基于D-S证据理论的短期负荷预测模型融合

在各种预测模型融合时确定各种模型的权重直接影响到预测精度.对3种不同的神经网络负荷预测模型分别建立了权重提取和权重融合的数学模型,并运用证据理论对3种预测模型的权重进行融合.通过对历史预测数据的分析,提取了证据理论的融合样本,并将信度函数的多重融合结果作为负荷预测模型权重,得到权重融合后待预测日的负荷预测结果.将权重融合模型的预测结果与单一模型的预测结果进行比较,结果表明权重融合后的模型具有更高的预测精度,提高了负荷预测的准确性.     

基于互信息的电力负荷组合预测模型

针对电力负荷组合预测中权重难以分配问题,运用信息论与模糊评价方法,提出一种新的确定权重的方法.用互信息度量各个预测模型的精度,对所有预测模型的互信息进行模糊评价,并赋予各预测模型相应的权重,互信息大的模型获得较大的权重;反之,获得较小的权重,进而建立一个新的组合预测模型.实例应用表明,经多个误差分析指标的评价,所提出的组合预测模型不仅优于其中任何单个预测模型,而且优于基于熵的组合预测模型.     

基于自适应滚动优化的电力负荷多模型组合预测系统的研究与开发

该文提出了多模型组合预测等预测策略，采用了包括非线性优化组合模型、逻辑预测模型、组合自适应指数平滑模型和综合模型等多种组合模型来进行短期电力负荷的预测；并使用自适应波动优化技术保证每种模型能随负荷特性变化，调整模型参数；同时根据对每种模型在一段时间内的预测误差分析，选取最优的组合模型。基于该文预测策略和预测模型所开发的预测系统的预测结果表明，组合预测模型的预测结果优于单一模型的预测结果。     

灰色关联度组合权在电力负荷预测中的应用

电力负荷预测的复杂性、不确定性使传统的单一预测模型难以获得精确的结果.为提高电力负荷预测准确度,构建了一种组合预测模型.该模型综合灰色递阶模型、"S"曲线模型和逐步回归模型预测结果的过程中引入灰色关联度作为确定组合预测权重的依据,综合协调各个结果,得到更为合理的预测值.     

层次结构下的中长期电力负荷变权组合预测方法

提出了一种基于层次结构的中长期电力负荷变权组合预测方法,借鉴层次分析法的思想,构造一个层次结构来确定组合权重:采用熵值法确定模型评价指标的相对权重;采用方差–协方差优选组合预测方法和灰色关联分析分别确定各单一预测模型在各评价指标下的相对权重,最终确定组合预测模型中的组合权重。在组合预测的整个过程中,根据负荷发展的"近大远小"原则,引入等维信息的概念,实现了变权组合预测,使预测结果能够更合理地反映电力负荷的发展规律。最后通过一个实例验证了该方法的有效性。     

基于负荷误差和经济发展趋势的组合预测模型在中长期负荷预测中的应用

针对组合预测未来预测期权重的确定,充分考虑电力需求与未来经济发展的关系,提出基于两个评价指标来计算各单一预测模型的权重,指标一是各单一模型预测值与实际负荷的误差,指标二是各预测值的年增长率与国内生产总值年增长率的误差.采用客观熵权法和主观G1法来确定两指标的相对重要性,最后综合得出各单一预测模型的权重.该改进组合预测模型解决了未来预测阶段权重的求解问题,通过对农网中长期电力负荷进行预测,结果表明该方法比常规方差优选组合预测模型更为准确和可信.     

基于D-S证据理论的母线负荷预测

基于D-S证据理论,提出一种母线负荷预测新方法。该方法对BP神经网络、改进的BP神经网络和支持向量机(SVM)的母线负荷预测模型分别建立权重提取和权重融合模型,并运用D-S证据理论对3种预测模型的权重进行融合。通过对预测数据进行分析,提取证据理论样本,并将可信度函数的融合结果作为母线负荷预测模型的权重,最终得到待预测日的母线负荷预测结果。仿真结果表明,与单一的母线负荷预测模型相比,经D-S证据理论融合的母线负荷预测模型更有效,也具有更高的预测精度。     

