基于误差修正的短期负荷预测方法

目前常用的负荷预测方法主要是通过负荷自身和相关关系的研究建立模型,提出一种新的负荷预测思路,即从传统频域预测方法的误差入手,通过研究虚拟预测误差的历史分布规律进行误差预测,然后对传统方法得到的预测结果进行修正。建立负荷预测的误差修正模型,并通过算例验证了误差修正的短期负荷预测方法的可行性和实用性,达到了提高短期负荷预测精度的目的。     

粒子群优化BP神经网络在短期负荷预测误差修正模型中的应用研究

短期负荷预测是电力系统安全稳定运行的前提与保证。误差修正模型是在考虑相关因素相似度识别的预测方法基础上,利用BP神经网络优秀的学习能力捕获相关因素与历史预测误差的非线性映射。针对BP网络存在的自身缺陷,采用改进粒子群算法优化BP网络参数,得到可靠的误差预测,建立误差修正模型对未来负荷进行修正预测。通过算例验证了其可行性和实用性,达到了提高短期负荷预测准确度的目的。     

基于优化稀疏编码的超短期负荷滚动多步预测

小时级的超短期负荷预测是调度部门制定日内滚动计划的基础。该文提出了一种基于优化稀疏编码的超短期负荷多步预测算法,对未来4h的负荷进行滚动预测。首先,将历史负荷功率序列组成具有时延的特征字典和目标字典,并利用稀疏编码算法建立多步预测模型;然后,基于负荷曲线的相似性特性,借助实时的负荷功率特征向量与特征字典中原子的拓展符号化距离对特征字典原子进行筛选,提高了稀疏编码的预测精度;最后,对预测结果进行误差分析。针对负荷爬坡时段误差偏大的问题,通过基于负荷增量预测值的修正模型进行优化,进一步提高了预测精度。采用实际负荷数据进行分析,验证了所提方法的有效性。     

基于ARIMA和LS-SVM组合模型的短期负荷预测

经实例预测分析发现,利用累积式自回归动平均法(autoregressive integrated moving average,ARIMA)进行电力短期负荷预测时所得误差序列有较明显的周期规律性,针对此现象及其原因,为提高预测精度,提出采用最小二乘支持向量机(least squares support vector machine,LS-SVM)对ARIMA预测误差进行修正的ARIMA-LS-SVM组合模型;利用该改进模型对哈尔滨电网负荷进行实例预测,结果表明:该方法能够提高短期负荷的预测精度,并且具有较强的推广性和应用能力。     

基于LSSVM和马尔可夫链的母线负荷短期预测

提出了一种母线负荷短期预测混合算法。采用最小二乘支持向量回归方法（LSSVM）进行短期母线负荷预测,并提出一种广义网格搜索算法对模型参数进行优化;由历史预测误差组成误差序列,将历史预测误差序列看作是一个符合马尔可夫过程的时间序列,采用马尔可夫链方法对未来的预测误差进行估计,采用误差估计结果对上一步LSSVM的预测结果进行修正,得出最终预测结果。经算例分析证明,所提方法能显著提高预测精度。     

基于LSSVM和马尔可夫链的母线负荷短期预测

提出了一种母线负荷短期预测混合算法.采用最小二乘支持向量回归方法(LSSVM)进行短期母线负荷预测,并提出一种广义网格搜索算法对模型参数进行优化;由历史预测误差组成误差序列,将历史预测误差序列看作是一个符合马尔可夫过程的时间序列,采用马尔可夫链方法对未来的预测误差进行估计,采用误差估计结果对上一步LSSVM的预测结果进行修正,得出最终预测结果.经算例分析证明,所提方法能显著提高预测精度.     

