电力系统可靠性原始参数的滚动预测和残差修正

可靠性原始参数的分析与确定是电力系统可靠性评估的基础。针对电力系统可靠性原始参数匮乏的情况,利用灰色系统小样本的特点,运用滚动预测对可靠性原始参数的预测进行残差检验,在考虑数据新陈代谢的同时又能减少计算量。并对滚动残差的变化规律作了分析,建立其单调区间的灰色预测模型,进行残差修正,补偿原有的预测数据,使预测值能更好地拟合原始数据。最后,通过实例计算和模型精度检验说明该方法有较高精度。     

基于周期残差修正灰色模型的输电线路载流量的预测与分析

在能源短缺问题日益严峻、供电可靠性要求不断提高的大环境下,大幅度提高输电线路输送能力,降低输电成本势在必行。为了充分利用输电线路未来允许载流量,提出了基于灰色模型的载流量预测的方法,通过对原始数列进行平滑处理,削弱数据的主观性和偶然性的干扰。根据原始载流量序列存在多周期的特点,对传统灰色模型理论进行改进,提出了使用残差修正基对残差值进行补偿的方法来预测输电线路的载流量。该方法不仅具有传统灰色模型所需样本数据少、运算方便等特点,同时还体现了载流量的周期性规律,使拟合曲线更加接近原始数据,载流量的预测更加准确。通过对现场采集数据进行预测和分析,表明该模型较传统灰色模型的精度更高。基于上述模型,分析了载流量预测在输电线路潮流调度中的作用,载流量预测可以在保证电力系统安全运行的前提下,实现电网的更经济运行。     

滑动平均法改进型灰色预测模型在德山开发区电力负荷预测中的应用

利用灰色控制理论对德山开发区电力需求量进行预测.用生成方法对原始数据进行处理,消除了影响电力需求量的众多非重要因素,并从原始数据中挖掘有用的信息,建立微分拟合方程,基于残差修正提出滑动平均法改进型灰色预测模型,增加当年数据的权重,避免数值的过度波动.德山开发区电力负荷预测结果表明该模型能有效提高预测精度.     

基于GM(1，1)与BP神经网络的综合负荷预测

针对电力负荷预测中的单一预测模型存在的局限性,提出基于BP神经网络和GM(1,1)的残差修正组合模型。通过算法组合的方式进行系统建模,从而提高负荷预测模型的精度。首先通过GM(1,1)模型进行预测,得到灰色残差序列,利用灰色残差序列建立BP残差修正模型,利用该模型进行残差预测,最后将残差修正值和GM(1,1)模型预测值进行叠加得到最终所需的负荷预测值。利用该模型对某地区进行仿真实验,结果表明该修正模型具有较高的预测精度和实用性。     

含误差校正的粒子群优化GM(1，2)短期电价预测方法

在对电力市场现货电价的变动规律综合分析的基础上,提出了一种含预测误差校正的粒子群优化GM（1,2）短期电价预测方法。该方法对采用滑动平均法处理后的电价序列建立基于粒子群优化灰色背景值的GM（1,2）模型,利用时间序列分析的ARMA方法对灰色残差序列建立ARMA预测模型,并用ARMA模型的预测值修正GM（1,2）模型的预测结果。对PJM电力市场历史数据的算例分析表明,相对于传统GM（1,2）模型,该方法能够更加准确地反映电价的变化规律,具有较高的预测精度,可满足电力市场参与者制订竞价策略的需要。     

含误差校正的粒子群优化GM(1,2)短期电价预测方法

在对电力市场现货电价的变动规律综合分析的基础上,提出了一种含预测误差校正的粒子群优化GM(1,2)短期电价预测方法.该方法对采用滑动平均法处理后的电价序列建立基于粒子群优化灰色背景值的GM(1,2)模型,利用时间序列分析的ARMA方法对灰色残差序列建立ARMA预测模型,并用ARMA模型的预测值修正GM(1,2)模型的预测结果.对PJM电力市场历史数据的算例分析表明,相对于传统GM(1,2)模型,该方法能够更加准确地反映电价的变化规律,具有较高的预测精度,可满足电力市场参与者制订竞价策略的需要.     

基于灰色傅里叶变换残差修正的电力负荷预测模型

提出基于灰色傅里叶变换残差修正的负荷预测模型,首先运用滑动平均法对原始数列进行改进,减弱异常值的影响;然后运用傅里叶变换对一般灰色预测模型进行改进,通过对残差进行修正,消除样本数据中偶然因素的影响.算例分析表明,与一般灰色预测模型和马尔可夫残差修正模型相比,该模型的预测精度有所提高,证明了该模型的有效性和实用性.     