模糊综合评价在负荷最优组合预测中的应用

本文针对实际负荷预测工作的复杂性,提出了运用模糊语言评价对最优组合预测中各模型权重确定的新方法。文中考察了预测模型的多个评价因素,利用模糊语言进行二级综合评优,并对各预测模型的评优结果进行了比较,分析了模型之间的优势关系,进而确定各模型的权重,最后,文中利用该方法对江苏盐城市2002年负荷水平进行了预测,得出了令人满意的结果。     

优化组合预测的设计与分析

阐述了组合预测方法的基本原理,并从理论上论证了组合预测方法相对于单一预测模型的优越性。针对以往的组合预测模型最优权重不能保证非负性的问题,提出了一种新的基于前向神经网络模型的最优权重确定方法,并引入了神经网络优选组合预测模型。通过分析和比较,此模型具有很强的自适应性和较高的预测精度。     

基于最大信息压缩指标与层次分析法的电力负荷组合预测模型

提出一个基于最大信息压缩指标与层次分析法的电力负荷组合预测模型,采用最大信息压缩指标评价单个预测模型的精度,用层次分析法确定各个模型以权重。最大信息压缩指标越小,信息损失越少,权重越大.实例分析表明该组合预测模型预测精度高.     

组合预测方法在电力系统负荷预测中的应用研究

组合预测方法是一种性能优越的预测方法。选择了电力负荷预测精度较高的两种单一预测模型——无偏灰色预测模型和时间序列预测模型,通过它们建立了三种不同的组合预测模型,对我国电力负荷进行了预测,验证了组合预测模型的优越性。最后,通过对三种组合预测模型的预测结果进行对比,选择一个最适合电力负荷历史数据的模型,通过该模型对我国社会用电量进行预测,获得了较好的预测效果。     

基于诱导有序加权调和平均算子和马尔科夫链的电量组合预测模型的研究

将诱导有序加权调和平均算子和马尔科夫链相结合,提出一种基于诱导有序加权调和平均算子和马尔科夫链的组合预测模型,该模型可以克服传统的组合预测方法赋予不变的权系数和以单一误差指标作为预测精度衡量的缺陷,同时采用马尔科夫链推出各单项预测模型在各个预测时间点预测精度的状态,从而得到组合模型的权系数。文中首先采用回归法、指数平滑法及灰色预测法分别建立了陕西省某市年用电量单项预测模型,随后引进诱导有序加权调和平均算子和马尔科夫链的概念,建立了年用电量的组合预测模型,并对年用电量进行了实证分析。实例分析表明了新模型能有效地提高组合预测精度,降低预测的风险性,从而证明这种组合模型具有较好的实用性。     

基于拟牛顿法小波神经网络的光伏发电系统短期功率预测模型

光伏发电系统出力的随机性会对大电网造成冲击,需要加强光伏阵列发电功率预测的研究.为此,提出采用拟牛顿法小波神经网络建立光伏发电系统短期功率预测模型.以某光伏电站实测数据为比较对象,与基于标准梯度下降法BP神经网络以及基于附加动量和自适应学习速率结合的BP神经网络建立的2种预测模型进行对比研究,结果表明,拟牛顿法在收敛速度和预测精度上都更具有优势.此外,通过和拟牛顿法BP神经网络功率预测方法对比表明,拟牛顿法小波神经网络的预测精度更高,尤其是在一天早中晚时刻或辐照度较低情况下预测效果得到了很大的提高.     

基于气象成分分解的夏季短期负荷预测

夏季负荷受温度等气象因素影响大,表现出随机性强、波动性大的特点。针对现有短期负荷预测模型在夏季预测精度不高的问题,提出在负荷成分分解的同时,将温度分解为日周期分量和波动分量,以此准确把握短时气象波动对夏季短期负荷预测的影响。在充分分析负荷各分量变化趋势及对整体负荷预测精度影响的基础上,针对各个负荷分量特征分别选择预测方法。在预测气象敏感负荷分量时引入温度波动分量,基于XGBoost智能算法构建预测模型。选用我国中部某市夏季历史负荷建立训练样本,对2017年8月份日96点负荷进行预测,预测结果验证了所提模型和算法的有效性。     

