首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到20条相似文献,搜索用时 93 毫秒
1.
小波变换在时域和频域都具有良好的局部化性质,在电力系统负荷预测中得到了广泛应用.小波变换的实质是卷积运算,在负荷预测过程中存在边界效应,降低了预测的精度.本文采用阈值处理和差分补偿数据延拓方法对原始数据进行处理,然后采用Mallat分解算法对处理后的负荷序列进行分解,针对电力负荷为随机序列的特点,利用时间序列法的随机模型对小波子序列分别进行预测,最后采用Mallat重构算法对预测结果进行重构,提出了一种基于Mallat算法的负荷预测实用方法.算例结果表明该方法有效地减小了边界效应对预测结果的影响,针对具有随机序列特点的电力负荷的预测具有良好的计算精度.  相似文献   

2.
小波变换在时域和频域都具有良好的局部化性质,在电力系统负荷预测中得到了广泛应用。小波变换的实质是卷积运算,在负荷预测过程中存在边界效应,降低了预测的精度。本文采用阈值处理和差分补偿数据延拓方法对原始数据进行处理,然后采用Mallat分解算法对处理后的负荷序列进行分解,针对电力负荷为随机序列的特点,利用时间序列法的随机模型对小波子序列分别进行预测,最后采用Mallat重构算法对预测结果进行重构,提出了一种基于Mallat算法的负荷预测实用方法。算例结果表明该方法有效地减小了边界效应对预测结果的影响,针对具有随机序列特点的电力负荷的预测具有良好的计算精度。  相似文献   

3.
短期电力负荷预报间隔采样混沌模型   总被引:5,自引:3,他引:5  
现有研究工作表明电力系统负荷数据具有弱混沌性。在负荷预测混沌建模方法中,Lvapunov指数预报模式具有理论基础强、模型简单、预测精度高等优点,但预测时限受负荷吸引子最大Lyapunov指数限制。针对Lyapunov指数预报模式的不足,提出了k-△t间隔采样混沌模型,首先将原始负荷序列分解为多个不相交的了序列,然后对各个子序列分别建立Lyapunov指数预报模型。改进了求解最大 Lyapunov指数的方法,探讨了原始负荷序列最大可分解子序列数目的确定依据。数值实验结果表明文中提出的模型能有效地提高负荷预测精度、增加预测时限。  相似文献   

4.
用电负荷的预测是一个包含很多不确定因素的复杂问题,通常根据已有负荷数据建立模型进行预测,将近期负荷数据与远期负荷数据相结合,综合不同特征的负荷数据信息。针对单项预测模型在电网实时日负荷预测的局限性,建立了由ARMA模型和ANN模型为基础结合纵横交叉算法的混合预测模型。该模型采用时间序列模型处理连续纵向负荷数据,采用神经网络技术处理断续横向负荷数据,对计算得到的纵向、横向预测值加权计算,获得交叉预测值。提出的对纵向连续负荷数据和横向断续数据分别建模的纵横交叉预测法,以获取尽可能多的重要预测信息,提高预测精度。在某电网上进行了实例测试,具有较好的效果。  相似文献   

5.
基于灰色理论的中长期负荷预测   总被引:3,自引:0,他引:3  
对负荷预测中的灰色预测方法进行了深入的研究,找出了灰色建模的局限性并提出了改进方法.通过对负荷原始数据序列的预处理及优化,增强了灰色预测对波动负荷数据序列的处理能力,利用等维新息递推GM(1,1)模型进行预测,保证了预测能够较为充分地利用新信息.经过改进之后的模型,扩展了普通GM(1,1)模型的适应范围,提高了预测精度.利用实例将改进模型与普通GM(1,1)模型进行比较,证明改进模型具有比普通GM(1,1)模型误差小、精度高的优点.  相似文献   

6.
用电负荷数据的波动性和周期性会影响电力负荷预测的准确性,针对此问题,文中提出了一种基于正交小波长短期记忆神经网络(orthogonal wavelet transform-long short-term memory, OWT-LSTM)的用电负荷预测方法。该方法对用电负荷序列进行正交小波分解,消除负荷数据的波动性,然后利用LSTM及其变种神经网络对正交小波分解后的各尺度负荷序列进行建模训练,通过各序列预测结果进行预测重构,获得最终的负荷预测结果。通过用户用电负荷数据集验证表明,该方法的预测性能优于其他模型,具有较高的预测精确性和稳定性。  相似文献   

