基于最优可信度的月度负荷综合最优灰色神经网络预测模型

月度负荷具有增长和波动二重趋势.作者首次提出以纵向历史数据为原始序列,用灰色预测模型进行增长趋势预测;以横向历史数据为原始序列,用人工神经网络模型进行波动趋势预测的方法,并在此基础上,引入最优可信度的概念,同时考虑了月度负荷的两种趋势,建立了综合最优预测模型.该模型兼顾了前两种模型的建模特点,优于只考虑单一发展趋势负荷预测的模型.对电力负荷预测应用实例的计算结果表明,该方法明显地提高了月度负荷预测的精度,也同样适用于进行周、季负荷等具有二重趋势的负荷序列的预测.     

短期电力负荷的灰色GM(1,1)模型群组合预测

组合预测方法是一种性能优越的预测方法.由于电力负荷具有很多不确定因素,用单一预测模型进行预测时,其预测精度不高,为提高预测精度,提出组合预测模型.灰色GM(1,1)模型群能够很好地反映电力负荷的周期变化特性,而用不同时期的历史数据可反映不同的信息特征,因此,提出了基于远近数据的GM(1,1)模型群预测组合预测法.利用此方法对某地区的日电力负荷进行预测的算例结果表明:此方法的预测精度高于各单一模型的预测精度,且能够很好地反映日负荷变化的随机性和周期性.     

基于X-12-ARIMA季节分解与年度电量校正的月度电量预测

月度电量预测是电力计划部门安排运行计划与制定购售电计划的基础。提出一种综合考虑多种经济因素的月度电量预测方法。首先,采用X-12-ARIMA模型对月度电量和多种经济因素进行季节分解,并利用逐步回归分析研究各经济量与用电量的关联关系和回归模型,获得初步预测结果;然后,利用多项式拟合进行年度电量预测,并对已有月度电量预测结果进行调整;最后,采用自回归积分滑动平均模型(autoregressive integrated moving average model,ARIM A)对受气象与节假日因素影响较大的月份进行分季节预测修正,获得精度良好的月度电量预测模型。该文采用广东省2009年3月至2014年4月的经济数据与电量数据对2014年5月至2015年4月的电量数据进行预测。预测结果的平均预测精度为97.78%,验证了预测模型的有效性。     

考虑业扩报装的相关向量机月度负荷预测方法

针对传统月度负荷预测方法缺乏考虑负荷内在影响因素的问题,该文提出了考虑业扩报装的相关向量机月度负荷预测方法。该方法通过生长曲线拟合和k-均值聚类研究业扩报装后的用电趋势,提取出逐月影响比例,计算得到对当月负荷具有实际影响的业扩增量;将实际业扩增量和历史负荷数据作为样本输入,建立基于相关向量机的负荷预测模型,同时利用粒子群优化参数和组合核函数提高模型适应度。考虑实际业扩增量、考虑未修正业扩增量以及不考虑业扩报装的预测结果比较表明,实际业扩增量对月度负荷有较重要的影响,可以有效提高预测的精度。     

基于CNN-BiLSTM的短期电力负荷预测

短期电力负荷预测能准确评估地区整体电力负荷变化情况,为电力系统运行决策提供准确参考。电力负荷参数受多维因素影响,为充分挖掘电力负荷数据中的时序特征,提升电力负荷预测精度,该文提出一种基于特征筛选的卷积神经网络—双向长短期记忆网络组合模型的短期电力负荷预测方法。以真实电力负荷数据作为数据集,通过对多维输入参数的优化筛选,选取高相关性特征向量作为输入,构建预测模型。通过与添加注意力机制的组合模型对比验证了输入参数优化分析的可行性和优越性。最后利用实际算例将该方法与利用自动化模型构建工具构建的梯度增强基线模型及常用预测模型相比,该方法构建的组合模型可以提升多维电力负荷数据的短期预测精度。     

