基于RF变量选择与LSTM回归的长期用电量预测模型

由于当前长期用电量预测方法难以解决变量选择问题,造成用电量预测结果不准确,为此将随机森林（RF）算法变量选择与长短期记忆（LSTM）网络回归两者结合,设计基于RF变量选择与LSTM回归的长期用电量预测模型。采用RF方法对单一变量的重要性进行评估,获取各项影响因素与用电量之间的相关系数,然后选取其中取值较高的变量作为用电量预测的依据。结合RF变量选择结果,分析动力系统理论,采用收敛交叉映射方法研究用电量与工业发展水平、温度等因素之间的关系,基于各因素之间的关系结合LSTM回归方法,组建用电量预测模型,实现长期用电量预测。研究结果表明,与传统方法相比,所设计模型的用电量预测精度与预测效率较高,能够快速、准确地完成长期用电量预测,表明该模型的应用价值更高。     

一种新的灰色模型在城市年用电量预测中的应用

城市年用电量由于受经济、社会、气候等多种因素影响,具有一定的灰色特征.针对传统GM(1,1)模型预测误差较大的缺点,将直接灰色预测模型(DGM)引入到年用电量预测中,从而避开了灰微分方程参数辨识时合理选取背景值的问题.以DGM的还原值与实际值的平均相对误差最小化为目标,建立了相应的优化模型并设计了基于微分进化的求解算法.对5种不同增长规律的城市电网年用电量进行预测,并与多种预测方法进行比较,结果验证了所提方法的有效性.     

基于弹性网络模型的月度用电量预测方法

由于现有月度用电量预测所选影响因素较少,无法较为全面地反映与用电量强关联的因素,同时针对高维数据变量筛选和高精度预测等突出难题,文中提出了一种弹性网络用电量预测模型。为了考虑更为全面的影响因素,建立了用电量、气象、经济、交通4类,共340个变量的数据集。首先对8年96个点的高维变量数据进行弹性网络因子筛选,然后使用Granger因果关系分析找出了用电量数据与其它数据的关联关系,对一年范围内的全社会月度用电量使用弹性网络进行预测,预测结果的平均绝对百分误差为3.07%。为验证该模型的有效性,对比向量自回归(VAR)模型,反向传播(BP)模型和最小绝对值收缩和选择算子(Lasso)预测的效果,验证了文中所提方法预测精度较高。     

重庆地区中长期负荷特性和预测方法研究

对于存在多个影响因素的中长期电力负荷,采用常规灰色模型GM（1,1）进行中长期预测不能获得较好的预测精度。提取了中长期负荷主要影响因素之一的生产总值和年总用电量建立了多变量灰色预测模型MGM（1,2）。为进行比较分析,同时还建立了常规灰色GM（1,1）模型。预测结果显示,多变量灰色模型MGM（1,2）的预测精度优于常规灰色模型GM（1,1）。     

基于多变量灰色预测模型的省级电力公司中长期电量预测

目前我国中长期电量预测的结果准确度难以进一步提高,且传统GM(1,1)由于其自身特点,已不再适应近年来全社会用电量变化呈现出的新规律。基于省级电力公司各产业全社会用电量数据,分析了用电量的变化规律。通过挖掘各产业影响用电量变化的因素,分产业建立多变量灰色预测模型,预测了江苏省2016—2018年全社会用电量,预测结果可靠。最后对模型应用的特点进行了总结。     

灰色季节变动指数模型GSVI(1,1)在农村用电量预测中的应用

季度用电量同时具有增长性和季节波动性的二重趋势,这使得季度用电量的变化呈现出复杂的非线性组合特征。对于这种具有复杂的非线性组合特征的时间序列,直接应用GM(1,1)灰色模型往往精度不高。GM(1,1)灰色模型只能反映时间序列的总体变化趋势,不能很好地反映其季节性波动变化的具体特征。为了提高短期用电量的预测精度,提出了用电量预测的灰色季节变动指数模型——GSVI(1,1)模型。GSVI(1,1)模型是将灰色预测方法与季节变动指数有机结合起来,对复杂的不确定性问题进行求解所建立的模型。算例计算表明,与灰色预测方法相比,GSVI(1,1)模型具有更强的适应性和更高的预测精度,适用于农村用电量预测。     

