基于经验模态分解和基因表达式程序设计的电力系统短期负荷预测

提出将经验模态分解(EMD)和基因表达式程序设计(GEP)算法相结合的EMD&GEP预测法应用于电力系统短期负荷预测中,消除负荷样本中的伪数据,并对负荷样本序列进行经验模态分解得到不同频段的本征模态分量(IMF)和负荷剩余分量.运用基因表达式程序设计算法的灵活表达能力,把分解得到的不同频段的各负荷本征模态分量及负荷剩余分量中所对应的不同日、同一时刻的负荷序列作为样本,进行分时预测.把各负荷本征模态分量和负荷剩余分量中相对应的预测结果进行重构,作为各时刻负荷的最终预测值.EMD克服了小波分析中小波基选取困难的不足,结果表明各负荷本征模态分量能较准确反映负荷特征,而且经比较,EMD&GEP预测法比小波分析和GEP算法相结合的预测方法具有更好的预测效果.     

基于经验模态分解和基因表达式程序设计的电力系统短期负荷预测

提出将经验模态分解（EMD）和基因表达式程序设计（GEP）算法相结合的EMD&GEP预测法应用于电力系统短期负荷预测中,消除负荷样本中的伪数据,并对负荷样本序列进行经验模态分解得到不同频段的本征模态分量（IMF）和负荷剩余分量。运用基因表达式程序设计算法的灵活表达能力,把分解得到的不同频段的各负荷本征模态分量及负荷剩余分量中所对应的不同日、同一时刻的负荷序列作为样本,进行分时预测。把各负荷本征模态分量和负荷剩余分量中相对应的预测结果进行重构,作为各时刻负荷的最终预测值。EMD克服了小波分析中小波基选取困难的不足,结果表明各负荷本征模态分量能较准确反映负荷特征,而且经比较,EMD&GEP预测法比小波分析和GEP算法相结合的预测方法具有更好的预测效果。     

基于差分分解和误差补偿的短期电力负荷预测方法

基于序列分解的方法能够提高短期电力负荷预测精度,但会带来误差的积累.同时,现有方法忽略了历史预测误差与当前预测结果的相关关系.提出了一种基于差分分解和误差补偿的短期电力负荷预测方法(differential decomposition-error compensation-gated recurrent unit,DD...     

电力系统短期负荷离线预测研究

针对某电网负荷预测问题,提出了对灰色预测和单指数平滑法的有效改进,并将改进后的谅支及两种方法的组合预测应用于实际负荷预测问题中,获得了满意效果。文中通过一个计算实例,比较了改进前后这几种方法的预测精度,并列出了采用这几种方法进行负荷预测的满意结果。     

基于神经网络的电力系统短期负荷预测研究

电力系统负荷预测是电力生产部门的重要工作之一，作者利用BP神经网络进行电力系统短期负荷预测，在保证有足够的训练样本的前提下，对预测模型进行合理分类，构造了相应于不同季节的周预测，日预测模型，并对输入变量的选择，特别是温度的选取问题，进行了讨论，在神经网络训练的过程中，往往会出现过拟合的现象，给预测的结果带来不利的影响，为此在训练过程中，将样本随机地分离为训练集和测试集来防止这个问题，典型算例的计算表明，该方法是有效的。     

基于神经网络的电力系统短期负荷预测

电力系统短期负荷预测是电力生产部门的重要工作之一,利用BP神经网络进行电力系统短期负荷预测时,根据影响因素确定了模型构成,并对输入变量选择进行了讨论,典型算例的计算表明该方法是有效的.     

带温度补偿的神经网络用于电力系统短期负荷预测

带温度补偿的神经网络结构和短期负荷预测方法在前向神经网络的输入和输出节点上对负荷引入了相应的温度补偿,其中所涉及的临界温度和温度补偿系数将与前向神经网络本身的权系数一起通过训练而自动获得。对陕西电网2001年1月开始连续45个月的预测试验结果表明,高温日期的平均负荷预测精度比用常规前向神经网络高3％-6％。神经网络的训练采用求解无约束最优化问题的BFGS算法,不但保证了神经网络学习的收敛性,而且可以减少隐节点的数目,使神经网络的推广能力和预测精度显著提高。     

电力系统短期负荷预测方法综述

从短期负荷预测在能量管理系统中的重要作用出发,对负荷的特性、负荷预测的建模要求、影响模型预测精度的因素、各预测模型的原理、预测模型的改进方法以及能量管理系统中负荷预测模块的软件实现作了概述。     

带温度补偿的神经网络用于电力系统短期负荷预测

带温度补偿的神经网络结构和短期负荷预测方法在前向神经网络的输入和输出节点上对负荷引入了相应的温度补偿,其中所涉及的临界温度和温度补偿系数将与前向神经网络本身的权系数一起通过训练而自动获得.对陕西电网2001年1月开始连续45个月的预测试验结果表明,高温日期的平均负荷预测精度比用常规前向神经网络高3%～6%.神经网络的训练采用求解无约束最优化问题的BFGS算法,不但保证了神经网络学习的收敛性,而且可以减少隐节点的数目,使神经网络的推广能力和预测精度显著提高.     

