基于机器学习的短期负荷预测算法综述

为维持电网稳定, 各种负荷预测方法层出不穷, 但由于算法泛化能力、模型复杂度等自身特点不同, 使其对于负荷预测的适用性存在差异. 本文讨论了近5年短期电力负荷预测的国内外研究现状, 从实验数据集、数据预处理、预测算法、优化模型以及评估方法等多个维度对当前电力负荷预测研究现状进行整体概述, 同时总结各种预测算法的优缺点与适用性, 对短期电力负荷预测系统的发展趋势进行总结与展望, 以期为未来电力系统负荷预测模型选择提供参考.     

电力系统短期负荷预测方法研究综述

根据负荷预测基本流程,分别对数据预处理、模型选取、模型优化分别进行了总结分析。首先对传统的数据处理方法进行了概述,并简要介绍了新的数据处理方法。其次,将现有的短期负荷预测方法分为经典方法、传统方法和智能方法,综合分析了现有预测方法的应用原理,详细分析和比较预测方法的优点和不足之处,为了提高预测的精度,一些新的方法就因运而生,目的在于提高预测精度和适应相应各种运行条件。再次,总结分析了传统的预测优化模型,并简要介绍了现有的一些新的优化模型,这些新的优化模型计算结果相比于传统的模型精确度较高,分析了新优化模型的优点和不足之处。文章最后对了未来电力系统负荷预测提出了展望,在进行短期负荷预测时应该考虑电力市场、新能源、电动汽车相关因素的影响。     

自动驾驶场景下的轨迹预测技术综述

轨迹预测是自动驾驶和智能交通领域的关键技术,对于车辆和移动行人轨迹的准确预测可提升自动驾驶系统对周围环境变化的感知能力,保障自动驾驶系统的安全性。数据驱动轨迹预测方法可捕捉智能体之间的交互特征,对场景内智能体历史运动和静态环境信息进行分析,准确预测智能体的未来轨迹。介绍轨迹预测的数学模型并将其分为传统轨迹预测方法和数据驱动轨迹预测方法 2类,阐述主流数据驱动轨迹预测方法所面临的智能体交互建模、运动行为意图预测、轨迹多样性预测、场景内静态环境信息融合等4个主要挑战,从轨迹预测数据集使用、性能评价指标、模型特点等方面出发对典型数据驱动轨迹预测方法进行分析与对比,总结归纳这些典型数据驱动轨迹预测方法针对上述挑战的解决思路和应用场景,并对自动驾驶场景下轨迹预测技术的未来发展方向进行展望。     

人工智能在电力系统短期负荷预测中的应用

短期负荷预测是能量管理系统(EMS)的重要组成部分。本文对人工智能在电力系统短期负荷预测中的应用,包括专家系统、模糊预测、神经网络、支持向量机,进行系统地综述和分析,指出现有各种方法的优缺点,并提出今后短期负荷预测的发展方向。     

LSTM模型在电力系统负荷预测中的应用

为解决数据随时间变化的电力系统短期负荷预测问题,本文阐述、采用和总结线性回归,普通BP神经网络,GRU神经网络,LSTM神经网络在电力系统短期负荷预测中应用的理论基础和方法,分别针对神经网络的多种预测方法进行归纳总结。LSTM即长短期记忆网络,拥有门机制,可以选择性的遗忘和记忆过去的信息,特别能记忆一个序列时间段的信息。本文以某城市2019年全年的电力负荷数据为基础,该数据集包含城市350天的每天48个时间点的16800条数据,通过python绘图,解决对比不同算法之间的性能差异问题,最终得到LSTM在电力系统短期负荷预测上性能最优的结果。通过结果分析,得出利用电力负荷时间序列具有历史依赖性的特点,使用LSTM深度神经网络与传统神经网络进行了对比预测,证明了深度学习在电力负荷预测领域的适用性和精确性。     

基于BP神经网络的区域配电网短期电力负荷预测

随着电力工业逐步进入市场化,区域配电网短期电力负荷预测在电力行业中地位越来越重要,精准的短期负荷预测方法对电力系统安全稳定的运行至关重要。因此,文章在综合分析实际负荷特征和BP神经网络原理的基础上,提出BP神经网络预测方法,并通过以东北某地和荷兰某地两个场景下的实际负荷对所提出的方法进行验证。最后采用平均百分比误差、均方根误差和相对熵值评价指标对预测结果进行了定量分析,结果表明该预测方法预测性能好、效果可观、实用性强。     

