基于空穴序列的灰色预测模型及其应用

在实际预测中,原始数据往往呈现空穴序列,无法直接应用传统的基于等间距序列数据的灰色模型对其进行预测.提出直接利用有限的、不连续的观测点数据建立GM(1,1)模型,并利用遗传算法确定模型参数.最后,以某地区的电力系统负荷为算例,分别采用该文直接基于原始空穴序列建模和传统的内插数据后再建模,并将两种模型的预测结果进行了分析比较.结果表明,与传统内插GM(1,1)模型相比较,基于空穴序列的GM(1,1)模型的模型精度和预测精度均较高.     

基于经验模式分解的风电场短期风速预测模型

采用经验模式分解(EMD)和时间序列相结合的方法进行风电场的短期风速预测.针对风速序列的非平稳性和时序性,利用EMD分析非线性、非平稳信号的特点和自回归滑动平均(ARMA)时间序列的建模方法,建立风电场短期风速预测的EMD-ARMA模型.该模型通过EMD方法将原始风速序列进行分解,运用ARMA时间序列的方法对各分量分别进行预测.通过对我国某风电场的实际风速序列进行分析预测,介绍方法的实现过程,证明该方法的有效性.     

基于序列分解的母线负荷降噪预测方法

新型电力系统背景下，分布式电源和用户侧行为的多样性使母线负荷稳定性不足，对负荷短期预测提出了新的挑战。为此，提出一种基于序列分解的母线负荷降噪预测方法，将变分模态分解方法的构造与分解规则应用到母线负荷序列分解中，针对序列分解后的余项，利用局部加权回归方法进行平滑处理，实现母线负荷降噪预测。基于某地区母线负荷有功功率实测数据，构建循环神经网络对降噪后的母线负荷进行预测，结果表明该方法能够去除母线负荷序列噪声，序列趋于光滑且保留了原始母线负荷序列的特征，具有优良的预测曲线和精确的预测结果。     

基于空穴序列的灰色预测模型及其应用

在实际预测中,原始数据往往呈现空穴序列,无法直接应用传统的基于等间距序列数据的灰色模型对其进行预测。提出直接利用有限的、不连续的观测点数据建立GM(1,1)模型,并利用遗传算法确定模型参数。最后,以某地区的电力系统负荷为算例,分别采用该文直接基于原始空穴序列建模和传统的内插数据后再建模,并将两种模型的预测结果进行了分析比较。结果表明,与传统内插GM(1,1)模型相比较,基于空穴序列的GM(1,1)模型的模型精度和预测精度均较高。     

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.     

基于光滑支持向量回归的汽轮机振动分析

传统的时间序列分析方法如统计和神经网络并不适用于复杂的非线性系统.为此,引入了支持向量回归(SVR)算法用以解决复杂时间序列的预测问题,在Matlab6.5环境下编程实现SVR算法,对汽轮机振动数据进行拟合和预测,并与神经网络方法进行比较.为了降低计算的复杂度,在SVR的基础上,采用光滑化算法,对汽轮机振动时间序列进行预测分析.仿真结果表明,光滑支持向量回归(SSVR)在预测性能方面明显优于神经网络.与SVR相比,SSVR具有更好的收敛速度和精度,适于进行复杂动态系统的时间序列分析.     

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。     

基于灰色系统理论的城市需水预测

本文提出了用灰色系统理论进行中长期城市需水预测的建模方法。通过对有限的原始用水量数据的生存处理，把有起伏性的原始序列变成规律性强的序列，从而建立城市需水预测的灰色模型。经实际算例校核证明，利用GM（1，1）及其修正模型进行预测，可以大大提高中长期城市需水预测的精度，而且方法简捷实用。     

基于缓冲算子和时间响应函数优化灰色模型的中长期负荷预测

针对中长期电力负荷预测,对传统灰色预测模型进行改进.一方面,对原始数据序列进行平均弱化缓冲算子作用,有效地消除了冲击扰动系统的干扰;另一方面,提出了时间响应函数的优化方法,即利用原始序列与其模拟值的欧氏距离最小为约束条件,来确定常数C,使原始信息得到更好的利用.将改进的模型应用于某地区年负荷预测中,算例结果表明,改进的模型与传统模型相比具有较高的预测精度,更适用于长期负荷预测.     

配电系统不良数据修正方法的研究

对GM(1,1)基本模型中第一个数据不起作用的结论作了全新的简洁的推导,提出了计及第一个数的零加数GM(1,1)模型,提高了原始数据的利用率.在此基础上,结合电力负荷呈连续性和日周期性变化的特性,提出了用于负荷数据修正的零加数GM(1,1)组合预测方法.该方法通过从两个角度选取原始序列进行零加数建模,采用关联度的分析方法,将预测值进行线性组合.实验证明,零加数模型的预测精度优于原始模型的预测精度,且组合预测比单一序列预测在计算精度上有明显的提高.     

