模糊数与多指标灰靶决策理论相结合的小区负荷预测方法

将模糊数与多指标灰靶决策理论相结合应用于小区负荷预测:收集各类小区负荷密度及相关因素样本,通过模糊聚类方法分析样本形成模糊负荷密度等级;根据模糊负荷密度等级和待预测小区未来相关因素,采用基于熵权的多指标灰靶决策进行小区负荷密度预测;利用类内相似度法对小区负荷密度进行修正.算例结果表明将模糊数和多指标灰靶决策理论结合起来应用于小区负荷密度预测,准确度和可信度较高.该方法将预测过程科学量化,克服了以往简单类比法主观性大的缺点.     

基于数据挖掘技术的地区电网负荷特性分析与预测

针对不同地区的电网用电负荷特性,基于一种数据挖掘技术建立了地区电网负荷特性分析与预测模型.首先用模糊聚类分析对负荷影响因素约简,消除负荷影响因素之间的强相关性,并可将众多的影响因素按其特点进行归类;其次依托灰靶理论原理,以最大负荷状态模式构造标准模式序列并建立灰靶,对影响因素类进行灰靶变换,得出影响因素指标相对标准模式的靶心度;最后将靶心度转化为灰靶贡献度,将其平均值作为各类影响因素对最大负荷影响的权重系数,形成最大负荷预测模型.结合地区电网历年最大负荷和影响因素实际数据,验证了此组合模型有较好的实用性和较高的精确性.     

基于决策理论的配电网负荷预测技术

负荷密度指标法是配电网中长期负荷预测的方法之一,是通过经验或简单类比来获取负荷密度指标,但在预测过程中需要考虑许多不确定因素,预测结果受预测人员直观判断的影响较大。介绍了一种基于模糊综合评价法的负荷密度指标模型,该模型采用模糊综合评价和层次分析法的决策理论,对负荷密度指标进行选取,使负荷预测的结果更加科学合理,为配电网负荷预测提供了一种新的思路。     

基于最小二乘支持向量机和负荷密度指标法的配电网空间负荷预测

传统的负荷密度指标的求取方法通常采用经验法或简单类比法,难以满足精度要求,从负荷密度与其影响因素存在着某种非线性关系的角度出发,提出了一种基于最小二乘支持向量机(least squares support vector machine,LS-SVM)的配电网空间负荷预测方法。该方法首先引入模糊C–均值算法把各类用地性质负荷聚类为几个等级,建立比较精确的负荷密度指标体系;然后根据待预测地块的规划属性,在体系中为LS-SVM预测模型选出与预测样本特征更为相似的样本进行训练,提高LS-SVM的泛化能力和预测精度;采用遗传算法对LS-SVM预测模型的参数进行自动优化,进一步提高预测模型的适应性和预测精度,实例验证了该方法的实用性和有效性。     

基于模糊粗糙集理论的综合数据挖掘方法在空间负荷预测中的应用

基于模糊粗糙集理论，提出了一种综合数据挖掘方法，并将其应用于空间负荷预测中。基于规则约简方法提出了循环采样方法，采用数据库知识获取技术按采集的样本属性值将样本聚类，根据聚类中心对连续取值的属性设定模糊值，根据决策属性的包含度对模糊粗糙规则进行筛选，并采用数据库知识获取技术实现了用地类型的转换。算例结果表明该方法简单灵活，可用于短期、中期和长期空间负荷预测中。     

模糊聚类预测法在电网负荷预测中的应用

介绍一种模糊数学方法应用于负荷预测,该方法首先根据模糊聚类分析的方法对电力负荷及其相关因素的历史样本进行归纳分类,然后采用合适的模糊数及模糊集描述各类样本中负荷变化的模式及环境的特征。最后,由未来环境状态判定未来负荷变化属于哪种模式,从而预测出未来的电力负荷。     

基于模糊粗糙集理论和时空信息的空间负荷预测

空间负荷预测是城网规划领域的基础工作,目前空间负荷预测大多是依靠一些历史负荷数据来进行,却忽视了地理空间信息的影响。对于同一类用地来说,由于各小区的地理空间信息不同,其发展程度存在一定的差异,进而各小区的负荷密度也不相同,如果采用统一的负荷密度进行预测,势必会带来较大的误差。因此,该文提出一种基于模糊粗糙集理论和时空信息的空间负荷预测方法。借助地理信息系统(geographic information system,GIS)获取供电小区的空间信息,分析空间信息对各类负荷分布的影响。结合模糊粗糙集理论得到每个供电小区适合其发展的统一模糊粗糙因子(因为每类小区的统一模糊粗糙因子的划定都有其自身的标准,该统一模糊粗糙因子的大小仅适于同种类型小区间的比较),从而刻画出同类负荷间负荷密度的差异。该文所提方法能够更精确地刻画负荷发展不均衡、不协调的现象,提高空间负荷预测的精度。工程实例分析表明了该方法的实用性和有效性。     