基于分形理论的短期电力负荷预测*

电力负荷预测是电力系统规划的重要组成部分,也是电力系统经济运行的基础,其对电力系统规划和运行都极其重要。具有精确的预测方法可以保证能源的节约,避免资源的浪费。同时也可以缓解电能短缺所造成的重大影响。论文为了实现更好的电力负荷预测方法,研究了分形理论在电力负荷上的应用。将分形拼贴定理和分形插值法应用到电力负荷预测之中。提出了分形理论电力负荷预测模型,得到了分形插值预测模型。为了证明分形插值法的有效性,论文将分形预测模型与传统的BP神经网络电力负荷预测模型相比较。最后通过仿真算例说明了论文提出的分形插值预测模型预测精度更高,预测相对误差较小。并且分形理论可以很好地应用在电力系统负荷预测中,预测效果要好于BP神经网络预测模型。     

用关联分析法对负荷预测结果进行二次处理

短期电力负荷预测是电力系统管理现代化的重要内容之一,是对发电、输电和电能分配等合理安排的必要前提,对提高电力系统的各方面的效益有非常重要的影响。随着电力系统管理现代化的发展,电力部门对短期负荷预测精度的要求也越来越高。介绍了现有的电力负荷预测技术的研究状况,并在此基础上提出了利用关联规则分析法对负荷预测结果进行二次处理。实验结果表明负荷预测结果通过关联规则分析法的处理,其准确率得到一定程度的提高。     

一种自适应于不同场景的智能无线传播模型

无线传播模型由于其对无线电波路径损耗的精准预测及对通信速率与覆盖范围等指标的估算起重要支撑作用,被广泛应用于民用和军用的通信系统设计.近年来,随着人工智能技术的发展,无线传播模型的发展方向也由传统的经验模型向基于数据驱动的智能无线传播模型发展,该类方法可有效地扩展无线传播模型的适用范围并减小预测误差.然而,由于在不同环境下智能无线传播模型的适用特征可能并不相同,如何针对不同场景最优地为智能无线传播模型设计以及选择输入特征是一个重要的研究问题.立足以上需求,提出了一种自适应智能无线传播模型.首先,该模型借鉴经验模型在不同场景下对频率、距离等特征的不同处理方式,对现有的输入特征集合进行了扩充;然后,基于在建模区域采集的训练数据,该模型利用模拟退火算法来自适应地针对当前建模区域为智能无线传播模型选择最优的输入特征子集,从而避免受到无关特征的影响;最后,基于优化过程所搜索到的最优输入特征子集,该模型利用采集到的全部数据对智能无线传播模型进行重新训练,并将该智能无线传播模型进行部署,以预测该区域的路径损耗.仿真结果表明,在复合地形下的LTE网络数据以及其他典型数据集下,与传统的经验模型以及现有的智能无线传播模型相比,所提模型对各种传播场景均具有适用性,且进一步减小了路径损耗的预测误差.     

用关联分析法对负荷预测结果进行二次处理

短期电力负荷预测是电力系统管理现代化的重要内容之一,是对发电、输电和电能分配等合理安排的必要前提,对提高电力系统的各方面的效益有非常重要的影响.随着电力系统管理现代化的发展,电力部门对短期负荷预测精度的要求也越来越高.介绍了现有的电力负荷预测技术的研究状况,并在此基础上提出了利用关联规则分析法对负荷预测结果进行二次处理.实验结果表明负荷预测结果通过关联规则分析法的处理,其准确率得到一定程度的提高.     

A novel combined model based on hybrid optimization algorithm for electrical load forecasting

Accurate electrical load forecasting always plays a vital role in power system administration and energy dispatch, which are the foundation of the smooth operation of the national economy and people’s daily life. Thinking from this vision, many scholars have made great efforts to seek suitable optimization algorithms to improve the performance of existing forecasting algorithm. However, most of the studies ignore the inherent disadvantages of single optimization algorithm, which leads to sub-optimal forecasting performance. Therefore, a novel electric load forecasting system was successfully proposed in this paper by the combination of data preprocessing, hybrid optimization algorithms, and several single classical forecasting methods, which successfully overcomes the defects of single traditional forecasting models and achieves higher forecasting accuracy than that of single model optimization. Besides, the 30 min interval data of Queensland, Australia from March to April is used as illustrative examples to evaluate the performance of the developed model. The results of tests demonstrate that the proposed hybrid model can better approximate the actual value, and it can also be employed as a useful tool for smart grids dispatching planning.     

