨、温度、气压等因素建立了相应的修正模型,编制出符合负荷预测要求的实用软件。测试结果表明,由于考虑了气象因素的影响,预测模型具有较好的精度。     

基于改进蚁群神经网络的短期负荷预测

在传统神经网络负荷预测的基础上,采用蚁群算法优化神经网络的权值,同时再用模糊逻辑对影响负荷的随机因素进行修正,提出了改进的蚁群神经网络算法。对四川某500kV变电站进行短期负荷预测,结果表明这一算法能获得较高的预测精度,是一种行之有效的短期负荷预测方法。     

基于相似日负荷修正的台风期间短期负荷预测

在台风期间现有的负荷预测方法的预测精度一般不高.在此背景下,以广东地区为例,首先分析了气象因子与系统负荷之间的相关性,从总负荷中分解出趋势分量、周期分量和气象敏感分量,在此基础上提出了基于相似日气象负荷修正的适用于台风期间的短期负荷预测方法.同时,为克服台风日样本较少所导致的预测困难,将近期及往年同期气象因素相似的历史日扩充到相似日样本中,并引入趋势相似度因子、气象相似度因子和时间相似度因子来评估历史日的相似性.用广东电力系统的实际数据做了测试,预测结果表明采用所发展的修正模型时台风日的负荷预测精度较现有方法有了较大提高.     

计及气温因素的年度负荷预测修正方法

为剔除气温敏感负荷对发展趋于饱和地区年度负荷预测的影响,提出计及气温因素的年度负荷预测原始数据和预测结果修正方法.根据年最大负荷与年最高温度的分段线性关系建立综合调整模型,基于该模型提出了负荷预测历史数据还原和预测结果数据调整方法,并给出预测调整修正算例.实际算例表明,该方法在上海市区的负荷预测过程中能充分考虑最高气温对最大负荷的影响,提高了负荷预测的实用性和有效性.     

短期负荷预测中对输入-输出关联度的改进

为了提高某一个省短期电力负荷预测的精度,应该充分利用全省各个地区的气象因素.以湖南省为例,采用粒子群算法来优化湖南省14个地区气温的权值比率,用各地区的气温加权平均得到一个最合适的全局气温.优化后的气温与全省电力负荷的关联度更高.以该气温作为负荷预测系统的输入气温,提高了负荷预测的精度.算例分析结果证明了该方法的有效性...     

基于生长曲线与气温累积效应的气象负荷预测

夏季受高温天气的影响,由降温设备所引起的气象负荷日趋变大。针对气象负荷获取困难以及负荷预测精度不高的问题,提出一种新的气象负荷预测方法。首先,为获得准确的气象负荷数据,采用生长曲线来描述基础负荷的增长特性,通过剔除基础负荷来获得气象负荷数据;其次,考虑到夏季高温天气的气温累积效应,需要对高温天气的日最高温度进行修正,提出一种基于气象负荷的温度修正方法及相应模型;最后,建立粒子群优化的极限学习机负荷预测模型,分别对总负荷和气象负荷进行预测。算例分析结果表明,基于生长曲线与气温累积效应提升了负荷预测效果,验证了所提算法和模型的有效性。     

综合权重的模糊时间序列的电力负荷预测方法

电力负荷预测受诸多因素的影响,针对短期电力负荷的复杂性和不确定性,结合历史负荷数据,提出了一种综合权重的模糊时间序列预测方法。该方法首先对历史负荷数据进行预处理;然后利用模糊集和模糊时间序列的方法将历史负荷数据模糊化,考虑到负荷变化的趋势,借助于最优化理论给出了趋势权重,同时考虑到近期数据影响大于远期数据,给出了时间占优权重,从而得到了综合权重的模糊时间序列预测方法。最后的数值实验结果表明,该方法比传统的模糊时间序列方法具有更高的预测精度。     

基于改进Autoformer模型的短期电力负荷预测

针对短期电力负荷预测因受天气、温度、节假日等多重不确定性因素影响而造成精度低的问题,提出一种基于改进Autoformer模型的短期电力负荷预测模型。改变序列分解预处理的惯例,设计深度模型的内部分解模块,该模块提取模型中隐藏状态的内在复杂时序趋势,使得模型具有复杂时间序列的渐进分解能力;提出Nystrom自注意力机制,该机制利用Nystrom方法来逼近标准的自注意力机制。某地电力负荷预测实验结果表明,所提模型比基于标准Autoformer模型的短期电力负荷预测模型的时间复杂度更低,准确率更高。     

基于完整自适应噪声集成经验模态分解的LSTM-Attention网络短期电力负荷预测方法

短期电力负荷预测在电网安全运行和制定合理调度计划方面发挥着重要作用。为了提高电力负荷时间序列预测的准确度,提出了一种由完整自适应噪声集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)和基于注意力机制的长短期记忆神经网络(long short-term memory network based on attention mechanism, LSTM-Attention)相结合的短期电力负荷预测模型。完整自适应噪声集成经验模态分解有效地将负荷时间序列分解成多个层次规律平稳的本征模态分量,并通过神经网络模型预测极大值,结合镜像延拓方法抑制边界效应,提高分解精度,同时基于注意力机制的长短期记忆神经网络自适应地提取电力负荷数据输入特征并分配权重进行预测,最后各预测模态分量叠加重构后获得最终预测结果。通过不同实际电力负荷季节数据分别进行实验,并与其他电力负荷预测模型结果分析进行比较,验证了该预测方法在电力负荷预测精度方面具有更好的性能。     

