基于相似月和Elman神经网络的行业月度售电量预测

为了提高售电量预测的精度并完善售电量预测体系,提出了一种结合历史相似月的Elman神经网络组合预测模型。利用历史相似月模型可以快速辨别历史数据的特点,通过对各类售电对象的详细数据及外部影响因素分析处理,找到与待预测月目标售电对象相类似的一组历史数据,作为Elman神经网络的输入数据来完成该类售电对象的预测。然后将各售电对象的预测数据组合得到总月度预测售电量。算例仿真研究表明,该组合预测方法与单一Elman神经网络预测方法相比,预测精度更高,收敛性能更好,具有较好的应用前景。     

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

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.     

基于灰色马尔柯夫模型的电力系统负荷预测

在负荷预测中.对具有随机波动性质的历史数据通常采用指数加权、滑动平均、20%修匀等方法对其进行处理得到较为平滑的数据列.以期在应用数学模型进行预测时得到更为准确的结果.应用这些方法时需要对部分"不合群"数据进行判定并处理.文章采用的灰色马尔柯夫模型结合了GM(1,1)模型和马尔柯夫概率预测模型的优点,可对具有随机波动性质的负荷数据作出相对准确的预测,避免在信息不足时囡对历史数据作出不合理的判定和处理而带来的预测误差.     

基于关联分类技术的短期负荷数据缺损处理

为了找到负荷值与各种影响负荷预测精度因素之间的关系来进行缺损数据处理,提出一个基于关联分类技术的短期负荷数据缺损处理模型。该模型首先对负荷信息系统应用数据规约方法得到规约集,然后利用关联分类算法挖掘出隐含在其中的有趣的满足用户指定的最小支持度和最小信任度的强关联规则,最后通过规则匹配对含有缺损数据的记录进行修补,对有问题的数据判断异常。经仿真分析,应用这种新的数据缺损处理策略可以得到更加精确的预测结果。     

基于卡尔曼滤波的短期负荷预测方法的研究

负荷历史数据是负荷预测的基础。负荷历史数据由于测量、人为等因素而造成不准确，因而导致负荷预测也不准确。文中提出利用最小二乘法线性拟合建立负荷数据基本模型，用3次样条插值对卡尔曼滤波器的系统参数进行辨识，最终用卡尔曼滤波器对历史数据进行预处理，以纠正由于测量错误或人为改动的数据。对文中所提方法进行了验证。结果表明，后验误差在3％之内，效果很好。     

基于历史数据纵向匹配的光伏功率预测方法研究

针对现有光伏功率预测系统存在预测误差大的问题,文中结合实际工程经验,提出一种基于历史数据纵向匹配的功率预测方法。通过对电站历史数据进行预处理,排除失真数据,以时间和气象预测数据为条件对历史数据进行纵向查询,纵向匹配出预测日的光辐射系数曲线、功率输出综合系数曲线,实现对未来几小时或几天的功率预测。仿真实验与电站实际应用表明:该方法预测误差小,简单实用,有实际推广意义。     

基于信息熵的历史数据选取对超短期风电功率预测精度影响研究

风电功率超短期预测通常依据历史数据滚动预测得到,因此,历史数据的时间分辨率对预测结果的准确性有显著影响。首先给出"预测信息熵"指标,预测信息熵兼顾不同时间分辨率下数据序列的信息含量和超短期预测时预测步数2个因素,表征不同时间分辨率的功率序列在超短期风电功率预测时的精确预测能力,最后提出基于"预测信息熵"选择超短期风电功率预测时应采取的时间分辨率的方法。以某风电场实测数据为例,采用最小二乘支持向量机模型进行风电功率超短期预测,预测过程中历史数据分辨率的选取采用了所提的基于预测信息熵的选取方法,预测结果验证了所提方法的有效性。     

