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。     

组合预测方法在电力负荷预测中的应用

为了提高负荷预测的准确性,引入了组合预测模型,通过综合单一预测模型的优点,得出更为准确的结果.文中通过引入2个参数,将组合模型问题转化为极值问题,采用进化规划作为优化方法.最后运用文中所述的组合预测方法与传统的几种单一模型,分别对盐城市区的供电量和最高负荷的历史数据进行计算,比较发现组合预测模型的预测误差要小于任一单个...     

基于准确度评价的短期负荷预测方法的自适应选择

负荷预测方法种类繁多,在实际的应用过程中如何选择是目前负荷预测系统面临的重要问题.通过评价函数对预测方法的准确性进行评价,并根据评估的结果自适应地选择预测的方法,提高预测的准确性.并在此基础上提出用准确度较高的多种预测方法加权的综合预测方法进行准确度评价,并采用PSO优化方法对权重进行优化取值.通过对实际系统的仿真数值分析,验证了利用评价函数对预测方法进行选择的有效性.另外,综合预测方法能够提高预测准确度,对权重进行优化组合后,进一步提高了预测的准确度.     

短期负荷预测的综合模型

进行实际短期负荷预测时,对某个固定的地区,用不同预测方法可能得到不同的预测结果。文中基于对这些不同的预测结果的分析,提出了以得到一个唯一的综合预测曲线为目标的优化模型。根据模式识别的基本原理,这个新型以待预测民历史日绵最佳匹配为原则,通过虚拟预测结果与实际负荷曲线数据的误差平方和的最小化,可以得到综合模型中各种单一预测结果所占的权重值大小。实际算例研究表明,综合模型的预测结果优于各种单一方法的预测     

计及模型综合指标评价的西南电网中长期负荷变权组合预测

为解决单一预测模型难以适应西南电网不同区域的负荷变化问题,针对西南电网各区域年负荷变化的特点,提出采用计及综合指标评价的负荷变权组合预测模型。首先引入改进灰色关联度指标、预测有效度指标和模型冗余检验指标作为模型选择依据,形成适合不同区域的历史负荷变化的基模型库。然后引入自适应变权重算子对基模型进行组合预测,获得西南电网区域年负荷预测值。算例利用四川省、重庆市以及西藏自治区2006—2019年的电力消费量进行测试,结果表明所提预测方法能够有效预测西南电网负荷变化,相比最优权重模型、等权模型和最优单一模型算法具有更高的预测精度。     

基于联合模型的短期电力负荷预测方法

为了准确预测电力负荷并提高电力系统调节和调度的灵活性、准确性,提出了基于差分自回归滑动平均和长短期记忆神经网络的短期负荷联合模型预测方法,以避免单一预测模型可能难以满足预测准确需求的情况。首先,使用差分自回归滑动平均和长短期记忆神经网络单一模型对短期电力负荷开展预测;然后,使用改进的粒子群优化算法对联合模型权重进行寻优;最后,利用最优权重将单一模型预测结果进行合并得到最终的预测结果。验证结果表明,所建立的联合模型能够对短期电力负荷进行准确的预测,且联合模型的预测精度要优于差分自回归滑动平均、长短期记忆神经网络和BP神经网络等单一模型,具有一定的工程应用价值。     

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.     

一种输电设备状态维修日程安排的可靠性决策方法

组合预测把多种单一预测方法按一定方式结合,综合利用各种预测方法所提供的信息,并在综合这些信息的基础之上进行最优组合。采用支持向量机(SVM)实现分时段变权重组合预测,描述多种方法的预测结果与实际负荷的非线性关系,并采用改进粒子群(PSO)与模拟退火(SA)自学习融合的协同优化方法SA-MPSO对SVM模型参数进行优化, 用两种不同特性的测试函数对该优化算法的收敛性进行测试,通过多次测试平均值验证其收敛性。实例仿真中, SA-MPSO优化的SVM模型实现对三个不同预测模型的组合, 预测结果表明,该方法除了避开传统组合预测模型权重复杂求取问题,且参数优化自适应能力强,有利于预测精度的提高。     

基于算法融合的自适应短期负荷组合预测模型研究

组合预测把多种单一预测方法按一定方式结合,综合利用各种预测方法所提供的信息,并在综合这些信息的基础之上进行最优组合。采用支持向量机(SVM)实现分时段变权重组合预测,描述多种方法的预测结果与实际负荷的非线性关系,并采用改进粒子群(PSO)与模拟退火(SA)自学习融合的协同优化方法SA-MPSO对SVM模型参数进行优化,用两种不同特性的测试函数对该优化算法的收敛性进行测试,通过多次测试平均值验证其收敛性。实例仿真中,SA-MPSO优化的SVM模型实现对三个不同预测模型的组合,预测结果表明,该方法除了避开传统组合预测模型权重复杂求取问题,且参数优化自适应能力强,有利于预测精度的提高。     

基于自适应模型预测控制的柔性互联配电网优化调度

针对柔性互联配电网中源荷不确定性问题,提出了一种基于改进模型预测控制的优化调度方法。建立基于模型预测控制的柔性互联配电网日内优化调度模型,采用自适应动态权重方法处理包含综合供电成本和电压偏差的多目标优化问题,在预测模型部分采用动态场景生成及K-means聚类场景削减方法对源荷预测误差进行处理,针对经典模型预测控制滚动优化部分域参数恒定问题,提出一种域参数自适应调整的滚动优化方法。通过四馈线互联的33节点系统仿真算例验证了所提优化调度方法的有效性。     