基于分配因子和信息熵的母线负荷组合预测模型

负荷预测是指导电力系统规划和安全经济运行的重要依据。传统的负荷预测一般指区域负荷总量的预测,不能够体现底层母线负荷水平,无法满足电网精益化管理的要求。因此,母线负荷预测是解决这一问题的关键途径。然而,系统内母线数量庞大,负荷基数小,特性各异,波动性强,给母线负荷预测工作带来了困难。本文研究了母线负荷预测模型,根据实际电网情况提出了负荷分配因子的概念及预测思路;充分考虑历史数据的有效性,采用日特征量和趋势相似度综合选择相似日,并提出基于信息熵的变权重组合预测方法,提高各类型负荷预测精度;结合类型负荷预测结果和负荷分配因子,最终得到各条母线的预测结果。采用某区域电网负荷进行实例验证,结果表明,本文所建立的预测模型具有良好的预测精度和稳定度。     

基于IFOA-GRNN的短期电力负荷预测方法研究

针对智能用电环境下负荷随机性强、短期电力负荷预测精度差、计算时间长等问题,提出了一种结合改进果蝇优化算法IFOA和广义回归神经网络GRNN的预测方法。模型的输入因子为负荷数据和气象信息等。通过改进果蝇优化算法的搜索距离,增强其搜索能力,优化广义回归神经网络GRNN的平滑因数,提高预测的网络性能和精度。通过仿真验证预测方法的准确性和有效性。结果表明,改进后的方法可以减小预测误差,提高算法的稳定性。该研究为我国电力负荷预测的发展提供了参考和借鉴。     

考虑数据周期性及趋势性特征的长期电力负荷组合预测方法

为解决长期电力负荷预测精度不足及模型适用性不强等问题,考虑将区域经济发展、社会发展等多项宏观指标与区域用电负荷的时间序列数据进行因素耦合。利用BP神经网络与差分整合移动平均自回归方法(ARIMA)整合改进预测模型,提高年度负荷预测模型的趋势预测能力。采用函数型非参数方法预测月度负荷数据中周期性负荷数据,将年度负荷预测与月度负荷预测相结合以提高模型整体预测精度。最后通过灰色预测等模型数据比对及MAPE误差分析方法验证,考虑数据周期性与趋势性组合的模型方法预测精度显著提升,适用于区域电力负荷的长期性预测。     

基于最大信息挖掘广域学习系统短期电力负荷预测研究

为了进一步挖掘混沌系统的演化信息,提升预测精度,减少训练时间,提出了一种基于最大信息挖掘广域学习系统多核最小二乘支持向量机(Least Square Support Vector Machine, LS-SVM)短期电力负荷预测算法。为了有效地捕捉电力负荷的非线性信息,引入了一种改进的漏积分器动态储层,不仅可以获取系统当前状态的信息,而且可以学习历史信息,进一步通过非线性随机映射充分挖掘非线性信息。提出了一种多核LS-SVM预测模型,有效综合了各个核函数的优点。通过两个电力负荷预测案例将文中方法与传统的反向传播算法和支持向量机算法进行预测误差对比,预测结果验证了所提出的混沌时间序列预测算法具有较高的预测精度,适用于短期电力负荷预测。     

基于串行式GA-BP的短期负荷预测方法

针对短期电力负荷预测问题,提出一种基于串行式遗传算法-反向传播神经网络模型的预测方法。首先,由关联分析法确定负荷主要影响因素。然后,确定反向传播神经网络1的输入量为负荷主要影响因素,输出量为相应负荷值,实现多因素回归预测。最后,将反向传播神经网络2串行式融入,并确定其训练数据集为反向传播神经网络1的预测值集,继而实现时间序列预测。两个反向传播神经网络在训练前均采用遗传算法进行初始权值阈值的优化,该方法实现了多因素回归预测与时间序列预测的融合。仿真结果表明,本文所提方法较其他同类型负荷预测方法具有更高的预测精度,可较好地应用于负荷预测工作。     

电力负荷混沌动力特性及其短期预测

根据非线性动力系统理论进行负荷建模和预测,并将预测精度作为一种辨识工具,用于分析电力负荷变化的动力特性。分析结果表明,可将负荷的变化特性描述为低维混沌系统。根据负荷的混沌特性及一步向前预测的精度提出一种优选重构参数的方法,并采用基于相空间重构的加权一阶局域法多步预测模型进行了负荷预测。相空间模型能识别负荷序列的内部特性并进行预测,因此是分析和预测负荷的有效工具。     

月前日负荷曲线的概率预测和随机场景模拟

针对现有中长期日负荷曲线预测方法大多为点预测,难以满足电力系统不确定性分析的不足,提出了一种基于因子分析和神经网络分位数回归的月前日负荷曲线概率预测和随机场景模拟方法。采用因子分析技术,在保留日内负荷时序相关性的前提下,对日负荷序列向量降维;提取出少数相互独立的负荷公共因子作为预测变量,以日气象因素、星期类型和前一日公共因子值为输入特征,建立计及相邻日负荷相关性的神经网络分位数回归概率预测模型;以此为基础,利用中期气象预报信息,逐日预测和模拟未来30日的负荷曲线,并生成未来月负荷曲线的随机模拟场景。实际算例结果验证了所提概率预测方法的准确性和高效性,其生成的日负荷曲线模拟场景更好地体现了负荷的时序相关性,能为调度人员提供更准确、全面的月前负荷预测信息。