7.
鉴于传统DGM(1,1)模型建模过程中假定原始数据序列服从近似指数增长规律,且以数据序列的第1个数据保持不变得出预测结果的缺陷,利用组合函数"对数-幂函数"对原始数据进行处理,使其符合灰色预测模型的建模规律,引入遗传算法寻求离散灰色模型初始迭代值的最优解,建立了基于组合函数和遗传算法改进的离散灰色模型。负荷预测案例得出所建模型的平均相对误差(MAPE)为0.892%,而GM(1,1)预测的MAPE为1.580%,DGM(1,1)预测的MAPE为1.343%,证明该改进模型有效提高了预测精度。  相似文献   

8.
准确的短期电力负荷预测对保证电网安全稳定运行、能量优化管理、提高发电设备利用率和降低运行成本等具有重要作用。传统时间序列分析方法难以学习短期电力负荷数据的非线性特征,因此论文首先将支持向量回归、高斯过程回归和前向神经网络等经典机器学习法应用于短期电力负荷预测的适用性和预测效果进行对比分析;预测评价指标表明机器学习方法能够得到较高的预测精度,适用于处理含强非线性特征的短期电力负荷数据;在此基础上,进一步提出一种基于时间卷积深度学习网络的短期电力负荷预测方法,该模型具有从大样本时间序列中提取特征和实现预测的能力,其模型架构能有效解决深层网络学习的退化问题;最后,以实际电力负荷数据作为算例对所提模型进行测试。实验结果表明,时间卷积网络可以获得更高的预测精度,深度学习方法相较于经典机器学习方法在非线性特征学习方面更具优势。  相似文献   

9.
根据灰色系统理论数据生成方式,提出了利用负荷级比累加序列进行卡尔曼滤波短期负荷预测的方法,以减小数据波动对预测精度的影响.首先依据移动时间窗原理对预测点附近的历史负荷数据进行提取,再采用级比和累加生成方式对提取数据进行处理,最后运用卡尔曼滤波算法对负荷级比序列累加值进行预测,并通过还原算法得到所需预测时刻的负荷值.对实际电网的负荷数据进行为期一周的仿真分析,其结果表明了该方法比基本的移动时间窗滤波算法具有更好的预测效果.  相似文献   

10.
基于GRU-NN模型的短期负荷预测方法   总被引:3,自引:0,他引:3       下载免费PDF全文
目前基于统计分析和机器学习的预测方法难以同时兼顾负荷数据的时序性和非线性特点。文中提出了一种基于GRU-NN模型的短期电力负荷预测方法。该方法基于深度学习思想处理不同类型的负荷影响因素,引入门控循环单元(GRU)网络处理具有时序性特点的历史负荷序列,建模学习负荷数据内部动态变化规律,其输出结果与其他外部影响因素(天气、日类型等)融合为新的输入特征,使用深度神经网络进行处理,整体分析特征与负荷变化的内在联系,最后完成负荷预测。以美国某公共事业部门提供的公开数据集和中国某地区的负荷数据作为实际算例,该方法预测精度分别达到了97.30%和97.12%,并与长短期记忆神经网络、多层感知机以及GRU神经网络方法进行对比,实验结果表明所提方法具有更高的预测精度和更快的预测速度。  相似文献   

11.
短期负荷预测中支持向量机模型的参数选取和优化方法   总被引:24,自引:5,他引:24  
讨论了基于支持向量机的电力系统负荷预测模型建模方法。对建立支持向量机模型,通过对模型结构的分析,提出了模型学习参数的选取方法,给出了基于最优方向搜索的高斯核函数参数的优化算法。针对负荷预测模型,对模型的输入变量采用规范化预处理消除了量纲不一致对SVM模型的不利影响,通过对数变换将模型输出的相对误差转化为模型输出的绝对误差,便于模型学习参数的选择。最后采用实际数据对该方法进行了模拟计算,其结果表明该方法可以有效地降低SVM模型的建模误差和测试误差,而且SVM模型比模糊模型和神经网络模型有更好的泛化性能和预测精度。  相似文献   

12.
针对由于机器学习的黑盒特性导致负荷预测结果不可溯源的问题,提出一种基于Shapley值的电力负荷预测结果溯源分析方法.阐述利用机器学习技术构建负荷预测模型的一般形式和基本过程;基于负荷预测模型,利用合作博弈论中的Shapley值计算各类负荷影响因素对负荷预测结果的影响;对利用梯度提升决策树算法训练的负荷预测模型的预测结果进行溯源分析.实验结果表明,利用所提方法可以洞察负荷预测过程,从而实现负荷预测结果的溯源分析以及考虑复杂非线性的负荷影响因素分析,也可以在构建负荷预测模型时指导特征选择提升模型的泛化能力.  相似文献   

13.
灰色Verhulst模型在中长期负荷预测中的应用   总被引:21,自引:9,他引:21  
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。  相似文献   

