短期负荷预测相空间重构法参数优选的数值测试与分析

采用混沌方法中相空间重构法的局部线性法进行短期负荷预测时,需要优选3个参数,即负荷记录序列的延时时间、嵌入相空间的维数以及选择邻近点时使用的距离。数值测试表明,按混沌理论优选的延时时间和嵌入相空间的维数一般不是负荷预测的最适合参数。这2个参数的取值和搭配对预测误差的影响最大,其次才是选择邻近点时使用的距离。这是由于负荷记录不是严格混沌的,而是以双周期为主。对测试结果的分析表明,优选的延时时间,在离线预测时可以选择使负荷记录中的双周期成分延时相轨迹出现最小重叠的延时时间;在线预测时是使负荷取样序列具有最小方差。此外,还确认采用负荷记录的“平衡点 混沌”拆分通常可以降低预测误差。     

基于支持向量回归的混沌序列预测方法

本文讨论了支持向量机(SVM)的回归算法,将SVM应用于混沌时间序列的预测,并与RBF网络的预测效果进行了比较,仿真结果表明,其预测精度和抗噪声能力要优于RBF网络;同时,采用关联度代替欧式距离,来确定相空间中的最邻近相点,提高了预测时的嵌入维数,从而提高了混沌预测的精度.     

电力短期负荷时间序列混沌相空间重构参数优选法

采用混沌相空间重构方法进行电力短期负荷预测时,负荷时间序列的延迟时间τ、嵌入维数m以及预测参考点的选取对预测效果有很大的影响。该文通过电力短期负荷重构吸引子的形状和自相关函数确定电力短期负荷时间序列的最佳嵌入时间窗Γ;根据电力短期负荷的m、τ与Γ的函数关系确定m、τ的多组最佳匹配,证明了m、τ的最佳匹配对于负荷伸缩和平移的不变性;提出了选择预测参考点的适用而有效的方法,该方法分为粗搜索和细搜索2个过程,粗搜索主要根据距离选出一定数量的邻近点,细搜索主要根据相点演化的相关性排除“伪邻近点”。实际电网负荷预测的仿真结果验证了提出的电力短期负荷时间序列相空间重构参数优选法的正确性与有效性。     

风电场短期风速的混沌预测方法

高精度的短期风速预测对提高含大量风电机组电网的安全稳定性及降低运行成本具有重要意义。文中在对风速时间序列进行相空间重构的基础上,使用混沌加权零阶局域预测法对风速进行预测;进而针对该方法在高嵌入维数下以欧氏距离寻找临近相点进行预测不准确的不足,提出了一种改进加权零阶局域预测法。该方法用相点间关联度来确定临近相点,并且提出了一种新的加权系数计算方法,以提高预测精度。算例分析结果验证了该方法的可行性和有效性。     

短期负荷预测"负荷趋势加混沌"法的参数优化

在"负荷趋势加混沌"短期负荷预测法中,将原始负荷序列拆分成"负荷趋势"和"混沌"两部分,其中负荷趋势是可以准确预测的多周期行为,混沌子序列可以用相空间重构的线性回归法预测.以多元回归分析和矩阵计算的奇异性理论为基础,优化了混沌子序列预测中的三个参数.首先根据取样序列的"平稳性"及避免矩阵计算的"奇异性",选取合适的延时时间;然后根据混沌子序列功率谱上的峰值选取嵌入窗长,并由此确定嵌入空间维数;最后选取邻近矢量的数目为嵌入空间维数的3倍以上.     

基于改进加权一阶局域预测模型的短期负荷预测方法研究

针对混沌一阶局域预测模型中欧氏距离不能反映相空间中相点间的相关性大小，提出一种改进加权一阶局域预测模型。该模型将相点间的关联度和欧氏距离以加权值形式作用于一阶线性回归方程，综合考虑了最邻近点对预测中心点的邻近效应以及最邻近点与预测中心点的相关性，克服了常规一阶局域预测法存在的不足。通过实际算例分析显示，本文方法较改进前有较好的适应能力和预测精度。     

短期负荷预测"双周期加混沌"法中的多步法与气象因子的使用

短期负荷预测的"双周期加混沌"法是基于负荷记录数学性质的预测方法.为了进一步提高其预测精度而提出的三项改进为:(1)通过数值测试,优化了混沌子序列线性回归预测中三个参数,即嵌入空间维数、延时时间,和选择邻近矢量时采用的距离;(2)为了降低误差积累,采用了直接从邻近矢量回归出连续多个预测点的方法,并且采用离参考矢量最近的若干邻近矢量进行回归;(3)在选择直接多步法中的相空间邻近矢量时,考虑了与各负荷值相对应的当天气象因子.将改进后的双周期加混沌法用于负荷预测实例,结果表明预测精度有显著提高.     

基于混沌理论的电网售电量预测研究

对具有混沌特性的电网售电量时间序列重构相空间,计算相空间的饱和嵌入维数和最大Lyapunov指数,并利用计算得到的饱和嵌入维数指导建立T-S模糊神经网络预测模型.采用递阶遗传算法对T-S模糊神经网络的结构和权值进行训练,可确定最适合的预测模型结构,提高神经网络的收敛速度,使其具有良好的泛化能力.在此基础上,对秦皇岛电力公司售电量数据进行预测,结果表明,该方法可精确地再现售电量时间序列的混沌动力学行为,在可预报尺度范围内,能对售电量作高精度的预测,且具有很强的适应能力.     