基于regARIMA模型的月度负荷预测效果研究

为探究离群值对月度负荷预测效果的影响,建立计及离群值影响的季节性ARIMA月度负荷预测模型（regARIMA）,选择1999-2017年北京、甘肃等5省（市）的实际月度负荷数据,对预测效果进行比较研究。结果表明,与普通ARIMA模型相比,考虑了离群值影响的regARIMA模型的3年样本内平均预测误差得到明显改善;应用regARIMA模型进行提前12期的样本外预测,预测精度获得不同程度的提升。     

咸阳市电力系统短期负荷预测分析与研究

主要研究考虑各种因素影响的咸阳市电力系统短期负荷预测模型与算法。传统预测算法只是基于找寻历史负荷数据规律,没有考虑外部因素对负荷值的影响,从而降低了预测精度。针对这些不足,首先分析了影响咸阳市电力负荷值的几个主要因素,然后提出了考虑这些因素影响的改进型神经网络BP算法预测模型,利用该模型对咸阳市电力负荷值进行预测。预测结果表明：该模型完全适用于咸阳市电力负荷预测,考虑因素影响的预测算法效果优于传统方法。     

多元指数加权电力负荷灰色优化组合预测

由于电力负荷具有增长性和波动性并且受到多个因素影响,使得电力负荷的变化呈现出复杂的多元性及非线性组合特性,对于这种具有复杂的多元性及非线性组合特性的序列,使用传统的模型进行预测,预测精度往往不理想.为了提高预测精度,作者为提出了多元指数加权电力负荷灰色优化组合预测模型.其中灰色优化组合预测模型用于进行非线性增长趋势的电力负荷预测,指数加权法能解决历史负荷的波动性问题.实际算例表明,所提出的方法由于综合考虑了电力负荷的多种特性,能有效地提高负荷预测精度.     

基于遗传模拟退火算法改进BP神经网络的中长期电力负荷预测

针对目前中长期负荷预测方法中存在过拟合、预测精度和效率较低等问题,本文提出一种基于遗传模拟退火算法(GSA)改进BP神经网络的中长期电力负荷预测模型,即BP-GSA模型.首先建立标准三层神经网络,即输入层、隐藏层和输出层,选择国民生产总值、第二产业生产总值、市区常驻人口及月平均温度四个影响因子作为输入变量,月度负荷为输出变量.其次利用遗传模拟退火算法不断修正网络节点连接权值,以最优适应度为标准,确定最优网络节点连接权值分布.最后,代入权值最优解,通过训练样本数据,获取最小方均差预测模型.分别应用本文提出的BP-GSA模型及其他四种传统方法,对某市2020年月度负荷进行预测.误差分析表明,BP-GSA模型预测精度最高.随后将BP-GSA模型分别应用于不同年份的月度负荷预测,预测结果表明其误差稳定,证明了模型的鲁棒性.     

基于LSTM与XGBoost组合模型的超短期电力负荷预测EI北大核心CSCD

为进一步提高电力负荷预测精度,提出了基于LSTM(longshorttermmemorynetwork,LSTM)和XGBoost(eXtremegradientboosting)的组合预测模型。针对电力负荷数据,首先建立了LSTM预测模型和XGBoost预测模型,然后使用误差倒数法将LSTM与XGBoost组合起来进行预测。采用2016年电工数学建模竞赛的电力负荷数据进行算例分析,结果表明所构建的LSTM和XGBoost组合预测模型的MAPE(mean absolute percentage error)为0.57%,明显低于单一预测模型。将上述方法与GRU(gated recurrent unit)和XGBoost两者组合的预测模型相比较,结果表明所提出的方法具有更高的超短期电力负荷预测精度。     

基于双修正因子的模糊时间序列日最大负荷预测

天气温度变化是影响短期电力负荷预测的主要因素.为提高预测精度,引入负荷变化影响因子和气温影响因子,提出基于双修正因子的模糊时间序列预测算法.根据负荷变化趋势,提出分段预测的思想,在拐点处用负荷变化因子进行修正,然后用气温影响因子对预测结果进行二次修正.将改进的算法用于某电网夏季最大负荷的预测.数值结果表明该算法具有较高的预测精度.     

