基于多时段气象数据判断相似日的日负荷曲线预测研究

日负荷曲线预测是电力市场运营的基本内容.而短期负荷预测应用中较为成功的人工神经网络方法ANN( artificial neural network),在很大程度上取决于训练样本以及输入变量的合理选取,它关系到算法的收敛性、计算速度以及预测的精度.通过对长春地区日负荷数据与日气象数据的基础分析,提出了选用多时段气象数据以及日类型作为相似日判别要素,并运用灰色关联理论,计算出预测日和诸多历史日的关联度,来确定ANN的训练样本,从而建立起适应性较强的日电量的预测模型.然后由日电量预测的结果,采用96点的波形系数,求出日各点的负荷预报值,经滚动预测检验证明,该方法能较好地满足实际电力系统的负荷预测要求.     

基于虚拟相似日与DA-LSTPNet的地区电网短期负荷预测

针对短期负荷预测精细化的需求,提出一种基于虚拟相似日与双阶段注意力机制的长短期时序神经网络(DA-LSTPNet)的地区级短期负荷预测方法.为获得与负荷相匹配的细粒度实时气象数据,首先基于粗粒度的气象数据,利用灰色关联度和关联度加权法获取含细粒度气象数据的气象虚拟相似日.然后,采用最大信息系数(MIC)对气象特征信息与负荷进行非线性关联性分析,构建MIC加权下的负荷虚拟相似日选取算法,解决选取历史日作为传统负荷相似日而导致的过分局部相似乃至非相似的问题.最后,针对过往预测模型缺乏考虑特征因素与局部负荷细粒度变化之间联系特性的问题,构建能够有效挖掘负荷特征数据长期宏观以及短期局部变化特性的DA-LSTPNet进行日前短期负荷预测.以中国南方某地区电网实际负荷数据为例,采用多种形式的仿真验证了所提预测方法具有更高的预测精度和普适性.     

基于日特征量相似日的PSO-SVM短期负荷预测

通过引入人体舒适度指数,综合分析了气象因素对电力负荷的影响,并加入星期类型、日天气类型、日期差3个主要影响因素,构成了日特征向量,采用求取相似度的方法来选取相似日,利用相似日的日特征向量和负荷数据来建立PSO-SVM预测模型。经2001年EUNITE负荷预测竞赛的数据预测分析表明,该方法适应性较强,能够选取较合适的相似日,有较高的预测精度和推广能力。     

基于支持向量机的中长期日负荷曲线预测

提出了一种预测中长期日负荷曲线的新方法，通过历史典型日负荷数据构造出典型日年度发展时间序列，运用支持向量机方法对预测日各时刻负荷值进行预测并得到了典型日负荷曲线。该方法不需要对日负荷特性、最大负荷及需电量进行预测，因此避免了可能的误差积累问题。以某电网为例对该方法进行了测试，结果表明其具有较高的预测精度。     

基于相似日负荷修正的台风期间短期负荷预测

在台风期间现有的负荷预测方法的预测精度一般不高.在此背景下,以广东地区为例,首先分析了气象因子与系统负荷之间的相关性,从总负荷中分解出趋势分量、周期分量和气象敏感分量,在此基础上提出了基于相似日气象负荷修正的适用于台风期间的短期负荷预测方法.同时,为克服台风日样本较少所导致的预测困难,将近期及往年同期气象因素相似的历史日扩充到相似日样本中,并引入趋势相似度因子、气象相似度因子和时间相似度因子来评估历史日的相似性.用广东电力系统的实际数据做了测试,预测结果表明采用所发展的修正模型时台风日的负荷预测精度较现有方法有了较大提高.     

运用相似日和LSTM的短期负荷双向组合预测

为了提高短期电力负荷预测精度,提出了运用相似日选择与长短期记忆的短期负荷双向组合预测方法.首先,以关联度大小为标准,根据归一化后的待预测日气象因素序列确定数据集;然后,使用长短期记忆神经网络分别进行横向预测和纵向预测,利用最小方差法计算每一个采样点的横向、纵向预测值的权重,得出双向组合预测结果;最后,充分考虑气象因素对...     

基于气象灵敏度分析和特征日修正的短期日负荷曲线预测

短期负荷预测是电力系统运行的基础工作,准确的负荷预测是系统安全稳定运行的重要保障。随着电力市场的不断扩张,气象敏感负荷在负荷总体中所占比例急剧上升,气象成为电力调度部门在制定运行计划时不可忽略的重要因素。提出了一种基于气象灵敏度分析和特征日修正的短期日负荷曲线预测方法,研究季节性气象与负荷的相关性,提取关键气象因素建立回归拟合模型,通过函数求导法得到负荷与关键气象因子的灵敏度;由气象特征判别函数找到待预测日的气象特征日与趋势特征日,结合日负荷极值预测值计算得预测日负荷曲线。最后通过采用我国南方某地区的负荷实际数据,验证了所提方法的准确性和有效性。     