相似日短期负荷预测的非线性理论基础与改进

从非线性动力系统理论角度看,相似日预测的实质是对负荷序列中平衡点和准周期行为的预测。特定相似日预测方法所使用的负荷序列频谱越宽,预测结果就越准确,其实质是加强了准周期和混沌成分的预测;另外,采用负荷水平则增强了对平衡点的预测能力。采用“连续多天负荷”作为改进的相似日预测的基本单元、采用原始负荷的“负荷趋势 相似日”分解预测、对原始负荷序列按照素数间隔二次抽样等,都是提高预测准确率的具体手段。     

基于改进Prophet算法的短期日负荷预测方法研究

将Prophet算法引入负荷预测领域,并结合XGBoost算法提升Prophet负荷预测准确性。Prophet算法基于时间序列分解及机器学习的拟合,将负荷数据分解为趋势项、周期项、随机波动项3部分,引入XGBoost算法改进Prophet算法对随机波动项的预测,将XGBoost 算法对随机波动的预测结果与Prophet算法对趋势项和周期项的预测结果叠加,获得最终的预测结果。该算法适用于用电负荷这种具备一定周期变化特征的序列,易于理解,预测准确性较高。通过某地区用电信息采集系统提供的专公变用户日冻结数据实验验证,结果表明在相同条件下,改进后的算法预测的结果的平均绝对误差百分比较原始的Prophet算法可降低2.5%,同时均方根误差降低幅度可达30.79%,体现出显著的改进效果。     

改进二阶自适应法在电力需求预测中的应用

针对趋势预测法仅适合于平稳时间序列,而电力预测中数据不平滑的特点,提出一种改进的二阶自适应预测方法,通过数据预处理平滑历史数据后,自适应调整预测模型的参数,并对实际供电企业的售电量和负荷进行了分析,证明了提出模型达到了一级精度要求,预测结果令人满意。     

一种粗糙广义回归神经网络在集中供热负荷预测中的应用

为了减少预测模型的输入量,本文利用粗糙集理论智能数据分析的能力,对神经网络进行预处理,抽取关键成分作为神经网络的输入,从而确定粗糙神经网络的拓扑结构,设计了供热负荷预测的粗糙广义回归神经网络模型,并用实际数据进行了仿真检验。实验结果表明,该方法是有效的,而且对供热负荷预测具有较高的精度和可靠性。     

电力月负荷的混沌趋势组合模型预测

针对电力月负荷同时具有趋势增长性和季节波动性,使负荷表现出复杂的非线性特征,从而提出了电力月负荷的混沌趋势组合模型。以四川省全省月负荷序列为例,把原始电力月负荷序列分解为趋势序列和剩余序列。通过计算剩余序列的混沌特征量,识别出剩余序列的混沌特性。在此基础上,利用混沌趋势组合模型对月负荷时间序列进行预测,实例结果表明,该方法对电力月负荷的预测是可行的。     

粗集理论在电力系统负荷预测中的应用

电力负荷预测的准确性对于电力系统的合理规划与建设意义重大.影响负荷预测准确性的最主要因素是原始数据的不确定性.文章应用粗集理论研究了历史数据不确定性影响下的电力系统中长期负荷预测问题.在结合具体实例的基础上,应用粗集理论给出了从负荷预测建模、缺失数据补齐、有效数据筛选到决策规则生成、最终得出负荷预测结果的一完整的预测过程.算例分析表明,应用粗集理论解决数据不确定性影响下的电力负荷预测是可行的.     

基于粗糙集理论和动态时序模型的日负荷曲线预测新方法

作者提出了一种短期日负荷曲线预测新方法.该方法首先采用日最小负荷对日负荷曲线进行规范化,再将日负荷曲线预测转化为对日最小负荷的预测和对日规范化负荷曲线的预测.对日最小负荷预测应用动态时序模型;对日规范负荷曲线应用专家系统进行推理预测,专家系统中的推理规则应用粗糙集理论从历史数据中获取.采用上海电网数据对该预测方法进行了测试,结果表明该方法便于对各种影响因素进行分析处理,能够更有效地利用历史数据所包含的信息.     

基于EMD和SVM的短期负荷预测

为了有效预测具有一定周期性和随机性的非平稳时间序列性的电力负荷,提高预测精度,提出了结合经验模式分解(EMD)和支持向量机(SVM)的短期负荷预测法。该法运用EMD将负荷序列分解成若干个不同频率的平稳分量,分解后的分量突出了原负荷的局部特征,能更明显的看出原负荷序列的周期项、随机项和趋势项;根据各个分量的变化规律,选择合适的SVM参数和核函数构造不同的支持向量机分别预测;由SVM对各分量的预测值组合得到最终预测值。仿真试验表明,此方法与单一的SVM预测法及BP神经网络预测法相比,具有较高的精度和较强的推广能力。     

基于FFT，DC-HC及LSTM的短期负荷预测方法

针对电力负荷序列非线性、随机性等特点引起的电力负荷预测精度低问题,提出一种基于快速傅里叶变换（FFT）、密度层次聚类算法（DC-HC）与长短时记忆（LSTM）神经网络相结合的短期负荷预测方法。首先,采用FFT计算出所有原始电力负荷序列对应的期望频率,并以之作为负荷聚类的特征量。然后采用DC-HC算法对负荷进行聚类,将原始数据分拆成具有特征属性的数据分量组;运用LSTM模型对各分量组进行负荷预测,再将各分量组预测结果进行叠加,得到最终负荷预测值;最后,采用爱尔兰实际电力负荷数据进行算例分析,结果表明所提方法能够有效提高负荷预测精度。