基于相似日和多集成组合的短期负荷预测

针对短期电力负荷预测精度低、泛化能力弱等问题,提出了一种基于相似日选取与多集成组合的短期电力负荷预测模型.首先利用最大信息准则MIC(maximal information coefficient)选取高相关变量作为模型输入;然后综合考虑MIC与灰色关联度,对气象敏感性较弱地区的负荷进行相似日选取;最后引入集成随机子空...     

基于相似日选择和BP神经网络的商场短期负荷预测

为了改进传统楼宇短期负荷预测的准确度与效率,以上海市某商场建筑为研究对象,采取了基于相似日选取和BP神经网络的方法,对其夏季短期负荷进行了预测。首先,对夏季气象类因素进行去量纲处理,并采用灰色关联度挑选出对负荷影响最大的气象因素;然后,以关键气象因素为基准,采用加权相似度函数选择相似日,并按照相似度大小进行降序排列;最后,将相似日的负荷和关键气象因素数据输入到BP神经网络模型中,预测输出该商场2017年夏季短期负荷值,并对预测结果进行对比分析。通过实例数据进行了算例验证,结果表明,提出的方法具有较好的有效性和实用性。     

考虑气象累积效应的IPSO-BP神经网络短期负荷预测算法

气象因素是短期负荷预测中的重要因素,考虑气象累积效应选取相似日作为训练样本,提出基于改进粒子群优化算法的BP神经网络负荷预测方法(IPSO-BP)。首先通过相关性分析得出与日负荷相关程度较大的气象因素;在此基础上,采用加权几何距离选取与待预测日关联度较大的历史日作为相似日,并对IPSO-BP神经网络模型进行训练和预测。实际应用结果表明,所提出的预测模型和数据处理方法能够得到更加精确的预测结果。     

基于智能相似日识别及偏差校正的短期负荷预测方法

在传统负荷预测理论的基础上,提出了基于智能相似日识别及偏差校正的新型短期负荷预测方法。首先构建地市—相关因素特征矩阵,通过判断矩阵相关性智能选取负荷相似日,从而实现负荷曲线的一次预测。在此基础上,建立了实时气象偏差校正策略,采用XGBoost算法进行负荷曲线的二次偏差校正,达到短期负荷预测的目标。算例研究表明,该策略能够有效提升短期负荷预测精度,而且具有较好的自适应特性,可以应用于电力系统短期负荷预测实践。     

基于灰色投影改进随机森林算法的电力系统短期负荷预测

针对短期负荷预测领域传统的机器学习算法(如人工神经网络、支持向量机等)存在的诸如泛化性能不强、参数和模型结构确定困难等问题,将随机森林回归算法引入短期负荷预测领域。同时应用投影原理改进了传统的灰色关联相似日选取算法,提出了一种基于灰色投影改进随机森林算法的电力系统短期负荷预测组合方法。基于灰色投影的相似日选取方法,采用灰色关联度判断矩阵表征历史样本与待预测日影响因素间的关联关系,并用熵权法确立影响因素的权重对判断矩阵加权,最后利用各个样本关联度投影值排序得到相似日集合。采用随机森林算法建立预测模型,利用灰色投影筛选出的相似日样本集合训练模型,最后输入预测日特征向量(天气预报数值、日类型等)完成预测。以浙江电网某县级市的负荷数据作为实际算例,并将上述方法与支持向量机方法以及未作灰色投影改进的随机森林算法进行对比。实验结果表明,新方法具有较高的预测精度和鲁棒性。     

基于人体舒适度指数的配电网短期负荷预测方法

针对配电网负荷特点,提出了一种基于负荷曲线形状相似度与人体舒适度指数的配电网短期负荷预测方法。研究了负荷曲线形状相似的特点,依靠各时刻负荷差值期望,给出了一种负荷曲线形状相似度计算方法。针对气象因素对负荷的影响,引入了人体舒适度指数,并根据日最高气温与最低气温,给出了一种日人体舒适度指数相似度计算方法。根据配电网负荷类型特点,分析了节假日与正常工作日情况下,各类型负荷变化特性。结合上述特性,给出了一种配电网短期负荷预测方法,并详细论述了方法原理及步骤。结合某一配电网电源点9天历史数据与气象数据作为实例,表     

考虑实时气象耦合作用的地区电网短期负荷预测建模

传统的短期负荷预测中并未考虑实时气象因素的耦合作用,针对此提出了考虑实时气象耦合作用的时域卷积网络短期负荷预测方法。首先,分析了各项实时综合气象指数与负荷曲线的相关性,进而构建了混合日特征量与实时气象因素的相似日选取方法。然后,引入各项实时综合气象指数作为模型输入。最后,采用能够充分考虑并包容实时气象因素与负荷"时差性"特点的时域卷积网络进行日前负荷预测建模。实验仿真以某地区电网实际负荷为例,研究表明该预测模型能够有效提升地区电网日前负荷预测精度。     