基于相似日和LS-S VM的微网短期负荷预测

为提高微网短期负荷预测的效率和精度,针对微网负荷基数小,波动性和随机性大,历史数据相对短缺的特点,在负荷点空间尺度上,提出一种基于相似日和LS-SVM微网短期负荷预测方法。该方法在预测空间尺度和样本选择上有别于大电网,充分考虑气象因素的累积效应、短期负荷的连续性和周期性以及时间距离的“饱和效应”,形成一种新的相似日评价函数来选取训练样本,并结合短期负荷预测的特点形成LS-SVM的输入量,然后将训练好的模型用于预测。算例表明,该方法有效可行,精度较高,且比较实用。     

基于协整-格兰杰因果检验和季节分解的中期负荷预测

近年来,随着国民经济的转型,中国的经济结构发生了较大的变化,仅仅依靠电力负荷历史数据进行负荷电量预测会造成较大的误差。为解决传统负荷预测方法对于经济、气象等因素考虑不足的问题,提出了一种可以计及经济与气象等因素影响的中期负荷电量预测方法。首先利用季节分解将历史月度用电量分解为长期趋势及循环分量、季节分量以及不规则分量;并以计量经济学中的协整检验以及格兰杰因果检验分析经济因素与用电量长期趋势及循环分量的关系,确定影响该部分电量预测的关键性指标;基于电量、气象以及经济数据,对各个分量利用支持向量机分别进行预测并综合得到月度电量总量预测值;最后通过算例分析了方法的有效性与可行性。     

考虑气象累积效应的IPSO-BP神经网络短期负荷预测算法

气象因素是短期负荷预测中的重要因素,考虑气象累积效应选取相似日作为训练样本,提出基于改进粒子群优化算法的BP神经网络负荷预测方法(IPSO-BP)。首先通过相关性分析得出与日负荷相关程度较大的气象因素;在此基础上,采用加权几何距离选取与待预测日关联度较大的历史日作为相似日,并对IPSO-BP神经网络模型进行训练和预测。实际应用结果表明,所提出的预测模型和数据处理方法能够得到更加精确的预测结果。     

动态相似与静态相似相结合的短期负荷预测方法

气温对负荷的影响存在累积效应,这导致气象条件与日类型相同两天的负荷仍然可能有较大的差异。因此,现有的以当天气象条件和日类型为特征参量的相似日选取方法不能保证预测的准确率。针对目前累积效应带来的影响,提出了一种动态相似的思路,并且将其与现有的静态相似方法相结合得到一种新的短期负荷预测方法。运用解耦模型分别对待预测日的日平均负荷和负荷曲线形状进行预测。采用动态相似的思路进行日平均负荷预测,采用静态相似日的思路进行负荷曲线形状的预测。算例中,分别以对节假日的负荷预测以及连续高温日期的负荷预测为例,通过对北京某地区的实例计算,结果表明,该预测方法可以提高短期负荷预测的准确率。     

基于相似日和WNN的光伏发电功率超短期预测模型

光伏发电功率预测对提高并网后电网的稳定性及安全性具有重要意义。文章提出一种基于相似日和小波神经网络(WNN)的光伏功率超短期预测方法。首先利用光伏发电系统的历史气象信息建立气象特征向量,通过计算灰色关联度寻找到合适的相似历史日。再根据自相关性分析法找出与预测时刻功率相关性最大的几个历史时刻功率,结合历史时刻的温度,辐照度,风速等光伏出力的主要天气影响因素科学合理的确定模型输入因子。最后使用小波神经网络(WNN)创建预测模型,通过相似历史日数据作为训练样本训练小波网络,而后对预测日的出力情况进行逐时刻预测。实例分析表明,该方法具有较高的预测精度,为解决光伏发电系统超短期功率预测提供了一种可行路径。     

考虑负荷发展和用户行为的分时电价优化研究

分时电价作为需求侧管理的一种重要经济手段,其在国内的全面实施势在必行,但电力需求的快速增长导致分时电价对用户的激励效果缺乏时效性。针对此问题,提出一种考虑负荷发展的分时电价优化方法,利用BP神经网络预测和灰色预测法预测出未来2年的典型日负荷曲线,将未来负荷曲线代入分时电价优化模型的结果作为电价约束,再对当年的典型日负荷曲线进行优化计算,得到合理的分时电价。算例将仅考虑当年典型日负荷曲线的优化结果与考虑负荷发展的优化结果进行对比,验证该优化方法延长分时电价时效的有效性。     

基于 BIC 准则和加权皮尔逊距离的居民负荷模式精细识别及预测

针对居民日用电负荷的聚类分析和预测问题提出了一种基于居民用电负荷模式精细分类的预测框架。 为了提高用于 聚类分析的特征质量,首先基于贝叶斯信息准则(BIC)实现特征筛选。 然后,采用基于加权皮尔逊距离的密度峰值法实现居民 用电负荷曲线形态的准确识别。 接下来,通过融合激活函数的方法对长短期记忆(LSTM)预测网络进行改进。 最后,利用改进 后的 LSTM 网络对精细分类的居民用电负荷模式进行预测。 实验结果表明,根据所提出的方法得到的预测误差指标为平均绝 对百分误差(MAPE),MAPE= 6. 6792%,提高了负荷预测质量,在居民用电负荷预测中具有较好的效果。     