模糊线性回归法在负荷预测中的应用

线性回归是电力系统中期负荷预测的常用方法。由于受众多不确定性因素的影响，历史数据和相关变量未来取值常常是不准确的，致使该方法的预测结果误差较大。为了提高电力负荷预测的精度，作者提出了一种改进的模糊线性回归预测方法，即加权模糊线性回归预测法，它将模糊线性回归法预测模型的求解归结为一个线性规划问题，并对该模型进行改进，按照回归变量的重要程度确定目标函数中各项的权重，并按照各历史数据的重要程度确定贴近度标准。文中提出的改进模型即加权模糊线性回归模型是可调的，能够灵活计及预测中的一些定性模糊因素。实际算例表明，文中的改进措施提高了模糊线性回归法的预测精度。     

短期电力负荷预报间隔采样混沌模型

现有研究工作表明电力系统负荷数据具有弱混沌性。在负荷预测混沌建模方法中,Lvapunov指数预报模式具有理论基础强、模型简单、预测精度高等优点,但预测时限受负荷吸引子最大Lyapunov指数限制。针对Lyapunov指数预报模式的不足,提出了k-△t间隔采样混沌模型,首先将原始负荷序列分解为多个不相交的了序列,然后对各个子序列分别建立Lyapunov指数预报模型。改进了求解最大 Lyapunov指数的方法,探讨了原始负荷序列最大可分解子序列数目的确定依据。数值实验结果表明文中提出的模型能有效地提高负荷预测精度、增加预测时限。     

组合预测法在电力负荷预测中应用

由于电力系统负荷具有很多不确定的因素,用单一模型进行负荷预测时,其预测精度不高。采用组合预测法对能很好反映负荷变化规律的模型赋予较大的权重,从而提高负荷预测精度,示例计算表明组合预测法的预测精度明显高于各单一模型的预测精度。     

具有白指数律重合性的改进GM(1,1)负荷预测

针对传统灰色模型的建模机理和存在的局限性,提出了改进方法。首先对原始负荷数据序列应用对数处理的数据预处理方法,减小了序列的级比偏差,然后将具有白指数律重合性的预测方法引进负荷预测,解决了发展系数较大时不能用的禁限,最后对负荷预测差值进行适当阶次的对数处理,建立了局部残差处理模型。通过实例分析表明该方法较普通GM(1,1)模型具有更高的精度。     

基于层次分析法的电力负荷组合预测

为提高电力系统负荷预测的预测精度,提出了一种基于层次分析法的中长期负荷预测组合预测的方法,依据层析分析法中要素权重求取原则,建立了阶梯层次结构,构建两两比较矩阵,分层次对权向量取值,实现了中长期负荷组合预测下各单一负荷预测的总权重的求取,提高了权重求解的准确性;利用组合预测的原理,按照层次分析法中求解出的权重系数,将多个预测模型的预测结果进行拟合,得到组合预测的结果,从而有效减小单一负荷预测中不确定性因素带来的误差,规避各单一预测方法的不足,减少单一负荷预测对电力系统负荷预测的预测风险,提高预测精度。最后利用某县2005-2010年的除大用户用电负荷作为算例进行实例分析并证实了所提方法的科学性、实用性。     

基于经验模式分解和最小二乘支持向量机的短期负荷预测

电力负荷是具有一定的周期性和随机性的非平稳时间序列,传统的预测方法是建立在负荷是平稳序列的前提下,难以精确的预测。为了进行有效的预测,提高预测精度,提出将经验模式分解EMD(Empirical Mode Decomposition)和最小二乘支持向量机LS-SVM(Least Square Support Vector Machine)相结合对短期负荷进行预测。首先,运用EMD将负荷序列自适应地分解成一系列不同尺度的本征模式分量IMF(intrinsic mode function),分解后的分量突出了原负荷的局部特征,能更明显地看出原负荷序列的周期项、随机项和趋势项;然后,根据各个IMF的变化规律,采用合适的核函数和超参数构造不同的LS-SVM进行预测,最后对各分量的预测值进行相加得到最终的预测值。仿真试验表明,此方法具有较高的精度和较强的推广能力。