一种基于气温因素的短期电力负荷预测模型北大核心CSCD

气温波动是影响短期电力负荷预测准确率的主要因素之一,为了提高预测精度,将气温因素引入一种新型的非线性自回归模型中,构建一种基于气温因素的非线性自回归短期电力负荷预测模型,并提出该模型的实验定阶方法。以气温作为模型的外部输入量,基于Weierstrass定理推导了该模型的表达式,采用最小二乘法估计该模型的参数,根据所提出的实验定阶方法对模型进行定阶。对实际电力负荷样本进行预测,结果验证了模型实验定阶方法的可行性,表明该负荷预测模型预测精度较高,可应用于负荷短期预测之中。     

用Excel求取化工数据组回归方程

在化工问题研究中，经常需要把实验数据整理为方程式，以定量描述过程或现象自变量与因变量之间的关系，回归分析是求取这种关系方程的主要数理统计方法。本文介绍了用Excel软件求取回归方程的几种方法，通过举例对趋势线预测法、多元线性回归法、非线性回归法与误差判定的方法进行了介绍，说明通过Excel可实现大部分实验数据的拟合，达到节约数据处理时间，提高回归方程精度的目的。     

基于CNN-GRU-MLR的多频组合短期电力负荷预测

负荷预测对于电力企业制定未来调度计划十分重要。为了进一步提高预测精度，充分挖掘负荷数据中时序特征的联系，提出一种卷积神经网络(Convolutional Neural Networks, CNN)、门控循环单元(Gate Recurrent Unit, GRU)和多元线性回归(Multiple Linear Regression, MLR)混合的多频组合电力负荷预测模型。该模型先对时间序列的负荷数据进行集合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD),并将其重构为高低两种频率；同时在高频中引入影响因子较大的气象因素，使用CNN-GRU模型预测，低频部分使用多元线性回归进行预测；最后将各个模型得出的预测结果叠加，得到最终预测结果。仿真结果表明，相对于其它网络模型，提出的混合模型具有更高的预测精度，是一种有效的短期负荷预测方法。     

基于改进数据子空间算法的电力负荷预测问题

针对电力负荷进行准确预测对于电力系统的稳定运行具有重要的意义.利用传统的数据子空间算法进行电力负荷预测的过程中,由于没有考虑电力系统的非线性和时变性,导致预测精确度较低.为此,提出一种基于改进数据子空间算法的电力负荷预测方法,在电力负荷预测子空间方程式中加入反馈因子,在电力负荷历史数据中加入遗忘因子,利用粒子群算法对两种反馈因子和遗忘因子进行寻优,并将寻优结果带入到改进的电力负荷子空间预测模型中进行计算,从而获得准确的预测结果.实验结果表明,利用改进算法进行电力负荷预测,能够提高预测精度,效果令人满意.     

中长期电力负荷预测研究

为了有效地提高电力负荷的预测精度,针对影响中长期电力负荷多因素间的非线性和不确定性,提出了一种粗糙集(RS)和最小二乘支持向量机(LSSVM)相结合的中长期电力负荷预测方法.采用粗糙集理论把影响电力负荷的六个因素,属性约简为三个核心属性,减少了LSSVM的输入量,提高了电力负荷预测系统的快速性;粗糙最小二乘支持向量机回归建模,构造RS-LSSVM的电力负荷预测模型,提高预测的精度.最后进行仿真,改进模型应用于某地区的中长期电力负荷的拟合和预测中,采用RS-LSSVM模型,与BP神经网络的拟合预测结果相比,预测误差明显小于BP神经网络,具有更高的预测精度,为中长期的电力系统负荷预测提供了一种新的科学、有效的方法.     

组合模型在电力价格预测中的应用研究

电力价格同时具有线性和非线性规律,价格预测就符合收益最大,风险最小,满足供电的要求.当前传统的方法只能反映电力价格部分信息,从而导致电力价格预测精度不高.为了提高电力价格预测精度,提出一种基于ARIMA和RBF神经网络相结合的电力价格组合预测方法.首先采用ARIMA方法对电力价格的线性部分建模预测,然后采用RBF神经网络对电力价格非线性部分建模预测,最后利用三层结构的RBF神经网络将2种方法预测结果进行非线性组合,得到电力价格最终预测结果.实验结果表明,组合模型相对于单模型的预测具有更高的精度,组合模型发挥了2种模型各自的优势,在电力价格预测中具有广泛的应用前景.     

