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。     

具有二重趋势性的季节型电力负荷预测组合优化灰色神经网络模型

电力负荷预测是电力系统的一项重要工作，季节型电力负荷预测是一个难点，缺少相应的数量预测方法，对于具有增长和波动二重趋势性的季节型电力负荷，首先提出了季节型负荷预测的组合优化灰色神经网络模型，研究了同时考虑两种非线性趋势的复杂季节型负荷预测问题，说明了优化模型分别优于两种单一发展趋势负荷预测的模型。给出了电力负荷预测的应用实例，通过对河北电网季节最大负荷与销售电量的分析，建立了对应的组合优化灰色神经网络模型，与其它算法进行了比较，计算结果表明，该方法较大提高了季节型负荷预测的精度，为季节型电力负荷预测提供了一种新的，有效的方法，编制了季节型负荷预测的软件，此软件具有实用性和通用性。     

非线性季节型电力负荷灰色组合预测研究

短期电力负荷同时具有增长性和季节被动性的二重趋势，这使得负荷的变化呈现出复杂的非线性组合特征。对于这种具有复杂的非线性组合特征的序列，使用某一种模型进行预测，结果往往不理想。为了提高短期电力负荷的预测精度，提出了具有季节型特点的电力负荷灰色组合预测模型。在此模型中，灰色模型处理非线性问题具有一定的优势，它可以很好地反映电力负荷的增长性特点。季节变动指数(SVI)用来拟合电力负荷的季节性趋势。最后对季节型灰色预测的残差建立时间序列的AR(p)模型。由于综合考虑了电力负荷的多种特征，此组合预测模型明显地提高了预测精度。     

基于提升人工神经网络的短期负荷预测模型

本文提出了一种基于提升人工神经网络的短期负荷预测方法。该方法由一组经过训练的人工神经网络迭代组合而成。在每次迭代中,对新的人工神经网络模型进行了调整,使前期迭代的模型得到的估计值与真实值之间的误差最小化。通过仿真可知,当计算输出的模型个数大于20时,可以获得较低的预测误差,与现有方法相比具有更高的预测精度。     

灰色模型在普通日短期电力负荷预测中的应用

讨论了灰色模型GM（1，1）及灰色差值模型在短期电力负荷预测中的应用，提出了适合普通日电力负荷预测的数据处理方法，提高了短期电力负荷预测的精度。     

灰色模型在电力负荷预测中的应用

分析了灰色模型在电力负荷预测中的适用条件，比较了一般GM（1，1）模型、新息模型和等维灰数递补模型等三种模型的精度及优缺点，利用丰富原始数据预测到各个数列所形成的区间，再利用电力发展与国民经济增长的关系，经过关联分析得到较为合理的预测结果，并用计算机软件提供具体预测方法。     

一种简化的电力系统负荷线性组合预测法

负荷是电力系统运行和规划的依据，精确的预测可提高系统运行的可靠性和经济性。作者将电力系统负荷预测的三种主要方法，即外推法、灰色预测法和人工神经网络法结合起来，建立了一种线性组合预测模型。在组合模型的权重系数求解中，首先对目标函数和等式约束使用拉格朗日乘子法来求解权重系数。当出现小子零的系数时，改为只使用误差矩阵的对角元素来计算，这种近似对预测精度影响较小，但简化了计算，且保证了组合系数大于零的条件。由于组合模型的总平均误差要小于各单一预测方法的平均误差，这就提高了预测精度，尤其组合模型的最大预测误差要小于单一模型的最大预测误差，从而降低了预测的风险性，实例证明这种组合模型具有较好的实用性。     

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。     

灰色组合模型在中长期电力负荷预测中的应用

针对中长期电力负荷预测使用的历史数据较少,且影响因素较为复杂等特点,提出了一种基于最优权重组合(weight optimal combination,WOC)的灰色组合模型.该模型利用最优权重组合将灰色线性回归模型、二次指数模型、等维新息模型、残差灰色模型4种模型进行组合,采用二元最优组合的迭代寻优算法来求取WOC中每个模型的权重,充分发挥几种模型各自的优点.通过在湖南省某地电力系统规划中的实际应用,验证了此方法有较好的实用性和有效性.     

一种中长期负荷预测多模型筛选新方法

提出了一种基于趋势拟合评判的中长期负荷预测多模型筛选新方法.通过改进的灰色关联分析方法,定量衡量预测曲线与实际曲线的趋势拟合程度,从多种负荷预测模型中自动筛选出若干优越模型,再利用方差-协方差方法对筛选得到的模型进行组合,得到最终的优化组合预测模型.研究算例表明,该方法预测效果优于以各时点误差分析为基础的中长期负荷组合预测,而且随着步长的增加,优势越发明显.     

