短期母线负荷优性组合预测方法及其在成都电网中的应用

短期母线负荷预测是编制停电检修计划、确定年度运行方式、优化改接负荷及状态估计等工作的重要前提,对提高驾驭大电网能力、开展节能发电调度、实现安全校核精益化管理具有重要意义。针对短期母线负荷预测中单一预测方法的局限性,提出了优性组合预测新方法。依据预测方法在样本区间及预测区间上的灰色关联度、点预测精度及区间预测有效度指标,提出了预测方法综合有效度系列概念。以全区间综合有效度为优选指标,对预测方法进行筛选,采用方差-协方差法求取组合权重。成都电网110 kV母线负荷预测算例表明,所提方法预测精度高、稳定性好。     

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。     

中长期电量灰色预测中数据预处理方法研究

中长期电量预测是电网调峰、电源和电网建设规划以及电力需求侧管理等工作的基础.在研究传统中长期灰色预测模型的基础上,分别引入滑动平均、幂函数变换和结合预期影响等方法,改进了传统灰色模型的数据预处理环节.其中的预期影响调整环节是首次被应用到电量预测中,通过挖掘和利用更多、更深层次的信息,使预测精度得到提升.此外,介绍了定量检测模型拟合和预测精度的手段;利用介绍的多种改进模型,根据中国1999-2011年的电量数据,分稳定期和波动期情景对模型进行拟合和预测的对比研究,也测算了2012、2013年全国用电情况.     

考虑数据周期性及趋势性特征的长期电力负荷组合预测方法

为解决长期电力负荷预测精度不足及模型适用性不强等问题,考虑将区域经济发展、社会发展等多项宏观指标与区域用电负荷的时间序列数据进行因素耦合。利用BP神经网络与差分整合移动平均自回归方法(ARIMA)整合改进预测模型,提高年度负荷预测模型的趋势预测能力。采用函数型非参数方法预测月度负荷数据中周期性负荷数据,将年度负荷预测与月度负荷预测相结合以提高模型整体预测精度。最后通过灰色预测等模型数据比对及MAPE误差分析方法验证,考虑数据周期性与趋势性组合的模型方法预测精度显著提升,适用于区域电力负荷的长期性预测。     

改进的GM(1,1)模型在配电网日负荷预测中的应用

灰色预测法常用GM(1,1)模型,当负荷波动较大时,该模型预测精度较低。针对周期性波动较大的日负荷提出了一种基于等维新息的改进灰色预测模型,即"滑动平均—反双曲余弦"模型。该模型对等维更新的数据做预处理,充分利用预测新息降低灰度,提高离散数据的光滑度,从而提高预测精度。通过两个典型的实例介绍了改进灰色预测模型在日负荷预测中的应用。结果表明该模型能够改善预测效果。     

基于粒子群优化的非线性灰色Bernoulli模型在中长期负荷预测中的应用

将非线性灰色Bernoulli模型用于到中长期电力负荷预测,提出了优选模型参数的粒子群优化算法。该模型是将GM(1,1)模型与Bernoulli微分方程相结合的一种灰色模型,适用于对不同发展趋势曲线的预测。通过粒子群优化算法,以模型预测平均绝对百分误差最小为目标,选择最优的模型参数。采用不同测试数据以及实际电网负荷数据进行了验证,结果表明上述模型有很好的适应性及较高的预测精度。     

应用改进的灰色GM(1，1)模型进行长期电力需求预测

本文从理论上分析了灰色系统预测GM(1，1)模型的适用条件，针对电力 系统中电力需求增长的特点，提出了分段最优GM(1，1)模型，利用电力 需求的增长与国民经济增长的相关关系，把分段最优GM(1，1)模型应用 于长期电力需求预测，并用实例证明了此方法的可行性。     

A research on short term load forecasting problem applying improved grey dynamic model

The grey dynamic model GM(1, 1), which is based on the grey system theory, has recently emerged as a powerful tool for short term load forecasting (STLF) problem. However, GM(1, 1) is only a first order single variable grey model, the forecasted accuracy is unsatisfactory when original data show great randomness. In this paper, we propose improved grey dynamic model GM(2, 1), a second order single variable grey model, to enhance the forecasted accuracy. Then it is applied to improve STLF performance. We provide a viewpoint that the derivative and background value of GM(2, 1) model can be expressed in grey number. Then cubic spline function is presented to calculate the derivative and background value in grey number interval. We call the proposed model as 3spGM(2, 1) model. Additionally, Taylor approximation method is applied to 3spGM(2, 1) for achieving the high forecasted accuracy. The improved version is defined as T-3spGM(2, 1). The power system load data of ordinary and special days are used to validate the proposed model. The experimental results showed that the proposed model has better performance for STLF problem.     

