基于优化决策树的短期电力负荷预测算法

考虑非负荷因素对短期负荷预测的影响,提出了基于优化决策树的短期负荷预测新方法。该方法先对样本数据进行预处理,利用粗糙集理论对决策树的测试属性约简;然后针对决策树ID3算法的缺陷,改进测试属性选择的方法,提出优化算法M ID3。通过2次优化建立的决策树短期负荷预测模型,在有更好的分类准确率的前提下具有较小的规模。结果表明,该方法可提高短期负荷预测的精度,具有一定的实用性和优势。     

基于数据挖掘技术和支持向量机的短期负荷预测

支持向量机方法已经非常成熟的应用在短期负荷预测领域,它在选取历史日期进行模型训练的时候通常选取距离预测日相近的一段日期,而没有考虑这段时间气象条件、星期类型、节假日造成的影响,使得所建立的模型并不能完全的反映预测日的特征。提出了基于一种基于数据挖掘技术的支持向量机负荷预测方法,该方法提出了预测模型样本选取的新颖思路,首先采用层次聚类法对历史日负荷进行聚类,利用层次聚类得到的分类结果建立决策树,根据待预测日的属性在决策树中查询得到支持向量机预测模型输入的历史负荷,建立支持向量机预测模型并对待预测日的负荷进行预测。实例中负荷数据采用浙江省某地级市的历史负荷,用新方法对该地区的日96点负荷进行预测,并将该算法与传统的支持向量机算法进行比较,文中提出的方法解决了传统的基于支持向量机方法训练日期选取不能反映待预测日特征的问题,故本算法结果具有较高预测精度。     

基于小波分解和ID3算法的短期日负荷最大值预测方法

为了综合考虑气象对负荷的影响,本文引入了生物气象学中的实感温度、寒冷指数、温湿指数、舒适度4个指标来量化气象因素的综合影响。将原始负荷序列进行小波去噪,及对负荷变化率进行离散化处理后,通过ID3算法生成负荷预测决策树模型,在得到实感温度、寒冷指数、温湿指数和舒适度后对日负荷最大值进行预测。经算例证明,该模型能够满足负荷预测实用化标准的要求。     

决策树在短期电力负荷预测中的应用

提出用C45决策树方法解决负荷预测的样本多样性问题。并进行短期负荷预测。通过计算信息增益找出决策树的最佳生成方案，对连续属性计算其熵值找出最佳分段点进行离散化，阐述了规则的生成及其在短期电力负荷预测中的应用方法，算例结果表明，计算精度较高。     

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.     

基于改进SLIQ算法及多粒度气象信息匹配的短期负荷预测

短期负荷预测容易受到气象等多种因素共同作用的影响,找到关键影响因素是提高短期负荷预测精度的必要手段。电力系统海量数据包含了巨量的运行信息,为挖掘有用信息,提高数据利用效率,提出了一种基于改进SLIQ算法及多粒度气象信息匹配的短期负荷预测方法。采用改进的SLIQ决策树算法对气象负荷信息进行聚类,提取同等气象条件下决定负荷波动的关键因素。由动态灵敏度方法建立短期负荷拐点预测模型,再由熵权法选择最佳预测参考日并预测曲线拐点,并在此基础上提出多粒度气象信息匹配算法进行负荷曲线预测。通过对我国南方某地区的多季节负荷进行仿真预测,计算结果表明在任意气象条件下曲线预测精度均能满足电网要求,证明了所提方法的正确性及普适性。     

基于模糊支持向量机方法的短期负荷预测

考虑气象因素对负荷的影响,提出了一种模糊支持向量机SVM(Support Vector Machine)的短期负荷预测方法。首先选取预测日前4星期中差异评价函数小于给定经验值的已知日作为相似日学习样本．然后利用隶属度函数对影响负荷特征因素向量的分量进行模糊处理,得到SVM的训练样本集．拟合负荷和影响因素之间的非线性关系。对24点每点建立一个SVM预测模型,采用改进的序列极小优化算法实现对SVM的快速训练。算例数据包括每天的气象数据和24点负荷数据．以最大相对误差和平均误差评价预测结果,表明所提方法简便快速且实用有效。     

计及气象因素的用电负荷短期分时分类预测模型与方法

短期负荷预测是电力系统运行和分析的基础,对机组组合、经济调度以及安全校核等具有重要意义。针对地区负荷在小样本情况下预测精度不高的问题,在对某地区负荷数据进行分析并剔除异常数据之后,建立了基于支持向量机回归(support vector regression,SVR)的短期负荷预测模型。为了提高模型的预测性能,采用细菌觅食算法(bacteria foraging optimization algorithm,BFOA)对SVR的参数进行优化,并将温度、湿度和降雨量等气象信息引入预测模型。考虑到负荷与时间点的耦合关系,对每日96个时间点分别进行预测。同时,根据工作日和周末2种不同属性分别建立了基于SVR的负荷预测模型。仿真结果表明,所建立的短期负荷预测模型能够在小样本的情况下以较快的速度获得较高的预测精度。     

电力系统短期负荷预测的模糊神经网络方法

针对电力系统短期负荷预测问题,考虑气象因素对负荷的影响,提出了一种模糊神经网络的短期负荷预测方法,首先根据评价函数选取相似日学习样本,然后利用隶属函数对影响负荷的特征因素向量的分量进行模糊处理,采用反向传播算法,对24点每点建立一个预测模型,提高了学习效能.本方法适合在短期负荷预测中使用,具有较好的预测精度.     