基于混沌理论的短期负荷局域多步预测法

分析了目前对短期负荷时间序列进行预测的加权一阶局域一步预测方法,针对其用于多步预测会产生累计误差并且计算量很大的缺点,提出了将加权一阶局域法多步预测模型用于短期负荷预测。在分析电力系统历史短期负荷时间序列混沌特性的基础上,通过将多步预测模型应用于负荷的预测,验证了该方法相对于一步预测法在计算速度和精度方面都有明显提高。     

基于改进数据流在线分割的超短期负荷预测

为同时提高超短期负荷预测的实时性和准确性,应对现代电力系统对实时负荷预测的更高要求,提出一种基于改进数据流在线分割的超短期负荷预测方法。该方法根据负荷发展的时间趋势,利用数据流实时处理技术进行超短期预测,然后结合蕴含天气因素和负荷周期特性作用的短期负荷预测结果,对分割点的实时预测结果进行修正;其快速分段预测能力,避免了重复建模,提高了预测速度;对分割点的实时修正处理有效地增加了历史信息利用率,降低了分割点误差,使预测精度稳定在一个较高的水平。采用实际负荷数据检验该预测模型的有效性,结果表明,基于该模型的预测精度和速度均优于几种常规超短期预测算法,同时降低了拐点预测误差,在天气突变时也具有稳定的适应性。     

基于神经网络和模糊理论的短期负荷预测

电力系统负荷预测是能量管理系统(EMS)的重要组成部分,它对电力系统的运行、控制和计划都有着非常重要的影响,提高电力系统负荷预测的准确度既能增强电力系统运行的安全性,又能改善电力系统运行的经济性,但负荷预测的复杂性、不确定性使传统的基于解析模型和数值算法的模型难以获得精确的预测负荷。为提高电力系统短期负荷预测准确度,构建了一种新型的负荷预测模型。该模型首先采用多层前馈神经网络,以与预报点负荷相关性最大的几种因素作为输入因子,以改进BP算法作为预测算法,来获得预报日相似日负荷曲线;然后引入自适应模糊神经网络,用于预测预报日的最大、最小负荷;针对模糊神经元的权值更新问题,采用一种新的权值更新算法———一步搜索寻优法,在获得预报日相似日各点负荷和最大、最小负荷的基础上,通过纵向变换,对预报日的负荷修正,进一步减小预测误差。用上述模型和算法预测某地区电网的短期负荷,取得了良好的预测效果。     

短期负荷预测Volterra滤波器间隔采样模型

针对现有Volterra滤波器模型按混沌轨道逐点训练的模式易发生训练不充分或过拟合现象并最终影响短期负荷预测效果的问题,提出了依据相空间邻近轨道演化相似性特点,建立基于高阶非线性Volterra滤波器(HONFIR)的短期负荷预测多步预测模型(MSF-HONFIR).通过定义距离相似度、趋势相似度来衡量轨道演化相似性,提出了负荷吸引子邻近轨道判别的新方法.在MSF-HONFIR模型基础上将原始负荷序列分解为多个子序列并分别对各个子序列建立预测模型,显著削弱了系统累积误差.短期负荷预测仿真结果表明MSF-HONFIR模型的多步预测性能优于原有HONFIR模型.     

基于PSRT与Elman神经网络的短期负荷多步预测

短期负荷预测(short-term load forcastings,STLF)对电力系统的经济和安全运行有着重要的作用。为提高短期负荷预测的精度,根据短期负荷的基本特性,提出了一种将相空间重构理论(phase space reconstruction space,PSRT)与Elman神经网络相结合的短期负荷多步预测模型。首先利用PSRT重构相空间的吸引子,然后用Elman神经网络来拟合相空间吸引子的多步演化,其中利用空间欧氏距离来选取Elman网络的输入样本。通过对广西电网短期负荷预测的分析表明,该多步预测方法是有效可行的。     

基于改进BP神经网络的短期电力负荷预测方法研究

针对短期负荷预测精度低、准确性差等问题,将猫群算法CSO和BP神经网络相结合用于短期负荷预测,模型的输入因子是负荷数据和气象信息等,利用猫群算法对BP神经网络的权值和阈值进行优化,得到BP神经网络预测模型的最优解,建立了短期预测模型。通过实例验证了预测模型的有效性和有效性,结果表明,改进模型能够有效降低BP神经网络模型的预测误差,提高预测精度,为我国电力系统短期负荷预测的发展提供了参考和借鉴。     

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。     

基于机器学习的短期电力负荷预测方法研究

针对短期电力负荷数据具有明显周期性的特点,将基于机器学习引入到短期电力负荷预测领域,提出一种基于岭回归估计的RBF神经网络短期电力负荷预测方法,该方法利用机器学习算法RBF在非线性拟合方面的优势,结合岭回归对RBF神经网络输出层权值进行参数估计,有效消除输入多重共线性问题,采用广义交叉验证法对构建的模型进行评估,寻找最优岭参数,提高了电力负荷预测精度。通过实际负荷预测案例,与传统BP神经网络负荷预测方法进行比对,验证了提出的电力负荷预测方法较传统方法具有较好的稳定性和较高的预测精度,为电力负荷预测提供了新思路。     