基于最优交集相似日选取的短期母线负荷综合预测

准确的短期母线负荷预测是实现节能降耗与调度精细化管理的基础,提出一种基于最优相似日选取的综合预测方法。利用改进的聚类分析算法,得到历史标幺曲线的形状相似集与特征曲线。通过构造反映数据点性质的横向及纵向特征向量矩阵,辨识出坏数据并进行调整。计算日特征相关因素对负荷水平的影响,并将各因素的重要程度加权于模糊目标函数,得到目标日的负荷水平相似集。建立各类形状相似集的判别函数,并将目标日归类。对待预测日的负荷水平与曲线形状相似集,取两者的交集作为相似日选择结果。以该交集中与目标日日期差最小的样本为虚拟预测对象,计算综合预测中各算法的权重。实例分析表明,所提方法可有效改善原始数据的质量,提高母线负荷预测精度。     

基于TCN-LSTM和气象相似日集的电网短期负荷预测方法

为充分挖掘不同气象因素的相似日信息和输入特征蕴含的信息以提升负荷预测精度,提出一种基于时间卷积网络和长短期记忆网络组合（TCN-LSTM）和气象相似日集的电网短期负荷预测方法。首先通过Pearson系数和最大信息系数,选出与负荷强相关的气象因素;然后根据该气象因素,选取最佳相似日组成气象相似日集,以气象相似日集负荷、历史负荷、气象因素和时间因素作为预测模型的输入特征;最后,搭建TCN-LSTM预测模型,用TCN进行特征提取后,再用LSTM网络完成短期负荷预测。以中国某地区的实际历史数据进行仿真验证,结果表明所提预测方法可有效提升负荷预测精度。     

气象环境对电网负荷的影响因素分析

针对地区电网负荷易受多种气象因素影响,负荷预测中存在诸多不确定性问题,研究了气象因素对电网负荷的影响,最大程度减少由气象因素造成的负荷预测偏差。应用灰色关联度分析方法,基于大量历史数据,剖析气温、湿度、风速等气象因素与负荷特性变化的关联度,得到对负荷变化产生主要影响的气象因素。在此基础上,为了量化分析主要气象因素对负荷影响的程度,采用支持向量回归的方法得出日特征气象因素、实时气象因素对负荷变化的的灵敏度模型。同时,考虑到气温的累积效应对负荷特性变化的重要影响,研究气温累积效应对负荷的影响规律,得到气温累积效应修正公式,并用实例证明对历史数据经累积效应修正公式进行修正后,修正数据能够切实提高负荷预测的准确性。     

基于CNN-LSTM混合神经网络模型的短期负荷预测方法

为了更好地挖掘海量数据中蕴含的有效信息,提高短期负荷预测精度,针对负荷数据时序性和非线性的特点,提出了一种基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合模型短期负荷预测方法,将海量的历史负荷数据、气象数据、日期信息以及峰谷电价数据按时间滑动窗口构造连续特征图作为输入,先采用CNN提取特征向量,将特征向量以时序序列方式构造并作为LSTM网络输入数据,再采用LSTM网络进行短期负荷预测。使用所提方法对江苏省某地区电力负荷数据进行预测实验,实验结果表明,文中所提出的预测方法比传统负荷预测方法、随机森林模型负荷预测模型方法和标准LSTM网络负荷预测方法具有更高的预测精度。     

基于天气分类和卷积神经网络的短期负荷预测方法

为减少天气因素对短期电力负荷预测效果的影响,提高模型的预测精度,提出了一种基于天气分类和卷积神经网络的短期负荷预测模型。首先通过天气类型初分将原始数据样本集划分为晴天、阴天、多云和雨天4种类型。其次,为了识别相似气象条件,运用相关系数和k均值聚类方法,找到对新型负荷出力影响最大的气象因素,并对其聚类,选取高相似度的数据样本。之后根据特征选择的结果,构造神经网络输入数据集。最后,将该数据集输入至卷积神经网络训练并预测。通过算例验证分析所提模型具有更高的预测精度。     

电力短期负荷预测相似日选取算法

短期负荷预测是电力系统安全经济运行的基础,相似日选取的准确与否直接影响到短期负荷预测算法的精度。针对短期负荷预测的特点,提出一种能便于考虑各种因素影响的新算法。分析了气象、日类型等因素对负荷影响的常见规律,便于识别主导负荷变化的因素,建立了在短期负荷预测中选取相似日的新方法。理论和实例均表明,该方法适应性较强,能够通过历史数据分析从历史日中选取最合适的相似日,对提高短期负荷预测的精度具有较大价值。     

