基于预测决策的组合短期负荷预测

以提高短期负荷预测精度为目的,首先选择五种预测模型分别对算例进行虚拟负荷预测,再利用决策理论知识,通过几率矩阵法来筛选预测模型,舍弃不符合要求的模型,最后以各时段残差平方和最小为目标函数确定各个模型权重系数.使用选中的模型进行组合短期负荷预测,并将预测结果与各单一模型的预测结果进行比较.说明了预测决策的可参考特性和实用特性,也说明了组合预测模型的拟合精度优于各种单一模型,得到了较好的预测效果.     

短期电力负荷的灰色GM(1,1)模型群组合预测

组合预测方法是一种性能优越的预测方法.由于电力负荷具有很多不确定因素,用单一预测模型进行预测时,其预测精度不高,为提高预测精度,提出组合预测模型.灰色GM(1,1)模型群能够很好地反映电力负荷的周期变化特性,而用不同时期的历史数据可反映不同的信息特征,因此,提出了基于远近数据的GM(1,1)模型群预测组合预测法.利用此方法对某地区的日电力负荷进行预测的算例结果表明:此方法的预测精度高于各单一模型的预测精度,且能够很好地反映日负荷变化的随机性和周期性.     

基于TOPSIS和递归等权法的中长期负荷组合预测

中长期负荷预测是电力系统规划的重要环节。针对单一负荷预测模型预测精度不足、适用性有限等缺点,采用TOPSIS和递归等权法建立组合模型。以单一预测模型各个年份拟合的相对误差绝对值的倒数为属性集,单一预测模型的种类为方案集,通过TOPSIS法对单一模型的拟合精度进行排序和筛选,确定参与组合的模型;利用递归等权法确定参与组合模型的权重。通过对某省全社会用电量进行预测,并与单一预测模型进行误差比较,结果表明所提组合模型具有较高的实用价值。     

电力负荷组合预测权重的确定

由于电力系统负荷具有很多不确定因素 ,用单一预测模型进行预测时 ,其预测精度不高。为提高预测精度 ,完善预测方法 ,提出组合预测模型 ,对电力系统负荷预测的多种预测模型进行组合优化 ,用最小二乘法确定其权重 ,得到权重的解析表达式 ,使组合预测理论进一步得到完善。     

基于有效度遴选和纵横交叉算法的负荷组合预测

针对单一模型预测精度不高的问题,提出了基于有效度遴选和纵横交叉算法的组合负荷预测,新方法有效解决了选择单一模型的随机性和权重难以确定的问题。新方法根据预测有效度筛选组合预测单项模型,然后利用组合模型对小波包分解所得各个负荷子序列进行预测,并采用纵横交叉算法求取各单一模型的权值,最后叠加各子序列预测值得到完整预测结果。实例分析中,以广东省某电网实测负荷数据为例,研究结果表明:基于有效度遴选和纵横交叉算法的组合预测方法可操作性强、通用性好,并明显优于各单项预测模型、等权重组合模型和方差倒数组合模型的预测精度。     

基于黄金分割法优选的中长期负荷变权组合预测

为了提高中长期负荷预测的精度,避免单一的灰色模型预测和指数平滑法预测精度偏低的缺点,提出了基于黄金分割法优选的自适应变权组合预测方法。该方法首先对灰色预测方法和自适应三次指数平滑法进行了改进,以拟合值与实际值之间的相对误差绝对值之和最小为目标,利用黄金分割法优选出自适应三次指数平滑法的平滑系数,确定最优的三次指数平滑模型,然后以同样的方法确定灰色模型和自适应三次指数平滑法的权重。接着,对原始负荷数据进行新陈代谢,重复利用黄金分割法优选出新的平滑系数和各单一方法的权重,即可得到新的变权组合预测模型。仿真结果表明,所提出的自适应变权组合预测方法切实可行,与单一的灰色模型、三次指数平滑法及等权组合预测方法相比,有效地提高了中长期负荷预测的精度。     

电力负荷组合预测权重的确定

由于电力系统负荷具有很多不确定因素，用单一预测模型进行预测时，其预测精度不高。为提高预测精度，完善预测方法，提出组合预测模型，对电力系统负荷预测的多种预测模型进行了组合优化，用最小二乘法确定其权重，得到权重的解析表达式，使组合预测理论进一步得到完善。     

一种基于组合预测理论的电力负荷预测方法

电力负荷预测是电力企业开展电力规划、计划、营销、交易、调度等工作的重要依据,因而需要有较高的预测精度。目前各种单一负荷预测方法难以在所有条件下都具有较高的预测精度,适用范围受到限制,针对这一问题,本文采用基于最优加权法的组合预测方法进行处理,该方法通过对单一预测方法的有机组合,达到取长补短的效果,从而实现比单一预测方法更高的预测精度。为验证该方法的有效性,以某市级供电企业所属地区为例,借助Matlab仿真软件,分别运用动平均法、指数平滑法和基于这两种方法的最优加权组合预测法,对该地区2011~2012年连续两年7月、12月月度最大负荷进行了分析预测。预测值与实际值比较结果显示,本文推荐的组合预测法具有比单一预测方法更好的预测精度,从而证明了该方法的有效性,对电力企业负荷预测问题具有较好的实用价值。     