基于改进Apriori关联分析及MFOLSTM算法的短期负荷预测

电力负荷预测结果的准确性对电力系统安全稳定运行具有重要意义。针对多气象因素影响下的短期负荷预测任务,提出改进Apriori关联度分析及飞蛾火焰优化的长短时记忆神经网络算法的电力负荷短期预测新方法。首先,提出改进Apriori算法分析气象因素与负荷之间的关联程度。依据分析结果除去非必要气象影响因素,并在此基础上引入人体舒适度评价指标。其次,将降维后气象数据结合地区负荷数据作为模型输入。最后,基于长短时记忆神经网络进行短期负荷预测建模,并结合飞蛾火焰优化算法的全局寻优能力来优化模型。通过对某地区负荷数据协同气象数据进行对比预测试验,测试结果表明该负荷预测模型能有效提升地区电网短期负荷预测性能。     

基于局部相似与神经网络的超短期负荷预测方法

为提高超短期负荷预测精度,特别是负荷曲线在拐点处的精度,在模糊聚类分析的基础上提出了一种选取局部相似日的改进模型。通过该模型选取局部相似日,并结合RBF网络提出一种新的预测超短期负荷方法。采用该方法建立2个预测模型,分别用于预测下个时刻和下一个小时段的数据。将该方法与灰色关联分析预测方法进行比较,发现该方法在预测精度上具有显著优势,证明新的预测超短期负荷方法有较高的可靠性与有效性。仿真结果表明,新的预测超短期负荷方法在工作日或休息日负荷曲线拐点处的预测上,均具有较高精度。     

基于改进最小二乘支持向量机和预测误差校正的 短期风电负荷预测

为了提高风电负荷预测精度,保证风电场资源得到有效利用,提出了基于改进最小二乘支持向量机和预测误差校正相结合的方法。首先引入提升小波分解原始数据,可以有效提取其主要特征,从而克服风电场的随机性。然后采用最小二乘支持向量机对分解后的信号做预测,保证了预测精度。接着用误差校正方式修正预测结果,减少了较大误差点的出现,提高了预测结果的稳定性。最后,通过某风电场预测结果表明,基于提升小波和最小二乘支持向量机的方法可以提高预测的精度,误差预测的方法也可以有效地校正预测结果。仿真结果验证了该方法用于风电负荷预测是有效可行的。     

基于TCN-LSTM和气象相似日集的电网短期负荷预测方法

为充分挖掘不同气象因素的相似日信息和输入特征蕴含的信息以提升负荷预测精度,提出一种基于时间卷积网络和长短期记忆网络组合（TCN-LSTM）和气象相似日集的电网短期负荷预测方法。首先通过Pearson系数和最大信息系数,选出与负荷强相关的气象因素;然后根据该气象因素,选取最佳相似日组成气象相似日集,以气象相似日集负荷、历史负荷、气象因素和时间因素作为预测模型的输入特征;最后,搭建TCN-LSTM预测模型,用TCN进行特征提取后,再用LSTM网络完成短期负荷预测。以中国某地区的实际历史数据进行仿真验证,结果表明所提预测方法可有效提升负荷预测精度。     

基于VMD和PSO-SVR的短期电力负荷多阶段优化预测

为降低短期负荷序列的非线性以提升预测精度,提出一种基于多阶段优化的变分模态分解（variational mode decomposition, VMD）和粒子群算法优化支持向量回归（particle swarm optimization support vector regression, PSO-SVR）的短期电力负荷预测模型。第1阶段采用VMD优化和预处理原始负荷序列,分解获得多个较为平稳的模态分量。第2阶段利用相空间重构优化重组各序列分量,并针对各分量分别建立支持向量回归（support vector regression,SVR）预测模型。第3阶段将粒子群算法（particle swarm optimization,PSO）用于优化SVR模型内部参数,便于更好地进行训练和预测。最后累加所有序列的预测值,实现短期电力负荷预测。研究结果表明：所提方法可以取得更高的预测精度。