基于晴朗系数和多层次匹配的光伏功率预测方法研究

针对光伏功率预测系统存在训练样本选取不够合理、模型输入数据不够准确等问题,结合实际工程经验,提出了一种基于晴朗系数和多层次相似匹配的光伏功率预测方法。将历史数据划分为晴天和非晴天类型,设计两个数据队列存储和更新训练样本;利用多层次相似匹配方法对预测日数据与历史数据进行纵向与横向匹配,提取相似日实测功率数据;构建基于历史相似日发电功率的ARIMA时间序列预测模型。实际应用数据分析表明:文中提出的方法在提高准确度方面取得了良好的预测效果,具有实际推广意义。     

基于小样本集的网侧风电功率预测方法

风电功率预测多采用统计预测模型,为了达到可接受的预测精度,需要大量的历史数据对模型进行训练,不适用于缺少历史数据的新建风电场,为此提出基于小样本集的网侧风电功率预测方法。基于风电场少量的历史数据,运用支持向量机方法建立了网侧风电功率预测通用模型,并用此通用模型对风电场功率进行初步预测;在通用模型预测的基础上,利用区域内风电场的特征参数对这一网侧通用模型进行辨识和修正,从而得到区域电网网侧风电功率预测结果。实际算例验证了基于小样本集的预测方法的可行性,实际预测精度较好,说明该方法适于历史数据样本较小的风电场的功率预测,能够减少功率预测中统计预测方法对数据的依赖。     

基于决策树理论的风电功率实时预测方法

风电功率的不确定性会对电网造成冲击,风电功率实时预测是缓解电网调频压力,保证电网稳定运行的重要手段.通过分析两种单一预测模型的特点,提出一种基于历史数据和NWP数据相结合的组合预测模型.分析历史数据的序列特征和适用的预测方法,建立决策树分类模型,在预测时通过时数据序列特征分析,选择最佳预测方法.针对两不同风电场的数据进行预测分析,结果表明,组合模型预测精度高于单一模型,通过决策树模型进行实时序列特征分析,并选配最佳预测模型能有效提高预测精度.     

Machine-Learning based methods in short-term load forecasting

Short-term load forecasting is of great significance to the secure and efficient operation of power systems. However, loads can be affected by a variety of external impact factors and thus involve high levels of uncertainties. So it is a challenging task to achieve an accurate load forecast. This paper discusses three commonly-used machine-learning methods used for load forecasting, i.e., the support vector machine method, the random forest regression method, and the long short-term memory neural network method. The features and applications of these methods are analyzed and compared. By integrating the advantages of these methods, a fusion forecasting approach and a data preprocessing technique are proposed for improving the forecasting accuracy. A comparative study based on real load data is performed to verify that the proposed approach is capable of achieving a relatively higher forecasting accuracy.     

One-hour-ahead load forecasting using neural network

Load forecasting has always been the essential part of an efficient power system planning and operation. Several electric power companies are now forecasting load power based on conventional methods. However, since the relationship between load power and factors influencing load power is nonlinear, it is difficult to identify its nonlinearity by using conventional methods. Most of papers deal with 24-hour-ahead load forecasting or next day peak load forecasting. These methods forecast the demand power by using forecasted temperature as forecast information. But, when the temperature curves changes rapidly on the forecast day, load power changes greatly and forecast error would going to increase. In conventional methods neural networks uses all similar day's data to learn the trend of similarity. However, learning of all similar day's data is very complex, and it does not suit learning of neural network. Therefore, it is necessary to reduce the neural network structure and learning time. To overcome these problems, we propose a one-hour-ahead load forecasting method using the correction of similar day data. In the proposed prediction method, the forecasted load power is obtained by adding a correction to the selected similar day data     

扩展短期负荷预测方法的应用

扩展短期负荷预测方法利用最新的历史负荷数据，预测当日当前时刻以后若干小时的未知负荷，其预测精度明显高于常规的短期负荷预测。为满足电力市场实时交易对负荷预测的新要求，将这种方法应用于修改历史负荷坏数据和补足当日未知负荷数据，以协助提高短期负荷预测的准确度。文中详细介绍了这两种应用的背景和实现原理，并以实际电力系统的应用结果数据证实了这两种应用方案是有效的和实用的。     