基于灰色模型企业电能预测系统的研究

能源预测在企业管理中起着重要的作用。为了解决电力能源预测系统存在的问题,先使用一个经典的灰色预测模型GM（1,1）进行建模,通过MATLAB仿真软件,然后根据企业前九个月的电能消耗数据预测后3个月的电能消耗数据,画出仿真曲线。最后利用改进的灰色模型PGM （1,1）再进行仿真,比较仿真结果曲线发现改进的预测算法模型具有更小的平均相对误差,PGM （1,1）算法克服了GM （1,1）灰色模型中数据可能存在短时间内出现波动的情况,使预测模型的结果更加接近企业实际的电能消耗数据。     

Development of peak load forecasting system using neural networks and fuzzy theory

This paper presents a peak load forecasting system using multilayer neural networks and fuzzy theory. Electric load forecasting in power systems is a very important task from the perspective of reliability and economic operation. Daily peak load forecasting is one of the basic operations of generation scheduling for the following day. Therefore, many statistical methods have been developed and used for such forecasting even though it has been difficult to construct a proper functional model. The developed system is applied by neural network and fuzzy theory to forecast for daily, weekly and monthly peak load. The system consists of an engineering workstation (EWS) and a personal computer (PC). The EWS is for learning and data-bases, and the PC is for man-machine interface such as forecasting operation. The system has been used since June 1993. The result evaluated with an absolute mean error is 1.63 percent for 10 months. From the results shown here, the system applied by neural network and fuzzy theory has high validity.     

采用面积灰关联决策的高斯过程回归概率短期负荷预测

为克服概率负荷预测各评价指标相互冲突,难以确定最优预测模型难题,提出采用面积灰关联决策的高斯过程回归(GPR)概率短期负荷预测新方法。首先,构建综合评价指标集合,全面评估基于不同协方差函数的GPR模型预测效果,得到综合评价矩阵。然后,采用熵权法对各指标客观赋权,并在此基础上,使用面积灰关联决策对各模型排序,确定最优GPR概率预测模型。最终,以该模型开展概率预测。实验表明,相较传统距离灰关联决策,面积灰关联决策更明确地分辨方案间差异,结论更可靠。最优GPR模型在保证确定性预测精度的同时,相较预测误差分布特性统计法,准确刻画了负荷的波动性,预测区间更加精确可靠,区间上限明显更低,有助于为决策提供更多有效信息。     

基于GM-GRNN的电力系统长期负荷预测

由于长期负荷历史数据比较少,因此预测难度较大。在分析了灰色预测和神经网络预测的优缺点的基础上,提出了一种新型的预测方法——GM-GRNN预测方法,此方法就是将灰色预测方法和人工神经网络中的广义神经网络相结合的预测方法,新方法发挥了灰色预测方法中的“累加生成”的优点,能够削弱原始数据中随机性并增加规律性,同时避免了灰色预测方法及其预测模型存在的理论误差。最后采用我国某省年用电量的预测的算例表明该方法的预测精度优于单一的灰色预测和单一的神经网络预测方法,为电力系统长期负荷预测提供了一种有用的方法。     

基于灰色模型和最小二乘支持向量机的电力短期负荷组合预测

提出一种联合灰色模型(grey model,GM)和最小二乘支持向量机回归(least square support vector regression,LSSVR)算法的电力短期负荷智能组合预测方法。在考虑负荷日周期性的基础上,通过对历史负荷数据的不同取舍,构建出各种不同的历史负荷数据序列,并对每个历史数据序列分别建立能修正b 参数的GM(1,1)灰色模型进行负荷预测;采用最小二乘支持向量机回归算法对不同灰色模型的预测结果进行非线性组合,以获取最终预测值。该方法在充分利用灰色模型所需原始数据少、建模简单、运算方便等优势的基础上,结合最小二乘支持向量机所具有的泛化能力强、非线性拟合性好、小样本等特性,提高了预测精度。仿真结果验证了所提出组合方法的有效性和实用性。     

