基于相空间重构理论和优化递归神经网络结合的短期负荷预测方法

根据电力负荷序列的混沌特性,提出以相空间重构理论和优化递归神经网络结合的电力系统短期负荷预测方法,以相空间重构理论确定递归神经网络输入维数;训练样本集由对应预测相点的最近邻相点集构成,并按预测相点步进动态相轨迹生成;优化递归神经网络是以双重遗传算法来确定递归神经网络的隐层结构和权值,总体寻优性可抑制伪近邻点的影响,保证提高预测精度及其稳定性。对两类不同负荷系统日、周预测仿真测试,证实其比传统神经网络预测模型能有效地提高预测精度0.8%。因此,所研究的预测模型和方法在实际预测领域有较高的实用价值。     

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.     

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。     

相空间重构和混沌神经网络融合的短期负荷预测研究

该文首次提出基于PSRT和ICNN融合的电力系统STLF模型，所构造的ICNN预测模型对负荷初值和混沌轨迹的游动性有很强的敏感性，可表征复杂的动力学行为和具有全局寻优的性能，以PSRT确定ICNN输入维数，训练样本集按预测相点步进动态相轨迹和最近邻点集原理形成的，可增强预测模型对混沌动力学的联想和泛化推理能力；文中用遗传算法作为ICNN的学习算法，对两类不同负荷系统日、周预测仿真测试，证实所研究的预测模型能有效、稳定的提高预测精度，且有较高的适应能力，为将基于PSRT和ICNN融合的电力系统STLF方法用于实际运行系统在理论上取得了有效的进展。     

电力系统短期负荷的特征指数相空间重构预测法

针对电力负荷变化的特点 ,提出一种采用特征指数的混沌预测方法 ,采用相空间重构和局域近似原理建立预测模型 ,较好地考虑了电力系统负荷波动的日周期性 ,具有良好的预测效果 ,最大负荷、最小负荷的预测精度较高 ,表明这是一种行之有效的短期日负荷预测方法     

电力系统短期负荷的特征指数相空间重构预测法

针对电力负荷变化的特点,提出一种采用特征指数的混沌预测方法,采用相空间重构和局域近似原理建立预测模型,较好地考虑了电力系统负荷波动的日周期性,具有良好的预测效果,最大负荷、最小负荷的预测精度较高,表明这是一种行之有效的短期日负荷预测方法.     

基于相空间重构ARIMA和SVR的母线净负荷预测

为实现对含分布式电源母线净负荷的实时跟踪和预测,以分布式光伏并入电网的母线负荷情况为基础,根据净负荷本身固有的线性和非线性属性,提出了基于相空间重构自回归滑动平均(autoregressive moving arerage,ARIMA)和支持向量机(support vector machine,SVR)的母线净负荷预测方法。首先基于历史净负荷数据使用ARIMA建立拟合模型,对净负荷线性成分预测分析,之后用CC法对非线性成分进行相空间重构,利用SVR模型对非线性部分进行预测。数据建模的结果表明,提出的ARIMA-CC_SVR预测模型对含有分布式光伏成分的母线净负荷适用性较强。     

相空间重构和SVR耦合的短期电力负荷预测

电力系统的短期负荷预测精度对智能电网安全运行有着重要影响,其中预测精度和训练步数至关重要,目前当地气象因素逐渐成为负荷预测中的关注点。以某市短期电力负荷为研究对象,建立了考虑日特征相关因素的支持向量回归机短期电力负荷预测模型,随后对某市考虑气象及日期类型的电力负荷做出预测。研究表明:利用考虑实时气象因素的SVR预测模型对短期电力负荷进行预测精度较高;考虑气象及日期类型的预测误差比不考虑气象及日期的预测误差小;嵌入维数和时间延迟对负荷预测模型精度具有重要影响。     

基于相空间重构和Chebyshev正交基神经网络的短期负荷预测

电力系统短期负荷数据具有明显的混沌特性。在讲述混沌中相空间重构的相关理论后,计算了算例中需要用到的延迟时间和嵌入维数。根据正交多项式优越的泛化和预测性能,在简单介绍Chebyshev正交基函数后,构建了单输入Chebyshev正交基神经网络预测模型。由于重构后的相空间中每个相点的分量个数不止一个,故所构建的单输入预测模型无法满足要求。为此,在单输入的基础上,设计了基于相空间重构的多输入Chebyshev正交基神经网络动态预测模型。将该模型运用到短期负荷预测中,取得了很高的精度和很好的预测效果。     

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。     

基于改进卡尔曼滤波算法的短期负荷预测

对于电网的安全运行,短期的负荷预测是必不可少的。电力系统的负荷通常是随着时间呈现出一定范围的非线性波动,这里根据电力系统中负荷特性的变化规律,提出了一种通过引入修正因子改进卡尔曼滤波算法的方法,实现了电力短期负荷预测。通过对成都地区的负荷进行短期预测,说明这种方法较传统的卡尔曼滤波具有更高的预测精度,同时与其他的新型智能算法相比,具有收敛速度快、耗时短等优点。通过MATLAB仿真,说明这种改进后的算法对实现短期负荷预测提供了一条新的途径。     

基于PSR和DBN的超短期母线净负荷预测

随着电网优化调度的精细化、智能化和计及电力系统安全性与经济性的电网高级应用的广泛采用及分布式能源的大量接入,母线负荷预测的精度要求不断提高而负荷的不确定性和非线性特征进一步增强。针对上述问题,文中提出一种基于相空间重构(PSR)和深度信念网络(DBN)的超短期母线负荷预测模型,首先采用C-C法对净负荷时间序列进行PSR,然后利用DBN对重构后的数据进行拟合并得出负荷的预测值。文中利用某市变电站实测负荷数据检验了该超短期母线负荷预测模型的有效性,证明该模型在分布式电源渗透率较高且母线负荷波动较大的情况下仍然有较高的预测精度。     