基于小波变换和支持向量机的电力系统短期负荷预测

提出一种改进的基于离散小波变换和支持向量机的短期负荷预测方法.运用离散小波变换将负荷时间序列分解为高低频子序列,采用目前较为成熟的支持向量机方法,选择适当的参数对每个序列进行滚动式的单支预测,最后将各分支预测结果相加最终实现负荷预测.实例中负荷数据采用四川省某地区的历史负荷,对该地区的日96点负荷进行全年预测,并将该算法与支持向量机算法进行比较,结果表明,该算法具有较高预测精确性.     

基于竞争分类的神经网络短期电力负荷预测

根据电力负荷的特点,在考虑天气、日类型、实际历史负荷等因素对预测负荷影响的基础上,提出了一种基于竞争分类的神经网络短期负荷预测方法.应用神经网络的竞争学习对相关数据进行分类,将历史数据分成若干类别从而找出与预测日同类型的预测类别.利用相应的BP算法对未来24小时负荷进行短期预测,该方法充分发挥了神经网络处理非线性问题的能力.结果表明,该方法取得了较满意的预测精度.     

基于Shapley值的电力负荷预测结果溯源分析方法

针对由于机器学习的黑盒特性导致负荷预测结果不可溯源的问题,提出一种基于Shapley值的电力负荷预测结果溯源分析方法.阐述利用机器学习技术构建负荷预测模型的一般形式和基本过程;基于负荷预测模型,利用合作博弈论中的Shapley值计算各类负荷影响因素对负荷预测结果的影响;对利用梯度提升决策树算法训练的负荷预测模型的预测结果进行溯源分析.实验结果表明,利用所提方法可以洞察负荷预测过程,从而实现负荷预测结果的溯源分析以及考虑复杂非线性的负荷影响因素分析,也可以在构建负荷预测模型时指导特征选择提升模型的泛化能力.     

电力系统负荷预报的动态建模新方法

本文提出了一种电力系统短期负荷预报的新算法。该算法首先利用模糊技术对历史负荷数据进行平滑处理，再根据平滑处理的负荷数据，分别建立负荷变化的趋势项和波动项动态模型并作出预报，最后利用模糊综合评判的理论，考虑天气、假日等因素对负荷的影响，对预报值进行调整。该算法可实现提前１～２４小时的小时级负荷预报。     

模糊聚类分析和代数算法结合的短期负荷预测

为了提高短期负荷预测速度和精度,提出了将模糊聚类分析和神经网络代数算法相结合的短期负荷预测方法.综合考虑天气、日类型、历史负荷等对未来负荷变化的影响,通过模糊聚类分析选取学习样本,找出同预测目相符的预测类别,采用神经网络代数算法训练样本,对24小时负荷(24点)每点建立一个预测模型.该方法充分发挥了神经网络和模糊理论处...     

基于模糊聚类的神经网络短期负荷预测方法

针对电力负荷的特点，综合考虑天气、日类型、历史负荷等对未来负荷变化的影响，提出了一种新的短期负荷预测方法。通过模糊聚类选取学习样本，采用反向传播算法，对24点每点建立一个预测模型。该方法充分发挥了神经网络和模糊理论处理非线性问题的能力，提高了学习效能，在负荷平稳的季节和负荷波动较大的季节都具有较好的预测精度。     

基于功率谱分解和实时气象因素的短期负荷预测

提出了基于功率谱分解和实时气象因素的短期负荷预测方法，采用快速傅里叶变换(fast Fourier transform，FFT)对负荷序列进行变换得到功率谱，依据变换结果分析功率谱得出负荷基频、低频和高频分量的频率范围，采用有限脉冲响应(finite impulse response，FIR)滤波器从负荷中分离出各 个负荷分量。分析各个负荷分量的特点，针对各个负荷分量分别设计预测模型，对基频分量采用Elman回归神经网络进行预测，这部分较好地反映出基频分量的时间序列特性；对低频和高频分量分别采用自适应线性回归神经网络进行预测，在对这部分分量的预测中重点引入实时气象因素，以利用最新的气象信息提高预测精度。通过在某地区的实际应用证明了所提出方法的有效性。     

粗糙集信息熵与自适应神经网络模糊系统相结合的电力短期负荷预测模型及方法

电力系统短期负荷预测不仅要考虑负荷本身的历史时间序列,而且与气象因素密切相关,自适应神经网络模糊系统(Adaptive Neuro-Fuzzy Inference Sysrem,ANFIS)模型是一种有效的预测方法,而系统输入变量的合理性选择是影响预测效果的关键所在.作者通过粗糙集理论中的信息熵概念对解决这一问题进行了尝试,选取与待预测量相关性大的参数作为输入.所构造ANFIS系统是基于数据进行建模并进行参数辨识的,这样有效地避免了模糊推理系统(Fuzzy Inference System,FIS)中人为主观因素对预测的负面影响,客观地反映了相关变量与负荷值之间的复杂关系.用该方法与常用BP神经网络及常用FIS分别对重庆市某区进行了一周的日负荷预测,通过对实例的对比分析表明了该方法具有较好的收敛性和预测精度.     

基于级联神经网络的短期负荷预测方法

针对常和BP算法预测速度慢、易陷入局部最优解的缺点，提出了基于RBF网络和BP网络的级联神经网络预测方法，把天气因素和历史负荷对负荷预测值的影响分开考虑，其中RBF子网络用于描述历史负荷的影响，BP子网络则对在RBF子网络中难以考虑的天气因素给出了较好的映射关系，最终将两个子网络组合为一个级联神经网络，一系列的研究算例证明该方法是快速，准确的。