基于BP神经网络的电力系统短期负荷预测

电力系统短期负荷预测直接影响电力企业的经济效益。对此,选择预测日前一天的电力负荷和阴晴、温度、湿度等气象特征数据作为网络的输入,预测日当天的电力负荷作为输出,建立了电力系统短期负荷BP神经网络模型。用历史负荷数据作为训练样本,对BP神经网络预测模型进行训练,用训练好的神经网络进行电力系统短期负荷预测。用真实历史数据对新疆某地区进行了电力系统负荷短期预测,结果表明,预测结果与实际值比较接近,1 d96个采样点的负荷预测平均准确率为98.45%。     

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Dropout-ILSTM网络的短期电力负荷预测

针对传统BP神经网络难以处理电力负荷数据间关联的问题,提出了一种基于Dropout的改进的长短期记忆神经网络结构用于短期电力负荷预测.这种改进的长短期记忆神经网络(Improved LSTM,ILSTM),通过将长短期记忆网络的多个时间步输入与输出矢量进行全连接,增强了对目标系统中线性成分的表征;使用Dropout 对...     

提高电网短期负荷预测精度的研究

以广东珠海电网为例,对负荷特性、经济发展特点、气候变化、预测技术等影响负荷预测的因素进行分析,提出提高电网短期负荷预测精度的措施:建立和完善典型日负荷样本数据库;特殊事件造成负荷较大变化时进行人工干预;合理做好负荷日的类型分析;采用扩展短期负荷预测方法进行明日负荷预测;建立气象负荷数据源预测模型.这些措施在珠海电网中应...     

基于误差预测修正的负荷预测研究

电力系统负荷预测对电力系统的可靠和经济运行意义重大。国内外学者对负荷预测理论做了大量研究,提出了许多预测方法。基于这些方法,提出了一种有辅助和修正作用的措施——误差预测修正,即通过对预测产生的误差进行预测和分析,形成预测修正模型,再结合原预测模型预测负荷,以扩大原模型的适用范围和提高它的预测精度。最后通过算例,验证了该方法的科学性和实用性。     

基于粒子滤波算法的电力系统短期负荷预测研究

针对电力系统短期负荷随机性和偶然性较大,使得传统的卡尔曼滤波或者扩展卡尔曼算法不能发挥最优的滤波效果的问题,建立了基于粒子滤波算法的负荷预测模型,并讨论了参数选择对预测结果的影响,给出了优化的状态参数选择区间.通过对仿真验证了本文方法的有效性,最后将本文的方法与卡尔曼滤波算法进行了对比仿真,仿真结果证明本文提出的方法具...     

基于GRU-NN模型的短期负荷预测方法

目前基于统计分析和机器学习的预测方法难以同时兼顾负荷数据的时序性和非线性特点。文中提出了一种基于GRU-NN模型的短期电力负荷预测方法。该方法基于深度学习思想处理不同类型的负荷影响因素,引入门控循环单元(GRU)网络处理具有时序性特点的历史负荷序列,建模学习负荷数据内部动态变化规律,其输出结果与其他外部影响因素(天气、日类型等)融合为新的输入特征,使用深度神经网络进行处理,整体分析特征与负荷变化的内在联系,最后完成负荷预测。以美国某公共事业部门提供的公开数据集和中国某地区的负荷数据作为实际算例,该方法预测精度分别达到了97.30%和97.12%,并与长短期记忆神经网络、多层感知机以及GRU神经网络方法进行对比,实验结果表明所提方法具有更高的预测精度和更快的预测速度。     

基于神经网络的短期负荷预测与误差纠正算法

提出一种基于模糊神经网络的电力短期负荷预测方法,并对其运行特点进行分析。提出通过改进数据样本从而改善模糊神经网络的方法,可以预测在一些不确定性条件发生剧变的情况下发生突变的负荷。还提出了一个关于误差整合的观点,根据此观点提出了减小误差的方法。实例计算表明,这一模型和方法应用于短期负荷预测能获得较高的预测精度。     

基于短时间尺度相关性聚类的负荷预测

负荷预测不仅是电力系统稳定、安全运行的基础,同样也是实现电力需求侧智能用电管理的基础。短时间尺度相关性分析能够挖掘一段时间内负荷的用电行为,相似用电行为分析有助于改善负荷预测效果,因此本文提出了基于短时间尺度相关性聚类的负荷预测方法。首先,根据短时间尺度用电时间序列之间的皮尔逊相关系数构造相关系数矩阵,并对相关系数矩阵进行去噪处理;然后,基于相关系数矩阵,利用模糊c均值聚类的方法来实现不同用电特性负荷之间的聚类,每类中负荷具有相似的用电行为;再分别对每一类中所有负荷数据求和并利用人工神经网络进行超短期负荷预测,基于每类的负荷预测结果计算系统的负荷预测;最后,通过对某110kV变电站10kV负荷馈线的实际数据进行分析,分析结果表明基于短时间尺度相关性分析的聚类提升了负荷预测的效果,从而验证了本文所提方法的有效性。     

基于PCA-SVM的电力系统短期负荷预测

针对基于支持向量机的电力系统短期负荷预测算法中,预测模型的精度和泛化能力易受样本集中输入变量的影响,利用主成分分析方法能有效地消除变量之间共线性的特点,通过提取样本集的主成分完成数据预处理,有效地压缩样本集的维数。根据East-Slovakia Power Distribution Company提供的电网运行数据进行了预测计算,证明此方法与标准支持向量机算法相比,可以降低样本集的维数,提高负荷预测精度。