电力系统负荷预测方法的比较

介绍了电力系统负荷预测中的回归分析模型法、灰色系统预测法和趋势外推法的原理,对三种单一预测方法的优缺点进行了比较,研究了结合以上三种方法的组合预测法。使用组合预测法避免了单一预测法的局限性,提高了负荷预测的精度,有利于用电管理。     

基于递归等权组合模型的中长期电力负荷预测

针对电力负荷预测中单一模型不能充分利用数据信息和对其内在规律考虑不完全的问题,文中采用基于递归等权的组合预测模型,通过灰色关联度法对多个单一模型进行筛选,并确定参与组合的模型。再由递归等权法实现了对参与组合的各单一模型的变权重处理,有效地考虑各单一模型的预测好坏的变化。最后,通过对某地区最大负荷进行预测,对比单一模型与递归等权组合预测模型的预测误差。结果表明,递归等权组合预测模型比各单一预测模型的误差都小,从而验证了该模型能有效提高电力系统负荷预测能力,其精度高、结果可靠。     

电力系统中长期负荷预测的参数抗差估计研究

主要介绍提高中长期负荷预测结果的准确性和改善中长期负荷预测方法的抗粗差效果，对中长期负荷预测中参数的抗粗差估计进行了研究，提出了基于权函数的电力系统负荷预测参数抗差估计算法，通过对加权最小二乘法的修改，实现了负荷预报模型参数的抗差估计。算例表明，所提出的算法在处理中长期负荷预测中数据的粗差问题上效果较好，是改善预测精度的有益尝试。     

AGC超短期负荷预测控制模式的研究

介绍了超短期负荷预测的原理,利用AGC机组超短期负荷预测功能对电网负荷趋势进行超前分配,通过修正AGC机组的调节精度,实现了发电机组对电网负荷变化的快速跟踪,达到提高电网稳定运行的目的.     

一种改进的电力系统短期负荷预测方法

为提高电力系统短期负荷预测精度,综合模糊逻辑和神经网络的长处构建了基于自适应模糊神经网络的短期负荷预测模型.将该模型和算法应用于地区电网的短期负荷预测,预测效果良好.     

基于Shapley值的组合预测方法

负荷预测对电网的安全运行起着至关重要的作用,预测误差较大则从长期和短期来讲都使电网公司面临很大的风险,所以必须提高负荷预测的精度、减小误差,组合预测能够有效地提高预测精度,但是其权重的设定是一个比较困难的问题。应用shapley值方法进行研究,根据分摊的误差来确定各个成员的权重,算例验证表明Shapley值方法确定的组合预测模型可以比其他方法更好地减小预测的误差。     

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ARIMA模型和BP网络的电力负荷预测

着重论述了电力负荷预测中建模数据的选择、预处理方法及其对预测精度的影响。提出了一种以农历24节气负荷作为建模数据，将ARIMA模型及BP网络相结合的负荷预测新方法。实践证明，该方法能够有效提高预测精度，并具有较强的实用性。     

基于Elman神经网络的甘肃电网负荷预测模型

为提高甘肃电网负荷预测精度,提出了一种基于神经网络的负荷预测方法。针对甘肃电力系统负荷数据的非线性和动态特性,在多层前向BP网络中引入特殊关联层,形成有“记忆”能力的Elman神经网络,从而可以映射系统的非线性和动态特性。在网络训练算法中,采用自适应学习速率动量梯度下降反向传播算法,显著提高了网络的训练速率,有效地抑制了网络陷入局部极小点。文中分别采用El-man神经网络与BP神经网络建立模型,对甘肃电网实际历史数据进行仿真预测,经分析比较,证明前者具有收敛速度快、预测精度高的特点。这表明利用Elman回归神经网络建模对甘肃电网负荷进行预测是可行的,能有效提高负荷预测精度,在负荷预测领域有着较好的应用前景。     

基于智能技术的短期负荷预测研究

电力系统负荷预测是电力研究的一个重要组成部分,随着电力智能化的加快发展,为电力负荷预测提供了更准确有效的方法。目前有多种电力负荷预测方法,但由于预测模型适用条件的限制,使得负荷预测存在困难。因此,本文选择了基于统计理论的支持向量回归方法来进行预测。文中结合贵州某经济开发区短期电力负荷的历史数据,应用支持向量回归法对该负荷进行了预测,得到了精度较高的预测结果。     

UD-IGA网络构造法在短期负荷预测中的应用

电力系统短期负荷预测既是电力系统调度部门制定发电计划的依据,也是制定电力市场交易计划的基础，它对电力系统的运行、控制和计划都有着非常重要的影响。可由于负荷预测的复杂性、不确定性，难以获得精确的预测值。为提高预测精度，针对电力负荷的特点，综合考虑历史负荷、天气、日类型等因素的影响，将基于均匀设计（UD）和改进遗传算法(IGA)的网络构造法用于短期负荷预测。数据样本训练和实际预测结果表明，该模型不仅可避免陷入局部极小点,而且提高了预测精度和网络的训练速度。     

中长期负荷预测的傅里叶级数残差修正模型

为了提高电网中长期负荷预测精度,在灰色预测的基础上建立傅里叶级数残差修正模型,对中长期电力负荷进行预测,并以黄山电网负荷数据为例进行了分析比较,结果表明模型能提高预测精度。