基于离散Fréchet距离和LS-SVM的短期负荷预测

针对现有电力系统短期负荷预测精度低、数据处理量大、易受输入变量的影响等问题,提出了一种将离散Fréchet距离与LS-SVM相结合的短期负荷预测方法。分析总结了East-Slovakia Power Distribution Company提供的历年负荷数据,结合该地区的用电规律,通过引入离散Fréchet距离,建立离散曲线相似性的数学模型,选取出与基准曲线形状相似的相似日,利用相似日负荷数据对LS-SVM预测模型进行训练。经过仿真验证,并与标准LS-SVM模型得到的结果对比,所提预测方法明显提高了预测精度。     

基于边缘计算的台区短期负荷预测方法

配变台区是配电物联网与用户交互的重要纽带,台区短期负荷预测对实现配电物联网的精益化管理具有重要意义。为缓解全部台区上传负荷数据所带来的通信压力,本文提出一种基于边缘计算的台区短期负荷预测方法,将台区智能配变终端存储30天的历史负荷数据作为样本数据,通过核平滑法对样本数据进行清洗,因样本数据较少考虑将样本归一化后,拆分为标幺曲线与基值分别计算提高预测结果精度。然后通过相关系数法构建历史负荷数据的相关系数矩阵,用相关系数矩阵替换仿射传播相似度矩阵后聚类求得相似日的标幺曲线,再通过加权求和求得待测日的标幺曲线。同时,按照相似日原理预测待测日基值,最终通过待测日标幺曲线和基值反归一化后得到待测日负荷曲线完成预测工作。通过山东某配变30天的历史负荷数据计算后表明,所提方法可以实现台区负荷量级小、样本少、波动大情形下的合理预测,占用主站计算资源较少,对配网精益化运维具有积极意义。     

基于模糊信息粒化与多策略灵敏度的短期日负荷曲线预测

针对气象变化时负荷曲线预测精度低、预测模型不能完全适应气象变化的情况,提出了一种基于模糊信息粒化与多策略灵敏度的短期日负荷曲线预测方法。提出了完全气象因子序列的概念,建立气象粒化集;采用空间多元回归及滞后模型结合多策略灵敏度分析法,建立了针对复杂气象条件下的极值预测模型;基于改进的K-means聚类分析法查找并获取气象特征日,计算初步预测曲线,主动判断预测曲线畸变概率并进行优化修正,得到最佳预测日负荷曲线;利用动态数据流对模型参数进行更新,实现精细化预测。最后采用该方法对我国南方某地区全年负荷曲线进行预测,验证了模型在多种气象条件下的预测准确性,尤其适用于短期内气象存在复杂变化的情形。     

超短期负荷的聚类分析及其变化情况预测

电力系统的超短期负荷值及其变化情况对系统调度具有重要意义,提出了一种优化的聚类算法对超短期负荷在一天中的变化情况进行归类并预测。由于模糊C均值聚类对初始聚类中心敏感,不能准确收敛于全局最优解,加入蚁群聚类,从而自动获得最佳聚类数目,采用模糊神经网络对聚类结果（负荷值的变化情况）进行预测。通过对相似日（非负荷因素如经济、气象等相似）的历史数据仿真实验,验证算法的合理性、有效性,为日后负荷调度提供决策依据。     

基于联合数据挖掘技术的神经网络负荷预测模型研究

认为提高日负荷预测精点,即基于联合数据挖掘技术的电力负荷神经网络预测新方法.也就是通过多种挖掘技术寻找与预测日同等气象类型的多个历史日负荷,由此进一步提取数据,组成规律强化、干扰弱化、具有高度相似气象特征的数据序列,对此,再构建人工神经网络预测模型,从而有效地提高了预测的精度,简化了模型的输入和计算,更加便于应用.     

基于人体舒适度指数的配电网短期负荷预测方法

针对配电网负荷特点,提出了一种基于负荷曲线形状相似度与人体舒适度指数的配电网短期负荷预测方法。研究了负荷曲线形状相似的特点,依靠各时刻负荷差值期望,给出了一种负荷曲线形状相似度计算方法。针对气象因素对负荷的影响,引入了人体舒适度指数,并根据日最高气温与最低气温,给出了一种日人体舒适度指数相似度计算方法。根据配电网负荷类型特点,分析了节假日与正常工作日情况下,各类型负荷变化特性。结合上述特性,给出了一种配电网短期负荷预测方法,并详细论述了方法原理及步骤。结合某一配电网电源点9天历史数据与气象数据作为实例,表