14.
准确有效的预测电力负荷对电网的安全稳定运行具有重要的参考价值。通过对Prophet框架和XGBboost (eXtreme gradient boosting)机器学习模型的深度分析,提出了基于Prophet与XGBoost的混合电力负荷预测模型,针对大量的历史电负荷数据、日期信息、气象数据,分别构建Prophet电力负荷预测模型和XGBboost机器学习预测模型,通过误差倒数法将Prophet和XGBoost结合得到混合预测模型。应用所提方法对西南地区某地市历史电负荷数据进行验证,结果证明,Prophet-XGBoost混合模型比支持向量机回归模型(SVR, support vector regression)、Prophet模型和XGBoost模型拥有更高的预测精度,且与SVR模型相比运行时间更短。  相似文献   

15.
一种变权重风电功率最优组合预测模型   总被引:2,自引:1,他引:1       下载免费PDF全文
针对单项预测方法的局限性,利用改进的基于灰色关联度的IOWGA算子组合预测模型,建立了一种风电功率最优组合预测模型,并通过改进多种群遗传算法(MPGA)对该模型进行优化。采用RBF神经网络法、相似日法和支持向量机(SVM)法对预测日和预测日前一日的风电功率分别进行预测,通过提出的最优组合预测模型及优化算法对预测日的24 h风电功率进行组合预测。根据云南某风电场的实测数据,进行了实例分析。结果表明,风电功率最优组合预测模型能够有效提高风电功率预测精度,具有较强的实用性。  相似文献   

16.
提出了一种短期负荷多步预测的修正方法。首先采用BP神经网络法建立短期负荷的分时多步预测模型,对于每一个初始预测值,采用卡尔曼滤波模型进行修正,以减少模型的累积误差,提高多步预测的效果。算例结果证明了所提方法不仅能够提高单步预测的预测效果,而且能够有效降低多步预测的误差,对于实现连续日短期负荷预测具有现实意义。  相似文献   

17.
针对短期日负荷预测的精度问题,本文提出一种基于数据驱动理念的电力负荷预测方法。在建立预测模型前对所给数据采取一定的预处理:首先提取所收集的海量数据的负荷特征,对负荷特征进行分析,然后进行负荷数据与影响负荷值的因素之间的相关性分析,以此确定对负荷影响较密切的因素,随后建立分类器得到各主要影响因素与各负荷类别之间的关系为后续预测模型奠定基础。对预处理后得到的不同类型的负荷数据采用最小二乘支持向量机方法建立不同的负荷预测模型。以南方某发达城市2008年的负荷数据作为算例验证数据,将本文所提负荷预测方法所得结果与未经数据预处理的负荷预测方法所得结果进行比较,结果表明本文提出的方法得到的预测结果精度较传统方法提高约6%。  相似文献   

18.
分析了目前对短期负荷时间序列进行预测的加权一阶局域一步预测方法,针对其用于多步预测会产生累计误差并且计算量很大的缺点,提出了将加权一阶局域法多步预测模型用于短期负荷预测。在分析电力系统历史短期负荷时间序列混沌特性的基础上,通过将多步预测模型应用于负荷的预测,验证了该方法相对于一步预测法在计算速度和精度方面都有明显提高。  相似文献   

19.
基于粗糙集理论和动态时序模型的日负荷曲线预测新方法   总被引:3,自引:1,他引:3  
作者提出了一种短期日负荷曲线预测新方法.该方法首先采用日最小负荷对日负荷曲线进行规范化,再将日负荷曲线预测转化为对日最小负荷的预测和对日规范化负荷曲线的预测.对日最小负荷预测应用动态时序模型;对日规范负荷曲线应用专家系统进行推理预测,专家系统中的推理规则应用粗糙集理论从历史数据中获取.采用上海电网数据对该预测方法进行了测试,结果表明该方法便于对各种影响因素进行分析处理,能够更有效地利用历史数据所包含的信息.  相似文献   

20.
基于改进回归法的电力负荷预测   总被引:16,自引:4,他引:16  
李钷  李敏  刘涤尘 《电网技术》2006,30(1):99-104
提出了一种基于改进回归法的电力负荷预测方法,在对历史数据进行分析和参数估计的基础上,先用岭回归法剔除奇异值,再用主成分回归法提取影响负荷的主要因素,得出模型的解析形式。针对实际系统的应用验证了该方法不仅适用于短期负荷预测,也适用于超短期负荷预测。此外建立了一些特定因素的模糊函数,在超短期负荷预测过程中采用了聚类分析法提取负荷相似日。通过不同的简化,该方法可蜕化为传统的Kalman预测、相似日预测和神经网络预测,是一种比较全面的负荷预测方法,可得出高精度的预测结果。  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号