基于分形理论的电力负荷持久性分析及预测

讨论了非线性电力负荷持久性问题,并在持久性区间利用分形插值算法进行了短期负荷预测。运用分形理论中的重标极差分析方法构造了电力负荷分析模型,揭示了负荷波动变化的持久性,表现出了隐藏于随机性之后的有序性,说明负荷特性是可以延伸的。由于在持久性区间内负荷之间是紧密联系的,因此可利用分形拼贴定理与分形插值算法求取与负荷历史记录相近吸引子的迭代函数系统,进而实现高精度的日电力负荷预测。     

分形外推插值算法在电力负荷预测中的应用

针对传统分形插值难以进行外推的问题,利用分形的自相似性与标度不变性将内区间的分形特性进行延拓,并由此构造了具有外推功能的分形插值算法。该算法利用内区间的迭代函数系和吸引子由特定的初始点出发进行直接搜索,并通过使迭代特定次数后获得的点集与吸引子的均方偏差不断减小的过程来逐步调整初始点的纵坐标值,而均方偏差达到最小化时的纵坐标值即可作为需要外推点的函数值。然后利用电力负荷数据的不同分形特性,将分形外推插值算法应用于电力日负荷、日峰值负荷及年用电量预测中。算例结果表明,分形外推插值算法具有较高的预测精度、较高的计算效率和良好的收敛特性。     

基于分形理论的昆明电网电力负荷预测

本文讨论了非线性电力负荷的自相似性问题,并根据负荷的该特性利用分形理论的拼贴定理与分形插值算法求取与负荷历史记录相近吸引子的迭代函数系统(IFS),为负荷预测研究开辟了新途径.对昆明电网2009年5月13日的负荷预测值与实际负荷点基本吻合.预测精度高.     

采用分形插值的典型日负荷曲线改进预测方法

提出了一种结合粒子群算法的改进分形预测方法。针对各年典型日负荷曲线形态相近且具有上移趋势的特点,采用调整向量来描述该趋势,在生成迭代函数系吸引子的过程中利用粒子群算法对调整向量进行优化。针对传统分形预测中迭代初始点经验性选取的问题,提出了利用"时序平移"的思想来计算迭代初始点的方法。结合调整向量优化和时序平移思想,建立改进的分形预测模型。最后,通过实例计算说明了该方法的有效性。     

基于分形的社会总用电量及其构成预测

该文根据分形拼贴定理，由分形插值方法求取一个吸引子与电力负荷历史数据相近的迭代函数系统(IFS)，建立分形预测模型，实现电力负荷预测。检验点的预测结果表明，最大相对误差为-2．92％，平均相对误差为-0．40％。该方法不存在收敛问题，数据收集简便，具有较好的实用价值。另外，该文应用N阶迭代累加和构造分形，应用分维定义对用电量构成的发展趋势进行分形预测，3项经济指标，6个检验点的预测结果表明，最大相对误差为2．5％，平均相对误差为0．46％。该方法同样不存在收敛问题，计算速度较快，也具有较好的实用价值。     

基于分形的电力系统负荷预测

本文提出了一个基于分形的电力系统负荷预测新方法,它根据分形拼贴定理求取一个与负荷历史记录相近的吸引子的迭代函数系统（ＩＦＳ）以建立预测模型实现对未来电力负荷的预测,实例计算表明,该方法精度高,速度快,不存在收敛问题,且数据收集简便,因此有很好的实用价值。     