基于残差周期修正的灰色电价预测模型

电力市场中的电价曲线具有多周期、跳跃等特性,而呈指数增长的灰色GM(1,1)模型预测误差较大,为此,文章提出了基于残差周期修正的灰色电价预测模型。该模型不仅利用了灰色模型的优点,而且通过原始数据的平滑处理、初值条件的改进以及残差周期修正使预测曲线波动起来,使拟合曲线更加接近原始数据,大大提高了模型的预测精度。算例结果验证了该方法的可行性。     

中国可再生能源消费预测及补贴策略研究

可再生能源消费受多种因素影响,简单的灰色模型已经不能对可再生能源消费作出准确预测。将传统的灰色GM(1,1)模型与缓冲算子相结合,模拟和预测中国的可再生能源消费,探究了政策补贴对中国可再生能源消费的影响,在预测结果基础之上构建了2种政策补贴策略模型,研究了中国可再生能源消费的政策补贴力度。结果显示,基于缓冲算子的GM(1,1)方法拟合效果更好,模型精度更高; 2013—2020年中国可再生能源消费占比呈现递增趋势,但是在停止政策补贴力度的情况下,增长趋势明显低于延续原有政策补贴力度。     

融合深度误差反馈学习和注意力机制的短期风电功率预测

为提高风电功率预测精度,提出了一种有机融合深度反馈学习与注意力机制的短期风电功率预测方法。首先,以风电场数值天气预报(numerical weather prediction, NWP)为原始输入,基于双层长短期记忆网络(long short-term memory, LSTM)模型对风电功率进行初步预测。其次,利用极端梯度提升(eXtreme gradient boosting, XGBoost)算法构建误差估计模型,以便在给定未来一段时间内NWP数据的情况下对初步预测误差进行快速估计。然后,利用自适应白噪声完备集成经验模态分解法(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)将初步预测误差分解为不同频段的误差序列,并将其作为附加性反馈输入,对风电功率进行二次预测。进一步在二次预测模型中引入注意力机制,为风电功率预测序列与误差序列动态分配权重,由此引导预测模型在学习过程中充分挖掘学习与误差相关的关键特征。最后,仿真结果表明所提方法可显著提高短期风电功率预测的可靠性。     

电力负荷组合预测模型权重算法设计与应用

为改善电力负荷预测模型的拟合能力和提高预测精度,提出集结多种单项预测模型信息的组合预测模型,其关键点是确定各单项预测模型的权重系数。以历史拟合效果最佳为目标,利用目标函数和约束条件的特性,应用最优化计算方法中的混合罚函数法和最速下降法设计权重系数的算法,并通过计算机程序求解。将组合预测模型应用于广东省开平市的电力负荷预测,其拟合方差比各单项预测模型的拟合方差小,说明该组合预测模型比任一单项预测模型优。     

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。     

基于最优有效度的电力系统可靠性原始参数的线性组合预测模型

针对电力系统可靠性原始参数缺乏和开发可靠性原始参数小样本的需要,提出了电力系统可靠性原始参数的线性组合预测模型。为了提高预测精度,分别应用灰色优化模型和Verhulst模型等改进模型进行可靠性原始参数的预测。与此同时,建立以有效度为目标函数的最优组合预测模型,并用简化的计算公式得到权系数的最优近似解,将预测值进行线性组合。基于该文所开发的预测模型的预测结果表明,组合预测模型的预测结果优于单一模型的预测结果。     

模糊多项式拟合法在负荷预测中的应用

在分析模糊多项式拟合法建模机理的基础上，建立了改进模糊多项式拟合模型，通过适当减小拟合曲线在后段的拟合误差来提高预测精度。文中的改进方法为处理预测中的定性模糊因素提供了一种灵活的手段。实例验证了该改进模糊的可行性与优越性。     

基于支持向量机的中长期电力负荷组合预测

影响中长期负荷的因素多,随机性强,单一预测方法很难满足不同情况的预测需要,组合预测能较好地解决单一模型的不足,但现有组合预测模型主要基于经验风险最小,预测精度受组合模型的限制.本文提出一种基于最小二乘支持向量机的中长期负荷组合预测模型,该模型利用结构风险最小化原则代替传统的经验风险最小化,充分挖掘原始数据和单一预测模型的信息,以单一模型的预测数据作为组合预测样本,选择多项式核函数的最小二乘支持向量机进行组合预测.实际算例表明,本文提出的组合模型预测平均误差仅为1.719%,具有良好的可行性和有效性.     

基于灰色理论的中长期负荷预测

对负荷预测中的灰色预测方法进行了深入的研究,找出了灰色建模的局限性并提出了改进方法.通过对负荷原始数据序列的预处理及优化,增强了灰色预测对波动负荷数据序列的处理能力,利用等维新息递推GM(1,1)模型进行预测,保证了预测能够较为充分地利用新信息.经过改进之后的模型,扩展了普通GM(1,1)模型的适应范围,提高了预测精度.利用实例将改进模型与普通GM(1,1)模型进行比较,证明改进模型具有比普通GM(1,1)模型误差小、精度高的优点.