电力短期负荷的多变量时间序列线性回归预测方法研究

根据单变量时间序列的相空间重构思想，提出了一种电力短期负荷的多变量时间序列相空间重构方案，同时针对每一分量时间序列采用互信息法进行最佳延迟时间的选择，最优嵌入维数则采用最小预测误差法进行确定。根据相点间的欧氏距离和关联度，提出了最近邻域点的优化选择方法，建立了多变量时间序列的一阶局域线性预测模型。通过重庆某地区电力系统短期负荷预测的计算实例表明，基于多变量时间序列的负荷预测方法与单变量负荷预测方法相比，具有较强的自适应能力和较好的预测效果。     

负荷预测的混沌相空间二阶多项式回归法及其参数优化

在混沌相空间重构的短期负荷预测方法中，采用二阶多项式回归法，与现有的线性法相比，不仅提高了预测精度，而且极大地消除了12h周期性的误差增大现象。通过大量的数值测试，发现为得到较高的预测精度，相空问重构的3个参数应满足：(1)为保证在每个预测点都能正常地预测，应选取比二阶多项式系数大些的“邻近矢量”个数。这是对依据距离选择相空间“邻近矢量”方法的改进。(2)嵌入相空间的维数应该适当大些。通常应该高于嵌入定理给出的数值。(3)优选的延时时间，还需要进一步研究。     

基于夹角余弦的混沌局域加权线性预测算法

针对基于欧氏距离的混沌局域预测算法在高嵌入维情况下预测精度迅速下降的问题,提出了基于夹角余弦的局域加权线性预测算法。该算法使用夹角余弦取代欧氏距离作为判别相点间相关性的标准;同时将相点间相关性大小通过加权的方式作用于预测模型;并将相点视为向量,以向量的模和夹角为优化目标,进行预测参数识别。在详细论述改进算法理论基础的同时,使用南方某城市电力负荷进行了算例验证。算例结果表明,改进算法的预测精度明显优于原算法,验证了改进算法的有效性。     

电力短期负荷的多嵌入维一阶局域预测

在混沌理论中,采用不同的嵌入维数计算方法所获得的维数略有不同,而在不同嵌入维数下对同一负荷时间序列进行预测的结果也不同,对此,文章提出了多嵌入维数的负荷预测方法,将不同维数下的预测结果进行加权平均;在预测过程中欧氏距离极限的取值对预测结果有很大影响,文中采用动态调整法进行选取以使预测误差最小.实例分析表明文章所提出的方法简单有效、具有可行性.     

基于相关邻近点与峰谷荷修正的短期负荷时间序列预测

采用混沌相空间重构理论进行电力短期负荷预测,存在峰谷荷预测精度相对较差和预测参考点不易选取的问题.根据电力系统日负荷曲线构造了日峰谷荷时间序列,揭示了日峰谷荷时间序列的混沌特性,采用相空间重构直接预测未来峰谷荷,进而提高了峰谷荷和整点负荷的预测精度.针对相空间中相点的预测参考点确定问题,提出了按相点演化相关性进行选择的方法,首先根据模型要求的预测参考点数量选出邻近点,然后根据相点演化相关性排除伪邻近点,同时引入时间权重来反映相空间不同坐标的时间次序.实际电网负荷预测的仿真结果验证了文中提出的相空间相关邻近点的选择方法与峰谷荷修正思想的有效性.     

基于分时重构混沌相空间的电力系统负荷短期预测

为了实现高精度的电力系统负荷短期预测,该文对电力系统负荷时间序列数据分时段进行相空间重构,并计算分形维数和提取最大Lyapunov指数,经分析得出了系统负荷分时序列数据的演化具有混沌特征,由此提出了短期电力系统负荷的分时重构混沌相空间预测算法,相比目前通常采用的单一时间序列混沌预测算法,该算法具有相空间嵌入维数少和模型参数配置灵活的特点,通过电力系统负荷短期预测实例验证,结果表明该算法比单一时序混沌预测算法在预测精度上有显著提高。     

一种多变量时间序列的短期负荷预测方法研究

针对短期负荷影响因素多的特点提出了电力短期负荷的多变量时间序列预测方法,并根据单变量时间序列的延时重构对由历史负荷序列及其相关因素序列所构成的多变量时间序列进行了相空间重构,采用互信息法计算了各子序列的延迟时间,各子序列的嵌入维数则运用平均一步绝对误差和最小一步绝对误差进行选取,然后通过RBF神经网络的非线性映射能力进行电力短期负荷预测.研究结果表明多变量时间序列的预测效果相对于单变量序列有较大提高.     

基于混沌时间序列和神经网络的电力短期负荷预测

提出一种将混沌时间序列和神经网络相结合的短期负荷预测方法,利用混沌理论重构相空间的吸引子,然后用BP神经网络来拟合空间吸引子的演化,同时利用空间欧氏距离来选取神经网络的输入样本,实例预测结果表明所提出方法的有效性和可行性.