基于Spark平台和并行随机森林回归算法的短期电力负荷预测

随着智能电网、全球能源互联网的建设与相关技术的发展,现代电力系统中电力大数据的格局已经形成,如何对高维海量数据进行深度挖掘以实现数据的充分利用,成为当前电力工作者们关心的问题。该文针对电力大数据环境下高精度和实时性的负荷预测展开了研究,提出了基于Spark平台和并行随机森林回归算法(Spark platform and parallel random forest regression,SP-RFR)的短期电力负荷预测方法,通过3次弹性分布式数据集(resilient distributed datasets,RDD)转换实现单机随机森林算法的并行化改进,并在Spark分布式集群环境下实现部署。结合某区域实际电力负荷数据设计试验,进行模型训练和回归预测,通过试验证明,对同等的数据集,基于Spark平台的并行随机森林回归算法预测精度高于单机负荷预测算法;并行随机森林算法受离群数据干扰较小,且随着数据集的增大,并行随机森林算法表现出良好的鲁棒性;与单机算法在运行时间上相比,随着数据集的增大,基于分布式集群的方法优势明显。该文提出的方法能够有效地在分布式环境中进行电力负荷预测,为负荷预测提供了一种新思路。     

基于相似日和分时段分形插值的短期电力负荷预测

电力系统日负荷曲线是一类非线性曲线,受天气、突发事件等敏感因素的影响,同一天的不同时刻,其曲线波动情况不相同,仅具有部分自仿射结构或不具有明显的自仿射结构.分形插值方法在解决非线性问题上具有很大的优势.考虑到天气因素对电力负荷的影响,先采用加权的灰色关联度方法选择相似日,从历史数据中找出与预测日具有相似日特征向量的负荷,然后针对电力系统日负荷曲线的特点,对日负荷曲线进行分段,最后采用分时段分形插值的方法对预测日的电力负荷曲线进行拟合.通过与整体分形插值进行对比发现,分时段分形插值方法更加准确有效.     

一种改进的基于分形插值和小波分析的电力负荷短期预测方法

针对传统分形插值预测中关键参数垂直比例因子值计算困难的问题,提出一种基于分形插值曲线分维数定理和小波分析的改进垂直比例因子计算法,该算法通过对样本数据进行小波自相似性分析,利用自相似指数计算出分维数,间接求解出垂直比例因子值;然后就传统分形插值预测中插值点集合经验性选取的问题,提出了一种应用小波特征点检测法来选取插值点集合的方法。通过某电力公司原始负荷记录数据对某日24 h进行预测,并与经验分块法求得的预测值进行比较,算例结果表明,改进的分形插值预测法提高了预测精度,避免了分块法造成的迭代函数发散问题,且对样本需求量少、可操作性强。     

基于人工智能的客户需求响应研究与分析

随着电力大数据爆炸式地增长,依靠人力物力的传统数据处理模式已经不再适应现代电力系统的发展。以红河州地区居民用电消费行为和日常行为习惯做聚类分析,借助计量自动化系统提供的电力负荷数据,并基于用户群体分析与识别,利用灰色预测、BP神经元网络、自适应BP神经元网络、PSO算法、分类随机森林算法、自适应分类随机森林等人工智能算法对负荷进行预测。通过对当地居民的用电消费行为习惯深入的研究以及电力负荷的预测,为人工智能运用于电力系统客户需求响应提供理论经验和技术支撑。主要创新点在于将自适应随机森林算法等人工智能算法应用于居民需求响应的研究,降低电网处于高峰负荷,并采用了负荷转移策略降低电网运行成本,节约能耗。     

改进遗传算法优选分形插值参数的短期负荷预测

分形插值方法的参数对插值的结果影响很大.在基于分形的电力系统负荷预测中,如果得不到合适的分形插值参数,将会影响到预测的精度.针对传统的分形插值方法很难确定分形参数,文章对基本的遗传算法进行了改进,并将其应用于分形插值的垂直尺度因子的寻优中,实现预测日负荷曲线的最佳拟合.算例结果表明,利用改进的遗传算法进行分形插值参数寻优的方法提高了负荷预测的精度.     