中长期电力负荷的灰色残差修正组合预测

中长期电力负荷走向趋势曲线往往呈S型,直接运用灰色GM(1,1)模型预测会造成较大的偏差。针对负荷曲线固有的发展趋势,根据曲线发展的不同阶段分阶段预测,采用GM(1,1)模型进行第一阶段的预测,采用残差修正模型进行第二阶段的预测。在分阶段预测的基础上,根据每一阶段的预测精度分配权重,进行组合预测。该方法将数据本身发展趋势和模型固有优点相结合,预测结果表明该方法在提高精度上有可行性。     

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.     

改进Verhulst模型在饱和负荷预测中的应用

为实现对宏观负荷的饱和时间点、饱和规模的预测,提出了一种基于改进Verhulst模型的饱和负荷预测方法。针对饱和负荷预测时间跨度长、负荷规模增长呈现"S"型的特点,将等维新息递补技术引入灰色Verhulst模型,使预测结果能够更科学合理地反映用电需求的发展规律。采用残差修正的思想,构造Verhulst残差修正模型,实现对用电需求的分析与预测。最后,通过实例分析说明该方法的有效性。     

基于小波包分解和长短期记忆网络的短期电价预测

在电力市场环境下,精准的短期电价预测可以保障电网优化调度和安全稳定运行,但实时电价具有非平稳性和非线性的特点,加大了预测难度。针对这一问题,提出了一种基于小波包分解（WPD）和长短期记忆（LSTM）网络的短期实时电价预测方法。将实时电价序列分解,得到最高频细节部分和低频趋势部分,剔除波动性高、无效信息多的高频细节部分,再采用LSTM网络对有效信息最多、更能体现电价序列的趋势部分进行实时电价预测。使用所提方法对美国PJM市场某地区实时电价数据进行预测实验,结果表明所提方法相比随机森林、BP神经网络、支持向量机电价预测方和传统的LSTM网络电价预测方法具有更高预测精度。     

基于长短时记忆网络-纵横交叉算法的含高比例新能源电力市场日前电价预测

精准的日前电价预测能够协助电力市场参与者做出合理的决策.随着高比例新能源接入电力系统,日前电价的预测难度不断加大.为了提升含高比例新能源电力市场日前电价的预测精度,提出了一种基于奇异谱分析(singular spectrum analysis,SSA)和纵横交叉算法(crisscross optimization,CS...     

基于可信度加权组合的电价波动模式日前预报方法

准确的日前电价预测对电力市场参与者的优化决策具有重要意义。目前,大多数日前电价预测方法并不区分每天电价的波动模式而采用统一模型进行预测,当被预测日的波动模式与历史数据出现较大差异时无法保证预测的准确性。根据不同的日波动模式采用相似历史数据进行分类建模是解决此问题的有效途径,这就需要建立针对历史数据不同波动模式的分类识别模型和针对未来波动模式的日前预报模型。为此,文章提出一种针对分类预测的电价日波动模式日前加权组合预报方法。第一,采用K-means算法对日电价序列进行聚类分析,在分析聚类结果特性的基础上提取反映每日波动模式差异的特征向量,利用支持向量机分类（support vector machine for classification, SVC）方法建立电价数据日波动模式的识别模型;第二,利用多种常规方法建立日前电价预测模型对日前电价进行预测,并将预测结果输入日波动模式识别模型得到对应的模式识别结果;第三,根据多个方法波动模式预测结果对历史数据表现出来的不同精度,设计了基于可信度的组合机制,实现考虑预测准确性的加权组合预测,从而得到最终的日波动模式预测结果。利用美国PJM电力市场电价数据进行的仿真分析表明,提出的日前电价波动模式预测方法能得到较为准确的模式预测结果;利用电价波动模式日前预报进行分类预测的精度相对统一预测有显著提高。     

基于奇异谱分析的短期电价预测

针对电价序列具有非线性和非平稳性的特点,提出了一种基于奇异谱分析(SSA)和改进布谷鸟算法(ICS)优化极限学习机(ELM)的短期电价预测模型。采用奇异谱分析提取电价序列中的趋势成分和振荡成分,进行准周期信号分量重建,并对重建序列进行ELM建模预测。针对ELM预测模型中的参数易陷入局部最优的问题,为了提高预测精度,提出改进布谷鸟算法优化预测模型的参数。最后将所有预测序列进行叠加,得到最终的电价预测值。以澳大利亚某电力市场电价数据为例进行分析,通过与其他几种预测模型相比,表明SSA-ICS-ELM模型能有效提高电价预测的精度和稳定性。     