基于卡尔曼滤波的电力系统短期负荷预测

介绍了卡尔曼滤波的算法,给出了一套递推计算公式,将此算法应用于短期负荷预测,并针对负荷预测本身的特点对算法进行了改进,用两种算法进行了实际的负荷预测计算,取得了比较准确的预测结果。     

一种改进的小波-卡尔曼配电网短期负荷预测方法

为了解决已有的基于小波-卡尔曼滤波的短期负荷预测方法由于未考虑温度积累效应而在温度变化较大时预测误差偏大的问题,提出了一种改进方法:将日负荷表示为日平均负荷与波动部分的乘积,对日平均负荷和波动部分分别进行预测。提出了一种利用人工神经网络预测平均负荷的新方法:将日平均负荷表示为温度敏感分量与平稳的温度不敏感分量之和。温度不敏感分量根据温度不敏感季节同时期的若干负荷数据统计得出。根据前若干天的温度敏感分量值、温度信息以及预测日的温度信息,采用BP网络构成的负荷预测器,得出预测日的温度敏感分量的预测值。对于波动部分沿用基本的小波-卡尔曼滤波的方法,在对波动部分进行多分辨分析的基础上,将小波系数作为状态变量,利用卡尔曼滤波算法得出波动部分的预测值。实例分析表明,提出的改进方法显著提高了预测准确性。     

基于相空间重构和高斯过程回归的短期负荷预测

基于负荷时间序列的混沌特性,提出了一种结合相空间重构(PSR)和高斯过程回归(GPR)的短期负荷预测方法。首先采用C-C方法确定时间序列的延迟时间和嵌入维度,分别建立单变量和多变量的相空间重构模型。然后,分别运用单一与组合核函数的GP模型对负荷样本进行训练,根据最优超参数对24 h的日负荷进行预测。最后将预测结果与支持向量机模型以及多变量GP模型进行比较。结果显示,多变量组合核函数GP模型取得了更好的预测结果,验证了所提出的基于PSR和GPR的预测方法的可行性。     

一种基于决策树技术的短期负荷预测算法

提出了一种基于决策树技术的短期电力负荷预测新方法,能有效地考虑非负荷因素对短期负荷预测的影响.文中详细介绍了决策树技术的原理及其在短期负荷预测中的实现方法.实际电力系统应用结果数据表明,该方案能够有效提高短期负荷预测的精度.     

水风光互补适应性调度的集合卡尔曼滤波方法北大核心CSCD

水风光互补是实现能源转型、助力碳中和的重要途径。传统的水风光互补中长期调度模型,忽略了气候变化和人类活动引起的水风光资源变异,得到的静态调度规则难以适应变化环境。为此,本研究采用集合卡尔曼滤波技术开展适应性调度研究。首先进行确定性优化调度,得到最优运行轨迹;其次识别调度函数的决策变量与自变量,构建线性调度函数;最后采用集合卡尔曼滤波动态更新调度函数的参数,形成适应性调度规则。以锦屏一级水电站及周边风、光电站为实例,研究表明适应性调度规则较常规调度和静态调度,在检验期年均发电量分别提高6.45亿k W·h和0.53亿k W·h,说明论文所提方法可有效追踪最优轨迹的变化来适应变化环境。     

关键信息缺失下基于相空间重构及机器学习的电力负荷预测

随着碳交易系统的发展,准确预测电力能源消耗对于能源管理是至关重要的。为实现在缺失天气等多种关键信息下的电力负荷预测,首先采用混沌理论中的相空间重构技术对历史负荷时间序列进行处理,根据排列熵验证混沌特性。并利用8种机器学习模型进行预测与比较,其中包括4种以神经网络为基础的机器学习模型、3种以统计学习为基础的机器学习模型及1种基准模型。其次采用灰色关联度法对预测精度较高的极限学习机(ELM)和极端梯度提升(XGBoost)进行组合,构建了ELM-XGBoost模型。最后将ELM-XGBoost应用于一日至一周内不同时间尺度的负荷预测。结果表明,预测精度随预测时间尺度增加而呈现降低的趋势,且在日负荷预测中,所构建的ELM-XGBoost模型预测精度得到提升,应用效果良好。     

基于平均负荷法预测电力电量

针对目前国内有关电力市场负荷预测方法存在的问题．积极探索某一特有电网的运行规律．提出了在现有条件下通过平均负荷法预测用电量和最大负荷,并将其与数学模型函数预测法相比较,得出其具有采集数据方便、预测准确程度高、耗费时间少等特点。     

基于Attention-LSTM与多模型集成的短期负荷预测方法

目前深度学习技术发展快速,针对其在短期负荷预测任务中处理离散数据效果较差以及泛化性不佳的问题,提出一种基于注意力机制的长短期记忆网络(long short-term memory network with attention mechanism,Attention-LSTM)与Stacking多模型集成的负荷预测方法,可以兼顾二者优势。首先,利用均值编码的方式处理离散特征,接着应用Attention-LSTM对负荷数据进行特征提取,再将处理后的数据一同输入到基于Stacking的多模型集成预测模型中,通过3种基学习器对输入特征进行分析处理,最终通过元学习器完成预测。算例使用2个数据集中的实际负荷数据进行分析,对2个数据集中的负荷数据分别进行预测,并与门控学习单元、轻量级梯度提升机、支持向量机方法进行对比。仿真结果表明,所提方法在2个数据集的预测精度均能够超过98%,比其他3种方法的预测精度更高。