灰色神经网络模型GNNM(1,1)在城市年用电量预测中的应用

针对城市电力系统年用电量增长的特点，将灰色神经网络模型GNNM(1，1)引入城市年用电量预测。GNNM(1，1)模型是把灰色方法与神经网络有机结合起来，对复杂的不确定性问题进行求解所建立的模型。该模型通过建立一个BP网络，来映射GM(1，1)模型的灰色微分方程的解。GNNM(1，1)模型采用BP学习算法，网络经训练收敛后就可进行城市年用电量预测。算例计算表明，与灰色预测方法相比，GNNM(1，1)模型具有更强的适应性和更高的预测精度，适用于城市年用电量预测。     

改进灰色模型在中长期电力负荷预测中的应用

由于中长期负荷预测历史数据较少,而且受外界因素影响较大,因此选取合理的预测模型十分关键.灰色模型是一种比较好的预测方法,但传统的灰色预测精度不理想,为此,提出了一种改进方法,即通过对原始数据进行开次方处理来降低预测模型的模型系数,对数据进行平滑处理来削弱原始数据中异常值的影响,对灰色建模预测后作残差修正和等维新息递补处理,以进一步提高预测精度.经过对重庆地区的农村用电量预测分析表明,提出的改进方法是合理适用的,其中改进GM(1,1)模型开二次方精度最高,预测精度满足实际应用需要.     

基于GMC(1,N)的多因素负荷预测模型及其应用

电力负荷受多种因素的影响,不能把负荷数据当成 "纯粹"的数据看待,重视负荷成因分析是进行准确预测的前提.根据灰色预测的基本原理,通过增加影响负荷的白信息量来降低预测系统的灰度,以传统灰色GM(1,N)模型为基础,应用多变量灰色数列卷积预测模型--GMC(1,N)模型,该模型克服了传统GM(1,N)模型的不足,扩宽了GM(1,N)模型的应用范围.并将GMC(1,2)、GMC(1,3)模型应用于实例,结果证明该方法预测准确,并且由于考虑实际因素的影响,可靠性高,可作为中长期负荷预测工具之一.     

基于改进灰色GM模型的用电量预测方法研究

季度用电量同时具有增长性和季节波动性二重趋势,而灰色GM(1,1)预测模型只能反映用电量的总体变化趋势,不能很好反映其季节性波动变化的具体特征。提出灰色GM(1．1)用电最预测模型的改进模型——灰色季节变动指数模型GSI(1,1)模型,将灰色预测方法与季节指数有机结合起来。算例表明,与灰色预测方法相比,GSI(1,1)模型具有更强的适应性和更高的预测精度,适用于季节性用电量预测。     

基于灰色关联分析及BP算法的用电量预测

用电量是电力系统规划及地区资源配置的重要影响因素,为了提高用电量预测的精度,提出将灰色关联分析法与BP神经网络相结合进行用电量预测。利用灰色关联分析法对影响用电量的主要因素进行分析,确定了3个影响因素并将其作为 BP 网络的输入参数,建立了用电量BP神经网络预测模型;在MATLAB环境下对模型进行训练测试,结果表明该系统收敛速度快、预测精度高,可为用电量的预测提供参考方法。     

基于多变量时间序列反演自记忆模型的中长期电力负荷预测

电力负荷预测的复杂性、非线性使传统的中长期预测模型难以获得精确的结果。为了提高中长期电力负荷预测准确度,构建了多变量时间序列反演自记忆模型。该模型使用灰色关联分析选取电力负荷变化主要影响因素,采用主要影响因素对电力负荷自身变化过程进行动力方程反演,并结合自记忆模型,实现对电力负荷数据的拟合与预测。在提高预测精度的同时,使预测结果最大程度地体现历史电力负荷数据的内在变化规律,提高拟合和预测的稳定性。为了验证模型的效果,使用1986—2002年某地区全社会用电量数据作为训练样本,进行拟合分析,并预测2003—2006年全社会用电量。拟合和预测的结果证明了该模型在中长期负荷预测中的有效性和可行性。     

一种基于灰色系统理论的中长期需电量预测模型

深入研究了基于灰色系统理论的中长期需电量预测方法,剖析了灰色预测ＧＭ（１,１）模型应用的局限性及其改进方法,根据电力系统中长期需电量预测的特点,将国民经济发展对年用电量的影响加到预测模型中,提出一种基于灰色系统理论的中长期需电量预测方法,并用此方法对山东省多年来的用电量进行试验和对未来十几年的用电量进行预测,结果表明：模型精度较高,预测误差较小,预测结果与国家电力公司的宏观预测值基本吻合。     