日电力负荷的分时段多模型组合预测

日电力负荷预测是电力市场运营的基本内容。当前大多数预测方法对不同时段往往采用相同的预测模型和算法,而较少考虑不同时段的负荷组成及特征变化。提出了一种新的分时段多模型组合预测方法。根据负荷组成和特征变化,将日96点负荷分为多个时间段,每个时段内采用多元线性回归、灰色预测、支持向量机和神经网络预测等子模型加权实现多模型组合预测。通过对华东某地市电网日负荷96点曲线的预测结果显示,该方法效果较好,日预测均方根误差在1.78%以内,能较好地满足实际电力系统的负荷预测要求。     

支持向量机在电力负荷预测中的应用研究

研究电力系统负荷预测问题,针对电力负荷过程存在非线性技术,为提高预测精度,保证安全供电,改变传统方法,提出改进支持向量机的预测性能,更精确地预测电力负荷,提出粒子群算法优化支持向量机（PSO-SVM）的电力负荷预测方法。PSO-SVM用粒子群算法优化支持向量机参数,减少了对支持向量机参数选择的盲目性,获得较优的支持向量机预测模型。并以贵州省为例在2008.7-2009.7电力负荷数据进行测试和分析,并进行仿真。实验结果表明,在电力负荷预测中,PSO-SVM比SVM和BPNN有着更高的预测精度,测试表明PSO-SVM方法用于电力负荷预测是有效可行的。     

一种关于反馈Agent的多元线性回归方法

多元线性回归方法常用于数据预测,预测数据和实际数据总会存在误差。为了提高预测精度,采用反馈Agent算法,把误差作为一个新的线性反馈自变量,用在下次的多元线性回归预测中。论文采用实例验证了该方法的有效性。     

烃类物质闪点定量构效的关系

应用CODESSA软件计算300种烃类物质的分子结构描述符,用启发式回归(HM)、最佳多元线性回归(B-MLR)法,以筛选出来的分子描述符建立线性回归模型.用B-MLR法所选4个描述符作为支持向量机(SVM)的输入,建立非线性模型.预测结果表明:所建模型稳健,泛化能力强,预测误差小.非线性模型(R2=0.9884,RMSE=8.7570)的性能优于线性回归模型(HM:R2=0.9815,RMSE=11.0653;B-MLR:R2=0.9814,RMSE=11.1041),预测的效果令人满意.     

Implementation of hybrid short-term load forecasting system with analysis of temperature sensitivities

Load forecasting is necessary for economic generation of power, economic allocation between plants (unit commitment scheduling), maintenance scheduling, and for system security such as peak load shaving by power interchange with interconnected utilities. A novel hybrid load forecasting algorithm, which combines the fuzzy support vector regression method and the linear extrapolation based on similar days method with the analysis of temperature sensitivities is presented in this paper. The fuzzy support vector regression method is used to consider the lower load-demands in weekends and Monday than on other weekdays. The normal load in weekdays is forecasted by the linear extrapolation based on similar days method. Moreover, the temperature sensitivities are used to improve the accuracy of the load forecasting in relation to the daily load and temperature. The result demonstrated the accuracy of the proposed load forecasting scheme.     

基于蚁群算法的电力负荷预测方法研究

为了提高负荷预测的精度,提出基于改进蚁群算法的电力负荷组合预测方法。该方法以回归分析、灰色模型、二次指数平滑值、龚帕兹模型、弹性系数法、逻辑斯谛模型法、二次移动平均模型为基础建立负荷组合预测模型,利用改进蚁群算法优化组合预测模型的权值,并与单个预测模型进行比较。预测结果表明,基于改进蚁群算法的电力负荷组合预测方法,运算速度快,预测精度高,相对误差小,有一定的实用价值。     

Short-term load forecasting of power systems by gene expression programming

Short-term load forecasting is a popular topic in the electric power industry due to its essentiality in energy system planning and operation. Load forecasting is important in deregulated power systems since an improvement of a few percentages in the prediction accuracy will bring benefits worth of millions of dollars. In this study, a promising variant of genetic programming, namely gene expression programming (GEP), is utilized to improve the accuracy and enhance the robustness of load forecasting results. With the use of the GEP technique, accurate relationships were obtained to correlate the peak and total loads to average, maximum and lowest temperatures of day. The presented model is applied to forecast short-term load using the actual data from a North American electric utility. A multiple least squares regression analysis was performed using the same variables and same data sets to benchmark the GEP models. For more verification, a subsequent parametric study was also carried out. The observed agreement between the predicted and measured peak and total load values indicates that the proposed correlations are capable of effectively forecasting the short-term load. The GEP-based formulas are relatively short, simple and particularly valuable for providing an analysis tool accessible to practicing engineers.     