短期负荷预测相关因素的自适应训练

提高预测精度是短期负荷预测的基本目标。目前已提出了处理相关因素的规范策略和短期负荷预测的综合模型。在此基础上，将自适应训练的思想引入到短期负荷预测相关因素处理中，提出了相关因素自适应训练的若干概念，并分析了自适应训练中的基本问题，给出了短期负荷预测过程的抽象化模型，提出了两种训练负荷相关因素的算法：摄动算法和遗传算法，最后比较了这两种算法的优缺点。算例分析表明，通过自适应训练相关因素，实际预测的效果得到显著改善。     

综合最优灰色支持向量机模型在季节型电力负荷预测中的应用

季节型电力负荷同时具有增长性和波动性的二重趋势,使得负荷的变化呈现出复杂的非线性组合特征。对此,提出了一种综合最优灰色支持向量机预测模型,研究了同时考虑2种非线性趋势的复杂季节型负荷预测问题,说明了此优化模型分别优于2种单一负荷预测模型。在此基础上,对一般粒子群算法引入粒子速度自适应可调机制,并利用改进粒子群算法优化组合预测模型中的权值。对电力负荷预测应用实例的计算结果表明,该模型较大提高了季节型负荷预测的精度,具有较好的性能。     

基于改进DaNN的综合能源系统多能负荷预测

随着能源革命的推进及双碳目标的提出,综合能源系统越发受到广大研究者的重视,对综合能源系统进行高效的规划和控制离不开精准的多能负荷预测。基于上述需求,引入迁移学习理论,提出一种改进领域自适应神经网络（DaNN）负荷预测模型对综合能源系统中的冷、热、电负荷进行统一建模与预测。首先,通过历史数据分别构筑冷、热、电负荷特征图,随后输入改进DaNN的参数共享卷积层和全连接层;其次,基于冷、热、电负荷联合预测的特点改进传统神经网络的损失函数,加入最大均值差异指标,并优化训练模型;最后,通过3个各自独立的全连接层分别输出冷、热、电负荷的预测值。通过采用实际算例验证并与基准模型对比可知,所提改进DaNN模型能够有效提高综合能源多能负荷预测精度。     

基于蚁群聚类-Elman神经网络模型的短期电力负荷预测

在神经网络负荷预测实际应用中,突出的问题是训练样本大、训练时间长、收敛速度慢。针对负荷预测样本代表性问题,建立了基于蚁群聚类的Elman神经网络预测模型。对负荷历史数据进行蚁群聚类预处理,将聚类后的数据作为神经网络的训练样本。其目的是使输入样本具有代表性,改善网络训练时间和收敛速度,有效提高预测精度。通过某发电厂负荷数据的验证,该模型的预测结果精度较好。     

基于自适应进化规划的电力系统负荷预测综合模型

电力系统负荷预测受很多不确定因素的影响,往往单一预测模型反映的只是某一个或某几个不确定因素,在几个单一模型的基础上建立综合预测模型是降低这些影响、提高预测精度的有效途径。提出了运用自适应进化规划方法建立电力系统负荷预测综合模型,并对进化规划的变异操作、适应度计算及竞争选择方案进行了研究。通过对某地的年用电量进行预测分析,并与传统的基于“直接搜索寻优”法建立的综合预测模型进行比较、分析。结果表明,该方法具有全局寻优、自适应性强、通用笥好等优点,预测精度也有了很大提高。     

母线负荷预测中的自适应预测技术及其实现

负荷波动频繁、变化模式复杂是母线负荷的重要特点。如何自适应地进行预测模型的选择和模型参数的调整,从而获得更加准确的预测结果,始终是一个研究热点和难点。文章提出了一种基于虚拟预测思想的自适应母线负荷预测技术。通过分析自适应预测的基本问题,建立了母线负荷预测自适应技术的抽象统一框架,阐述了自适应预测技术的整体流程,并给出了自适应预测技术的详细数学描述与实现方法。算例分析表明,应用自适应预测技术,实际预测的效果得到显著提高。     

基于专家评分机制的模糊综合评判法在电力系统负荷预测中的应用

针对目前电力系统单一负荷预测模型的不足之处,研究了结合各种单一预测模型优点组合预测方法。对基于模糊综合评判的组合预测模型进行了改进,从不同评价因素出发,把专家评分机制和模糊隶属函数结合起来用于各个单项模型的综合评价,可以充分利用专家的知识和预测人员的经验,有效地处理电力系统负荷预测的不确定性和模糊性,提高电力系统负荷预测的精度。最后用一个某地区的实例验证了该方案的可行性和正确性。     

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.     

基于混合神经网络的短期电力负荷预测方法

电力负荷预测对电网的经济运行至关重要,为提高短期负荷预测精度并降低混合神经网络模型的训练时间,提出了一种基于多层感知器（MLP）的基础子网、简单循环单元（SRU）与主成分分析（PCA）的短期电力负荷预测模型。首先,考虑影响电力负荷变化的各种因素,建立负荷预测输入特征集;其次,利用PCA对输入网络的部分特征进行变换并降维;最后,将经过PCA处理后得到的全新数据信息作为模型的输入,并结合Adam梯度下降算法进行训练,输出负荷预测的结果。通过仿真实验结果表明,包含SRU的混合模型在全部测试集样本上的MAPE为2.126%,远低于仅有子网的单一模型与包含DNN的混合模型,而与包含LSTM的混合模型相比,训练时间却降低了22.74%,同时PCA的应用也使得模型的收敛速度加快,极大地减小了训练轮数。     

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。