基于GM(1,2)的中长期负荷区间预测模型

根据电力负荷预测中重视负荷成因和区间预测的指导思想,结合传统预测方法的优点,以灰色理论为基础,运用灰色GM（1,N）模型,分别将三个产业的GDP与用电量结合进行预测,并修正模型系数。同时结合二产GDP高、中、低三个水平进行区间预测。结果证明结合影响因素的预测效果较好,预测区间范围合理,可作为中长期负荷预测工具之一。     

用电量的灰色-多元回归耦合模型预测

应用灰色关联分析方法,探讨了江苏省全社会用电需求量与其影响因素的关系,确定了影响用电需求量的主要因素(重工业用电量、地区生产总值、人均收入、固定资产投资总额和基本建设投资).建立了用电需求量与主要影响因素之间的多元线性回归预测模型,经过回归检验,确定了优化的多元线性回归预测模型.用灰色模型拟合该回归模型自变量的历史数据,并预测其未来发展趋势.应用优化回归模型对江苏省2004～2010年全社会用电量进行了预测.结果表明,到2010年,江苏省全社会用电量将达到3661.95亿kW·h,是2004年用电量实际值的2倍.     

虚拟变量法在用电量预测中的应用

用电量预测是开展电力需求侧管理的一项基础性工作。在实际预测中,许多经济变量是可以定量度量的,而某些影响经济变量的因素却无法量化,定性因素对模型预测有很大的影响。采用虚拟变量方法,将定性因素定量化,建立含有多个虚拟变量的回归模型,在模型中反映这些因素的影响。将这一方法用于电量预测,可以有效提高模型的预测精度,取得理想的效果。     

基于气象大数据的城市电力负荷预测

为克服利用气象因素对用电量预测任务中必须先观测到气象条件再进行预测的困境,提升用电量预测准确性,提出一种基于时序卷积网络与循环神经网络的用电量预测方法.使用时序卷积网络基于历史气象数据对未来气象条件进行预测,结合历史用电量数据对未来用电量数据进行预测.算法在预测当前用电量时只依赖于过去的特征,因此无需先观测到当前气象特征.在真实的气象与用电量数据集上的实验结果表明,在仅使用气象因素这一外部变量时,算法对用电量的预测准确性超出了传统方法,有较高的实用性.     

基于Gauss插值的正交化预测方法在智能电网用电量预测中的应用研究

智能电网的一个重要特征是通过高精度的用电量预测进行电能智能调配,用电量信息的精确预测是电网智能化的关键指标.在此背景下,将高斯正交化插值方法与灰色GM(1,1)预测模型相结合,构造一类新的灰色正交化预测模型--NGGM(1,1),并将此模型应用于智能电网用电量预测研究中.该模型可以有效地解决非等距序列的预测问题,较大程度提高模型的预测精度,优化数据质量,加强电网运行及调配的智能性,为智能电网的辅助决策提供更为符合实际的、可操作的科学参考.最后用所提出的方法对江苏省2008年工业用电量进行预测研究,其结果表明了所提方法的有效性.     

介绍一种电量预测方法—灰色模型

为精确地预测电量,利用灰色系统的理论,对石家庄市网已有年用电量的离乱数列进行数据处理;并建立了年用电量灰色动态模型(GM)。使测量的电量达到一级精度。     

基于Gauss插值的正交化预测方法在智能电网用电量预测中的应用研究

智能电网的一个重要特征是通过高精度的用电量预测进行电能智能调配,用电量信息的精确预测是电网智能化的关键指标。在此背景下,将高斯正交化插值方法与灰色GM(1,1)预测模型相结合,构造一类新的灰色正交化预测模型——NGGM（1,1）,并将此模型应用于智能电网用电量预测研究中。该模型可以有效地解决非等距序列的预测问题,较大程度提高模型的预测精度,优化数据质量,加强电网运行及调配的智能性,为智能电网的辅助决策提供更为符合实际的、可操作的科学参考。最后用所提出的方法对江苏省2008年工业用电量进行预测研究,其结果表明了所提方法的有效性。