电力负荷的模糊粗糙集预测方法研究

通常空间电力负荷的影响因素较多 ,小区划分较小时模糊推理规则将成倍增加 ,为此引入了粗糙集理论的属性约简方法简约预测因子 ,即采用粗糙集理论的不可分辨性关系约简可能影响小区用地决策的距离和环境等相关属性 ,得出决定小区用地类型的决策推理规则库 ;为克服模糊理论确定权重系数的主观性 ,应用粗糙集理论中属性重要度分析计算了各条件属性对各用地类型的不同权重。重庆江北某区域空间电力负荷预测的结果显示 ,粗糙集与模糊集理论相结合能节约存储空间且能提高预测速度     

基于IAHP和TOPSIS方法的负荷密度指标计算

针对配电网空间负荷预测过程中负荷密度指标难以选取的问题,在层次分析法的基础上,提出了基于区间层次分析(IAHP)法和逼近理想解排序(TOPSIS)法的负荷密度指标选取方法。该方法通过用区间数代替点值,对传统的层次分析法进行改进,并将IAHP法和TOPSIS法有效融合,将专家经验和定量计算相结合,处理决策因素的不确定性和专家判断的模糊性,增强了对负荷密度指标预测结果的可信度。采用类内相似度方法进行负荷密度修正,进一步提高了预测结果的精度。实例计算表明,所提出的方法预测结果更优、误差更小。     

采用混合语言信息群决策的电力负荷密度预测法

传统城市空间负荷密度预测法在实际预测过程中其结果的可信度依赖于大量有效的样本数据,而在实际中收集到较齐全的可行样本数据存在很大的难度。为此提出了一种将混合语言信息群决策方法和BP神经网络相结合的城市电力负荷密度预测法。该方法采用基于混合语言信息的群决策方法,通过各决策者的评价,计算城市各小区相应的经济、人口、地理环境的综合评分值,并利用BP神经网络,训练各指标综合评分值与相应的小区负荷密度,利用训练后的网络结构和待定小区的各指标综合评分结果,预测城市该小区的负荷密度。通过对城市若干小区的负荷密度及各指标综合评分值做比较分析,预测了部分小区的负荷密度值。结果表明预测计算过程摆脱了需要大量收集特定指标定量数据的问题,并且预测结果具有较高的可信度。     

基于灰色和马尔科夫系统理论的需求侧响应能力预测

近年来,随着分布式电源、电动汽车、智能用电器在用户侧接入比例越来越高,可以调动的需求侧资源将越来越丰富。探究多重变量对需求侧响应的影响,提出基于灰色关联度的多阶灰色预测模型和马尔科夫链模糊矩阵相结合的预测方法,对长期需求侧响应能力进行预测。采用的多阶灰色预测模型主要考虑到了负荷自变量的时间特性以及多重外在变量的相关性,而灰色关联度分析方法可以定量的研究事物之间的关联程度,当状态变量和时间变量是离散数据时,马尔科夫链对灰色理论中间累加过程中产生的误差有较好的调整效果,因此采用马尔科夫链模糊矩阵对预测误差进行修正,提高了长期需求侧响应能力的预测精度。结合我国上海市近10年的负荷数据,验证了所提预测方法的有效性。     

基于灰色关联投影法的短期负荷预测相似日选择算法

为了提高短期负荷预测的精度,合理有效地选取预测相似日是非常重要的,提出了基于灰色关联投影法的相似日选取算法。该算法首先针对影响负荷变化因素的复杂性和不确定性,以灰色理论计算出了相应的权重,接着,结合投影法计算历史日相对于待预测日的灰色投影值,比较投影值,可以得到与待预测日最接近的相似日。理论与实例均表明,该算法具有通用性,对任意包含多个因素的历史日都能够快速准确地算出其与待预测日的相似程度,具有很好的相似日选择效果。     

基于模糊差异度的电力系统可靠性原始参数选取

研究了考虑气候因素影响的电力系统可靠性原始参数选取问题.以可靠性参数已知的线路的可靠性影响因素序列为基准向量,以可靠性参数未知的线路的可靠性影响因素序列为待检向量,基于灰色关联和模糊数学理论,计算两向量之间的灰色关联度和模糊距离,并综合形成模糊差异度.根据长期统计所得的可靠性参数来正确选取新的工程应用中的可靠性参数.实例表明,用该方法获取可靠性的基本参数,比用单一灰色关联度或模糊距离获取可靠性参数更加趋于合理.     