A new method for short-term load forecasting based on fractal interpretation and wavelet analysis

Load forecasting based on fractal interpolation is a very important method. However, traditional methods exists several disadvantages such as vertical scale factor difficult to calculate, low-precision, difficult to use. Therefore, a method is proposed combined with self-similarity theory and fractal interpolation theory to solve the above problems. In this paper, the self-similarity of electrical load historical data is analyzed using multi-resolution wavelet firstly, then use the Hurst parameter values to calculate vertical scaling factors in Iterative Function Systems (IFS) based on the values of Hurst parameter. The vertical scaling factors can be used to get the other parameters of IFS affine transformation. Then the electrical load forecasting curve was generated by the iterations system. According to the actual needs of electricity production, this algorithm was used to forecast electrical load from two aspects: fractal interpolation and fractal extrapolation, and the average relative errors are only 2.303% and 2.296%, in the case of only six interpolation points for the entire set of forecast data. The result shows this algorithm has advantages of high-precision, less-sample demands, less-interpolation points and easy to use.     

粒子群神经网络混合算法在负荷预测中的应用

电力系统负荷预测结果的准确性关系到电力系统的调度运行、生产计划和供电质量,为此在研究短期负荷预测中应用了粒子群PSO和BP神经网络相结合的混合算法。该算法先应用粒子群优化算法算出BP神经网络的连接权向量和阈值,每次迭代求出最优粒子的权向量和阈值及BP网络在这组权向量和阈值的实际输出值,最后得出第i个粒子的适应度函数。与其他方法相比,该算法预测精度较高:平均相对误差≤1.48%,最大相对误差≤4.10%,而且收敛速度快,预测结果满足短期负荷预测误差要求。     

基于增量约简算法确定电力负荷预测模型输入参数

针对电力系统中有众多因素影响负荷预测精度的问题,文中引入粗糙集理论中的属性约简算法来挖掘与待预测量相关性大的各属性,保证预测模型输入参数的合理性,解决了神经网络模型输入参数的确定问题.针对基于区分矩阵约简算法是NP问题的弱点,提出了基于属性优先级函数的启发式约简算法(RAPHF);针对负荷预测过程中样本数据是滚动更新的特点,在RAPHF的基础上提出了具有动态挖掘能力的粗糙集增量算法RAPHF-I.通过短期负荷预测的实例研究,证实了文中改进算法的有效性.     

基于雷达坐标及膨胀系数的负荷预测新方法

以分形理论为依据，在雷达坐标中对电力系统负荷序列的分形维数、膨胀系数等参数进行了计算。雷达坐标的引入使负荷曲线呈现拟椭圆形状，这有利于从整体上把握负荷预测。虽然负荷曲线满足自相似性，但是还存在由随机负荷分量所引起的差别。对此，为了减小其影响，首先进行负荷数据的预处理。然后根据分形维数将负荷曲线分为若干段。同时，为了提高预测精度而引入了膨胀系数。最后利用这些参数对经过平滑处理的负荷曲线进行预测。实际的预测结果表明，此方法为一种有效的电力系统短期负荷预测方法。     

基于分形理论的电力系统负荷特性研究

掌握电力负荷特性的变化规律是建立负荷预测模型的关键。分形理论是近年来发展起来的新兴非线性系统理论,把分形理论应用于电力负荷特性的分析研究中,通过对电力系统负荷曲线进行分析,得出电力系统负荷变化具有一定的周期性规律。运用分形理论,分维数表明:相同空间状态下电力系统负荷具有自相似性;相同时间尺度下电力系统负荷具有自相似性,并对电力负荷分形特性的稳定性进行了论证,从而证明了分形理论应用于负荷预测的可行性和合理性,为将分形理论应用于电力系统负荷预测提供了理论依据。     

基于最小二乘支持向量机的短期负荷预测

提出了结合粗糙集(rough sets,RS)理论和遗传算法(genetic algorithm,GA)的最小二乘支持向量机(least squares support vector machines,LS-SVM)短期负荷预测模型和算法。由于影响负荷预测精度的因素众多, 该模型采用RS理论进行历史数据的预处理,对各条件属性进行约简分析。属性约简采用GA进行寻优,以确定与负荷密切相关的因素,作为LS-SVM的有效输入变量。在预测过程中,通过GA对LS-SVM的模型参数进行自适应寻优,从而提高负荷预测精度,避免LS-SVM对经验的依赖以及预测过程中对模型参数的盲目选择。采用上述方法对山东电网负荷进行了预测分析,结果证明了该方法的有效性。