基于模糊聚类与随机森林的短期负荷预测

针对传统数据挖掘算法(神经网络和支持向量机)进行短期负荷预测容易陷入局部最优,模型难以确定等问题,提出一种模糊聚类技术与随机森林回归算法结合的短期负荷预测方法。基于模糊聚类技术选取相似日的方法,考虑负荷的周期性变化特征,利用样本输入进行样本聚类,选取同类数据作训练样本,建立随机森林负荷预测模型。实例中负荷数据采用安徽省某地的历史负荷,用上述方法对该地区的日24小时负荷进行预测,并与传统的支持向量机和BP神经网络方法进行比较,验证了该方法的有效性。     

Forecasting next-day electricity demand and price using nonparametric functional methods

One-day-ahead forecasting of electricity demand and price is an important issue in competitive electric power markets. Prediction task has been studied in previous works using, for instance, ARIMA models, dynamic regression and neural networks. This paper provides two new methods to address these two prediction setups. They are based on using nonparametric regression techniques with functional explanatory data and a semi-functional partial linear model. Results of these methods for the electricity market of mainland Spain, in years 2008–2009, are reported. The new forecasting functional methods are compared with a naïve method and with ARIMA forecasts.     

基于灰色神经网络组合模型的动态数据序列预测

为了提高动态数据序列的预测精度,分析了现有BP神经网络和灰色预测方法各自的优缺点,并在此基础上建立了灰色神经网络组合模型.组合模型兼有BP神经网络和灰色预测的优点,弥补了单个模型的不足,既克服了数据波动性大对预测精度的影响,也增强了预测的自适应性.本方法利用灰色预测中的累加生成运算对原始数据进行变换,从而得到规律性较强的累加数据,便于神经网络进行建模和训练,并利用神经网络的函数逼近特性,实现对原始数据的预测.仿真结果表明:组合模型的预测精度高于单独的GM(1,1)模型,适用于具有复杂成分的动态数据序列的建模.     

模糊理论在中长期负荷预测中的应用

本文先介绍三种用模糊理论进行中长期负荷预测的方法的数学模型,即模糊指数平滑法,模糊线性回归法和模糊聚类预测法,然后以邢台地区实际预测为例,给出预测结果,并对三种方法进行了比较和误差分析,实践证明了这三种方法具有比传统方法预测精度高、预测误差小的优点,应予推广使用。     

基于气象因素粗糙集理论的负荷预测方法

电力负荷受气象因素影响越来越大,如何准确预测负荷中的气象负荷是负荷预测中的一项有意义的课题。本文首先采用粗糙集对影响负荷的气象因素进行规则简约,找到影响负荷的核心气象因素;然后以这些核心因素为坐标寻找与预测日距离最小的历史数据,利用时间序列方法进行预测。经实际系统检验,证明该方法克服了传统气象负荷预测中的主观性,将历史数据的发掘过程量化,便于机器预测。并且预测结果误差小,是一种适用性很强的技术。     

A comparative study of short-term forecasting of energy and peak power demand

The general requirements in the construction of demand forecasting schemes are discussed, followed by a comparative study, based on seven year data, of conventional extrapolative techniques and univariate stochastic time series modelling methods in forecasting monthly energy and peak power demands. The performance of each forecasting approach is evaluated in terms of adequate data characterization and ability to project data behaviour into the future, and a method for selecting a preferred forecasting model is explained.     

基于结构化负荷模型的电力负荷概率区间预测

为了考虑电力负荷的不确定性,概率和区间预测成为电力负荷预测的重要方式之一。针对传统的负荷概率及区间预测方法没有考虑不同负荷成分的不确定性对电力负荷影响的问题,在分析电力负荷成分的基础上,基于结构化电力负荷模型提出一种电力负荷概率及区间预测方法。首先,对电力负荷的成分进行分析,针对不同负荷成分分别进行建模,构成结构化电力负荷模型;然后,基于历史负荷数据采用变分贝叶斯估计算法训练模型参数的后验概率分布;最后,基于训练完成的模型对未来负荷的概率分布进行预测,从而实现电力负荷概率区间预测。采用实际电力负荷数据进行验证,并与其他方法进行对比。实验结果表明,所提方法取得了较高的预测区间覆盖率和较窄的预测区间宽度。