基于灰关联加权组合模型的电力负荷预测研究

针对灰色系统理论中的预测模型(简称GM(1,1)模型)不太适于中长期负荷预测的不足,以及由历史负荷数据的不同时段建模形成预测灰区间的特点,提出了灰关联加权组合修正方法。从历史负荷与其拟合数值的灰关联度挖掘出负荷发展的“远、近”趋势,对灰区间值进行加权组合,大大提高了GM(1,1)模型的预测精度。使用该方法对某一地区未来几年的负荷预测得到了较为理想的结果,说明该方法对中长期负荷预测非常有效,弥补了GM(1,1)模型在该领域内使用的缺陷,具有一定的理论价值和实际应用价值。     

基于灰色关联与模糊聚类分析的负荷预处理方法

电力负荷曲线反映了在一定时间间隔内用户侧消耗的电能,包含了电力系统运行调度与可靠性等重要信息。然而信道错误、仪表故障、设备停运等随机因素导致负荷曲线包含异常数据与缺失值。文中提出一种基于灰色关联分析和模糊聚类(GRA-FCM)的负荷预处理模型。首先通过灰色关联分析确定与待检测日关联度较大的相似样本集,然后采用模糊聚类算法与聚类有效指标得到典型特征曲线,最后对辨识的异常数据进行修正。将所提模型应用于某城市电网SCADA系统负荷预处理中,表明所提模型有很高的准确性和实用性。     

基于云理论的配电网空间负荷预测方法研究

提出了一种新颖的配电网空间负荷预测模型，该模型采用了基于云模型的知识表示，将定性概念所具有的模糊性、随机性有机地结合在一起，构成了定性和定量相互间的映射，克服了传统模糊理论的不彻底性。该文将云理论、面向对象的归纳方法以及粗糙集相结合，进行土地使用决策中空间属性信息定量定性转换、空间数据的离散化、决策规则的挖掘，克服了传统基于模糊集的空间负荷预测模型中模糊集参数及模糊系统规则选择的主观性，同时也利用云理论与粗糙集理论相互间的互补性,增强了知识发现的能力。运用基于云理论的不确定性推理计算小区对各用地类型适应性的评分，使推理结果更加合理而且贴近实际。给出了基于该模型的小区改造判据，改进了计及小区改造及经济性的用地分配的多目标规划模型，计算小区负荷。最后用实例说明了该方法的有效性。     

基于模糊聚类与RBF网络的短期负荷预测

采用模糊聚类分析方法,应用隶属度来描述负荷与影响负荷变化因素之间的关系,得到一批与预测日在样本信息上类似的历史日;改进RBF网络的训练算法,增强RBF网络的局部逼近能力和泛化能力,采用由模糊聚类分析获得的样本对RBF网络进行训练,在不需大量训练样本的前提下实现对短期负荷的预测。对浙江省某地区电网的实际负荷数据仿真结果表明:该方法预测的日平均相对误差为1.91%,预测准确度为97.41%。     

计及元胞发展程度的空间负荷预测方法

针对分类负荷在不同元胞内发展程度不同导致元胞负荷分布不均衡,从而影响空间负荷预测结果精度的问题,提出一种计及元胞发展程度的空间负荷预测方法。首先建立电力地理信息系统(GIS),在电力GIS中生成元胞,并整合基础信息,其中包括用地信息、10kV馈线的供电范围及分类负荷数据。其次求出总分类负荷密度的饱和值,再结合生长曲线揭示总分类负荷密度的发展规律。然后找到当前年各元胞内分类负荷密度在总分类负荷发展规律曲线上的位置,即为各元胞内分类负荷密度的发展程度。最后根据当前年元胞内各分类负荷密度的发展程度,结合总分类负荷密度发展规律曲线,确定目标年各元胞内分类负荷密度,再乘以元胞中每类负荷所对应的面积实现对元胞负荷值的预测。实例分析表明了该方法的正确性和有效性。     

基于模糊贴近度理论的负荷密度指标求取新方法

现有负荷密度指标的求取方法通常采用经验法或简单类比法,难以满足精度要求.文中引入模糊贴近度理论分类求取负荷密度指标,采用加权海明贴近度算式计算不同等级标准样本及待测区对低水平样本的贴近度,获得负荷密度指标体系划分阈值,并给出待测区参考负荷密度指标值.实例表明,该方法构建合理,概念清晰,计算简便,实用性较强.     

基于模糊聚类识别及统计相关的短期负荷预测

应用模糊聚类理论，通过对负荷历史数据进行聚类和隶属度分析，依据模糊聚类和模糊模式识别、类别（或级别）变量特征值与概率统计相关分析等模型，根据模糊聚类参数与预测因子的前期特征值，确定相应的类别变量特征值，建立类别变量特征值与预测对象之间的相关关系，利用此相关关系进行负荷预测。应用隶属度来描述负荷与影响负荷因素之间的相关关系，可以同时考虑多种影响负荷因素，在算法上只是隶属度矩阵的阶数发生变化，预测过程简单明了。实践结果表明，此方法具有较高的预测精度，能较好地适应不同地区的负荷特性。