基于CEEMDAN分解的深度学习分位数回归电价预测

电力市场中电价预测的准确性对于供应商竞价策略的制定至关重要。针对电价预测问题,提出一种基于完备经验模态分解的深度学习分位数回归电价预测方法。首先,采用自适应噪声的完备经验模态分解方法对电价序列进行分解,得出各个模态分量;然后,采用深度学习中空洞因果卷积神经网络预测模型在不同分位数下对各个分量进行预测,并将预测结果重构;最后,对预测结果采用核密度估计得到电价的概率密度函数。经过对美国电力市场PJM的实际数据进行仿真验证,所提出的组合预测方法相比于其他分位数回归方法,不仅具有更高的预测准确度,且可以为供电商提供更多有效信息。     

基于趋势指标与长短时记忆网络的电力市场日前电价预测

为提高电力市场日前电价的预测精度,提出一种基于趋势指标与长短时记忆网络（LSTM）的日前电价预测模型。首先,计算日前电价的随机指标（KDJ）与异同移动平均线指标（MACD）,挖掘电价的内在规律信息;然后,将计算出的趋势指标与电价信息输入LSTM,对电力市场日前电价进行预测;最后,利用电力市场日前电价数据进行验证。算例分析表明该模型相比反向传播神经网络（BPNN）、LSTM和门控循环单元网络（GRU）等模型预测精度更高。     

含高比例风电的电力市场电价预测

在解除管制的电力市场中,精确预测电价有助于市场各方有效参与市场运营与管理。清洁能源渗透率的提高,给电价预测精度带来了新的挑战。文中选择不同的输入特征变量并结合长短期记忆(LSTM)网络的特点,构建含高比例风电的电力市场电价预测模型对含有风电的电力市场电价进行预测。研究表明,风能和负荷的比值是含高比例风电的电力市场风电电价预测的关键输入参数。LSTM具备时间延迟记忆特点,拥有较好的电力市场时间序列电价预测能力。以北欧市场中DK1电力市场实际数据为基础,采用3种模型进行对比分析,结果表明含有风能和负荷的比值且考虑多时刻信息输入的LSTM模型可以较大地提高低谷时段的电价预测精度。     

基于小波分析与广义自回归条件异方差模型的短期电价预测

由于电价波动具有非线性及波动集群现象,因此提出了一种基于小波分析和广义自回归条件异方差模型相结合的短期电价预测新方法。首先应用小波分解原理将电价序列分解成低频部分和高频部分,在此基础上对各子序列分别建立广义自回归条件异方差模型并进行预测;然后利用小波理论对各子序列的预测结果进行重构,实现对原始电价序列的预测;最后以美国加州电力市场历史数据为例进行了验证,结果表明本文方法是可行和有效的。     

基于遗传算法和径向基函数神经网络的短期边际电价预测

文章分析了影响电价的主要因素及电价的变化特点,讨论了电价预测模型中必需引入的影响电价的因素。在比较常用的几种电价预测方法的优缺点后,作者采用径向基函数神经网络(radial basis function neural networks,RBF)建立短期边际电价预测模型,用递阶遗传算法(HGA)同时训练RBF网络结构和参数。并以美国New England ISO公布的2002年历史电价数据进行训练和测试,与传统的BP网络预测模型相比较, 测试结果证明该模型的预测精确度是令人满意的。     

考虑电价不确定性的负荷价-量曲线聚合方法

随着电力市场的发展,需求侧逐渐参与电力市场报价。报价曲线需要反映需求侧的真实价格响应特征。然而,需求侧的负荷资源具有数量多、单个容量小的性质。大量用户聚合上报的价-量曲线尽量准确地反映需求侧特征,有利于售电侧准确掌握聚合用电特性,维护电力市场经济信号准确性。针对此,提出一种考虑电价不确定性的需求侧用户价-量曲线聚合方法,该方法可有效保留各负荷的价格响应特性,并为大量需求侧用户参与市场出清提供技术支撑。首先,该文考虑电价预测的不确定性,基于后验误差与核密度估计,建立适应多种电价预测模型的电价概率分布生成方法;在此基础上,提出需求侧用户价-量曲线的最优聚合模型,能在预测电价附近展现良好的聚合精度,且适用于不同出清模式的电力市场。针对所提模型具有的分段非线性特性,该文采用启发式算法-粒子群算法求解该模型。最后,基于真实电价数据验证了所提方法的有效性。