一种基于用电行业分类的中长期电量预测方法

针对传统中长期电量预测方法思路单一,忽视不同层次电量预测之间的内在联系而影响中长期电量预测精度的问题,提出了一种基于用电行业分类的新型中长期电量预测方法。首先,设计了适用于电量预测的用电行业分类原则和方法;然后,以8种特性互补的预测方法为基础,建立优选组合预测模型,对待预测区域整体以及各用电行业的电量需求分别进行年度和季度的预测;最后,运用多级预测协调理论建立了一个二维二级协调模型,对上一步的电量预测值进行修正,改善预测精度,得到上下级统一的区域整体以及各行业未来年度和季度的电量预测值。以实际的电量数据进行了算例分析,验证了该方法的有效性。     

能源互联环境下考虑需求响应的区域电网短期负荷预测

在区域能源互联系统中,需求响应改变了电力用户的常规用电习惯,增加了预测环境的不确定因素。针对这种特定的环境,提出一种考虑需求响应的区域电网短期负荷预测方法来满足企业对预测精度的需求,该方法通过依次构建数据处理模型、负荷预测模型和误差预测模型实现了预测精度的提升。更具体地,针对历史数据样本集,采用灰色关联分析法处理气象数据以获取输入预测模型的相似日特征变量;针对电力负荷预测,建立了长短期记忆网络模型,利用其特殊的门结构选择性地控制输入变量对模型参数的影响,从而改善了模型的预测性能;针对误差数据样本集,采用了动态模式分解技术来挖掘误差数据的潜在价值,并利用其数据驱动特性刻画了误差时间序列的趋势变化特征,实现了良好的误差预测。最后,结合实际的电网数据,对比验证了所提方法的有效性和优越性。     

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。     

基于联合模型的短期电力负荷预测方法

为了准确预测电力负荷并提高电力系统调节和调度的灵活性、准确性,提出了基于差分自回归滑动平均和长短期记忆神经网络的短期负荷联合模型预测方法,以避免单一预测模型可能难以满足预测准确需求的情况。首先,使用差分自回归滑动平均和长短期记忆神经网络单一模型对短期电力负荷开展预测;然后,使用改进的粒子群优化算法对联合模型权重进行寻优;最后,利用最优权重将单一模型预测结果进行合并得到最终的预测结果。验证结果表明,所建立的联合模型能够对短期电力负荷进行准确的预测,且联合模型的预测精度要优于差分自回归滑动平均、长短期记忆神经网络和BP神经网络等单一模型,具有一定的工程应用价值。     

运用季节和趋势模型预测用电负荷

用电需求迅猛增长和电力供需矛盾日益突出使得用电负荷预测越来越重要。对引起用电负荷变化的季节性和趋势性特点进行分析,并以此为依据,建立季节和趋势摸型来预测2004年月度用电负荷。预测结果表明季节和趋势预测模型是一种有效和可行的负荷预测方法。运用该方法对负荷进行预测对于如何在现有的供电容量下提高电能使用效率、提高电网负荷宰具有重要的指导意义。     

基于用电结构变动的省级电网长期负荷特性预测

准确把握省级电网长期负荷特性发展趋势,可使电网规划更具前瞻性和合理性。通过充分分析地区负荷特性变动主要影响因素,识别出经济与用电结构因素是长期负荷特性变动的关键影响因素,据此构建了基于用电结构变动的省级电网长期负荷特性预测模型及其校核方法,以安徽省为例,对2020和2030年全省四季典型日负荷率和峰谷差率进行了预测,并以欧美发达国家和上海市为参考对预测结果进行了校核。结果表明该长期负荷特性预测模型的合理性和有效性,为电力市场分析与电网规划人员准确掌握地区长期负荷特性变动趋势提供了一定的参考。     

区域电网年最大负荷概率预测

针对电力负荷预测中年最大负荷受多种因素影响的难点问题,提出了区域电网年最大负荷的概率预测,对年最大负荷概率模型中的均值和均方差分别建立了灰色模型和回归模型并对其作出预测.通过实例计算表明,该模型具有较高的精度.