遗传优化支持向量机在电力负荷预测中的应用

研究电力负荷准确预测问题,电力负荷与影响因子之间呈现复杂非线性关系,传统预测方法无法刻画其变化规律,预测精度低。为提高电力负荷预测精度,提出一种采用遗传优化支持向量机的电力负荷预测模型。采用最小二乘支持向量机的非线性逼近能力去描述电力负荷与影响因子间的复杂非线性关系,并采用自适应遗传算法优化最小二乘支持向量机的参数。采用某省1990～2008年电力负荷数据仿真测试,结果表明,遗传优化支持向量机提高了电力负荷的预测精度,预测平均误差低于其它对比模型,电力负荷预测提供了一种新的研究思路和途径。     

采用稳健回声状态网络的超短期负荷预测方法

针对超短期负荷预测周期短,要求预测速度快的特点,构建了基于稳健回归和回声状态网络的超短期负荷预测方法。回声状态网络作为一种递归神经网络,其隐含层为一个储备池,并且通过线性回归训练网络,从而具有映射复杂动态系统的能力和训练快速的特点,能较好地满足超短期负荷预测的要求。考虑到异常负荷数据的影响,将稳健回归运用于网络训练阶段,以削弱异常值的影响,从而提升预测的精度。通过算例验证了所提方法的可行性和有效性。     

短期电力负荷预测的灰色-小波网络组合模型

短期电力负荷数据具有离散、无规则波动的特点,先利用灰色预测弱化其波动性,然后将负荷原始检测数据与其相对应的灰色预测数据进行重构后作为小波网络的训练样本,在此基础上建立基于灰色-小波网络组合模型的短期电力负荷预测新方法。该方法有效整合了灰色理论、小波分析和人工神经网络的优点,与传统BP网络相比,收敛速度更快,预测精度更高。仿真试验表明了该方法用于短期电力负荷预测的可行性和有效性。     

Forecasting using autocorrelated errors and multicollinear predictor variables

Multicollinearity and autocorrelated errors problems are well known in regression analysis and in some economic forecasting problems. In the literature, these problems have been examined separately from each other. In this article they are considered together for a given multiple linear regression model, and an estimation procedure for regression coefficients is introduced. The method presented is also demonstrated on a sales forecasting problem.     

一种基于非线性频谱分析的故障预报方法及其应用

论文改进和完善了一种广义频率响应函数(GFRF)的辨识算法,并依此提出了一种基于非线性频谱分析的故障预报方法。最后利用该方法成功地对某型直升机并联电动舵机进行了故障预报。工程应用实例证明了该预报方法的有效性。另外,该方法计算量小,实时性强,适合于在线故障预报,为早期故障预报的研究提供了一种新思路。     

HYBRID GREY RELATIONAL ARTIFICIAL NEURAL NETWORK AND AUTO REGRESSIVE INTEGRATED MOVING AVERAGE MODEL FOR FORECASTING TIME-SERIES DATA

The aim of this study is to develop a new hybrid model by combining a linear and nonlinear model for forecasting time-series data. The proposed model (GRANN_ARIMA) integrates nonlinear grey relational artificial neural network (GRANN) and a linear autoregressive integrated moving average (ARIMA) model by combining new features and grey relational analysis to select the appropriate inputs and hybridization succession. To validate the performance of the proposed model, small and large scale data sets are used. The forecasting performance is compared with several models, and these include: individual models (ARIMA, multiple regression, GRANN), several hybrid models (MARMA, MR_ANN, ARIMA_ANN), and an artificial neural network (ANN) trained using a Levenberg Marquardt algorithm. The experiments have shown that the proposed model has outperformed other models with 99.5% forecasting accuracy for small-scale data and 99.84% for large-scale data. The obtained empirical results have proven that the GRANN_ARIMA model can provide a better alternative for time-series forecasting due to its promising performance and capability in handling time-series data for both small- and large-scale data.