基于气象成分分解的夏季短期负荷预测

夏季负荷受温度等气象因素影响大,表现出随机性强、波动性大的特点。针对现有短期负荷预测模型在夏季预测精度不高的问题,提出在负荷成分分解的同时,将温度分解为日周期分量和波动分量,以此准确把握短时气象波动对夏季短期负荷预测的影响。在充分分析负荷各分量变化趋势及对整体负荷预测精度影响的基础上,针对各个负荷分量特征分别选择预测方法。在预测气象敏感负荷分量时引入温度波动分量,基于XGBoost智能算法构建预测模型。选用我国中部某市夏季历史负荷建立训练样本,对2017年8月份日96点负荷进行预测,预测结果验证了所提模型和算法的有效性。     

基于CNN-BiGRU-NN模型的短期负荷预测方法

为充分挖掘蕴含在大量采集数据中的有效信息,提高短期负荷预测精度,提出一种基于卷积神经网络（CNN）和双向门控循环单元（BiGRU）、全连接神经网络（NN）的混合模型的短期负荷预测方法,将海量的历史负荷数据、气象信息、日期信息按时间滑动窗口构造特征图作为输入,先利用CNN提取特征图中的有效信息,构造特征向量,再将特征向量作为BiGRU-NN网络的输入,采用BiGRU-NN网络进行短期负荷预测。以2016年举办的全国第九届电工数学建模竞赛试题A题中的负荷数据作为实际算例,实验结果表明：该方法与DNN神经网络、GRU神经网络、CNN-LSTM神经网络短期负荷预测法相比,有更高的预测精度。     

基于加权扩展日特征矩阵的分布式光伏发电日前功率预测

分布式户用光伏发电系统的精确日前功率预测可为智能家庭优化运行提供依据,但历史数据量少和缺乏精确辐照预报数据的问题增大了预测难度。为此,将邻近多用户数据融合以扩充样本规模,提出一种考虑功率关联性和相关度权重的相似日搜索方法,并基于长短期记忆(LSTM)神经网络实现日前预测。分析光伏发电功率的影响因素及其内在相关性,基于天气类型统计数据划分日类型,并利用气象信息、相同日类型的历史功率信息和皮尔逊积矩相关系数构造加权扩展日特征矩阵。提取历史数据中与待预测日特征矩阵欧氏距离最小相似日的光伏功率,将其与关键气象特征共同输入LSTM神经网络模型进行预测。以北美丹佛市多个用户的实测数据验证了所提方法的有效性,该方法能够适用于历史数据受限的场景,且在多种天气类型下显著降低了预测误差。     

Next day load curve forecasting using hybrid correction method

This work presents an approach for short-term load forecast problem, based on hybrid correction method. Conventional artificial neural network based short-term load forecasting techniques have limitations especially when weather changes are seasonal. Hence, we propose a load correction method by using a fuzzy logic approach in which a fuzzy logic, based on similar days, corrects the neural network output to obtain the next day forecasted load. An Euclidean norm with weighted factors is used for the selection of similar days. The load correction method for the generation of new similar days is also proposed. The neural network has an advantage of dealing with the nonlinear parts of the forecasted load curves, whereas, the fuzzy rules are constructed based on the expert knowledge. Therefore, by combining these two methods, the test results show that the proposed forecasting method could provide a considerable improvement of the forecasting accuracy especially as it shows how to reduce neural network forecast error over the test period by 23% through the application of a fuzzy logic correction. The suitability of the proposed approach is illustrated through an application to actual load data of the Okinawa Electric Power Company in Japan.     

基于相似日和WNN的光伏发电功率超短期预测模型

光伏发电功率预测对提高并网后电网的稳定性及安全性具有重要意义。文章提出一种基于相似日和小波神经网络(WNN)的光伏功率超短期预测方法。首先利用光伏发电系统的历史气象信息建立气象特征向量,通过计算灰色关联度寻找到合适的相似历史日。再根据自相关性分析法找出与预测时刻功率相关性最大的几个历史时刻功率,结合历史时刻的温度,辐照度,风速等光伏出力的主要天气影响因素科学合理的确定模型输入因子。最后使用小波神经网络(WNN)创建预测模型,通过相似历史日数据作为训练样本训练小波网络,而后对预测日的出力情况进行逐时刻预测。实例分析表明,该方法具有较高的预测精度,为解决光伏发电系统超短期功率预测提供了一种可行路径。