灰色Verhulst模型在中长期负荷预测中的应用

灰色系统预测模型用于中长期负荷预测是一种有效的方法。但是，当负荷按照“S”型曲线增长或增长处于饱和阶段时，采用灰色模型进行负荷预测的误差较大，预测精度不能满足实际要求。将灰色Verhulst模型引入到负荷预测中，可以很好地解决这个问题。作者通过典型的实例介绍了灰色Verhulst模型在中长期负荷预测中的应用。结果表明，此模型在负荷预测中是适用的，尤其对于负荷按“S”型曲线增长的情况，不但具有较高的预测精度，同时保留了灰色预测方法的优势和特点。     

夏季最大负荷发生时间的预测

夏季最大负荷发生时间的预测是电力部门十分关注的问题,它关系到该地区的负荷调整方案以及购电计划制定。北京近年来夏季用电需求增长尤为突出。准确地估计夏季最大负荷发生时间,十分必要且迫切。为此,收集了北京市1990~2002年的夏季最大负荷发生时间数据,发现它是一个波动的、含有灰信息量的序列,故采用灰色系统理论进行预测建模分析。但常规的GM(1,1)模型在适应波动的数据方面,预测精度未能达到要求,故采用GM(1,1)残差周期修正预测模型来解决。经过计算发现,该模型不仅可以提高原始数据的拟合精度,而且用于预测时,与2003年夏季最大负荷发生时间的实际值进行比较,预测偏差也在允许的范围内。     

基于灰色模型的电力负荷短期预测

准确的负荷预测可以保证电网的安全稳定运行,提高电力系统运行的经济效益,为此,基于灰色理论建立了电力负荷预测模型,并结合陕西省汉中市区电力局某变电站2006年7月的实际负荷讨论了灰色模型在短期负荷预测中的应用,实例计算表明,该模型具有预测精度高、计算过程简单等特点。     

基于EEMD-SE和PSO-KELM的短期负荷区间预测方法

准确的短期负荷预测在电力系统中发挥着至关重要的作用。近年来,大量短期负荷预测研究表明,与点预测相比,负荷的区间预测可以更有效地保证电力系统的安全运行。因此,提出一种基于EEMD-SE和PSO-KELM的短期负荷区间预测方法。首先,使用集合经验模态分解（EEMD）将原始负荷序列分解为一系列的子序列;然后,通过样本熵（SE）对各序列进行计算,量化序列的复杂程度,将SE值较小的序列进行重构;最后,通过粒子群（PSO）优化核极限学习机（KELM）的输出层权重,建立预测模型,并对各序列进行区间构造。采用南方某市不同季节的实际负荷数据对所提模型进行实验验证,仿真结果表明,与其他预测方法相比,所提方法在区间可靠性以及宽度上具有更好的效果。     

中长期电力负荷预测的盲数回归方法

为克服传统回归预测模型无法很好处理观测数据及负荷规律不确定性所致负荷预测不尽人意的问题,采 用盲数理论改进传统的中长期负荷线性回归预测模型。此法用盲数的形式来表达预测模型的相关变量,来获得负 荷可能出现的多个区间,同时得到各个区间可能出现的可信度情况。算例表明改进的算法比较准确,丢失的信息 量少,可用于包含不确定性因素的负荷预测。     

基于灰色预测和神经网络的电力系统负荷预测

负荷是电力系统运行和规划的依据,准确的负荷预测有利于提高电力系统运行的经济性和可靠性。章提出了一种基于灰色预测和神经网络组合的电力系统负荷预测方法。在灰色预测中通过对历史数据作不同的取舍并经累加生成后建立不同的模型;对于灰色预测的不同结果再使用人工神经网络进行组合。具体方法是：神经网络的输入为各种灰色模型（GM）的预测,神经网络的输出为组合预测的结果。学习样本选择与预测量量近的n个已知值,学习方法使用改进的BP算法。所提方法综合了GM预测所需原始数据少、方法简单、而神经网络具有非线性的拟合能力的特点,提高了预测精度。算例表明了所提方法是可行的和有效的。     

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。