多模型自适应预报及其在电力规划负荷预报中的应用

本文提出一种多模型自适应预报方法,预报系统由几个并行的多步预报器组成,最终预报由Bayes决策律决定。本法适用于随机快时变参数动态过程的预报,在我国工业用电量长期预报中应用此法获得了良好的效果。     

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。     

Anomalous load profile detection in power systems using wavelet transform and robust regression

In modern power systems, a clean database of historical electric loads is crucial for system analysis, planning studies, load forecasting, and decision making. To this end, the clean database should be free of anomalies while preserving the power consumption behavior of special events like holidays. In recent years, model-based anomaly detection methods have been successfully used for anomaly detection and correction in electrical load. In these methods, the collected load data are first compared with the predicted load obtained from a forecasting model; if the difference is greater than a specific limit, the collected load data are replaced with the predicted value. One of the disadvantages of these methods is the consideration of load profiles of the days with higher levels of difficulty in load forecasting, such as holidays, as anomalous load profiles and replacing them with predicted values, which results in fading some important characteristics of the load series. Therefore in this paper, a two-stage anomaly detection method is proposed to alleviate this problem. In the first stage, the wavelet transform is used to identify suspected load profiles. In the second stage, a robust regression method is used to further inspect the suspected load profiles and decide whether they are anomalies or not. By performing experiments on three datasets (a utility of Iran, New York City, and a North American utility) and comparing the results with four other methods, it’s shown that the proposed method decreases false detection of anomalies while accurately correcting anomalous load profiles. Results of load forecasting with the Iranian dataset corrected by the proposed method showed an average of 2.28% and 1.58% error on the holidays and total days, respectively, which is less than the other four methods.     

Middle-long power load forecasting based on particle swarm optimization

Middle-long forecasting of electric power load is crucial to electric investment, which is the guarantee of the healthy development of electric industry. In this paper, the particle swarm optimization (PSO) is used as a training algorithm to obtain the weights of the single forecasting method to form the combined forecasting method. Firstly, several forecasting methods are used to do middle-long power load forecasting. Then the upper forecasting methods are measured by several indices and the entropy method is used to form a comprehensive forecasting method evaluation index, following which the PSO is used to attain a combined forecasting method (PSOCF) with the best objective function value. We then obtain the final result by adding all the results of every single forecasting method. Taking actual load data of a power grid company in North China as a sample, the results show that PSOCF model improves the forecasting precision compared to the traditional models.     

短期负荷预测方法综述

电力系统为电力用户提供可靠、优质、经济、环保电能的前提条件是能对电力负荷进行精确的预测。电网中的调度部门要根据短期负荷的预测结果来安排发电和供电计划,从而优化资源配置,提高经济效益。因此,短期负荷预测具有重大意义。为了提高负荷预测的准确性,较为全面的综述了短期负荷预测方法的研究状况。首先简述了短期负荷预测的意义、特点以及影响因素,综合叙述了短期负荷预测方法的历史发展。然后分别从数据预处理和组合预测两个方面总结了各个方法的研究现状和存在的问题。最后指出了当前短期负荷预测研究的主要问题以及下一步可能的研究方向。 得出的结论是对历史数据进行预处理后结合时下流行的机器学习算法能提高电力系统短期负荷预测的精度。     

基于周期性截断灰色系统的电力负荷预测

电力负荷预测是电力系统调度和电力生产计划制定的重要依据;电力负荷时间序列有着明显的周期性特征;传统的电力负荷预测主要侧重于预测方法的研究,而忽略了电力负荷数据周期性特性的分析,影响了预测的准确性;针对电力负荷时间序列的周期性特征,提出了一种基于周期性截断的灰色系统模型来进行电力负荷预测;该模型利用周期性截断来反映负荷数据的周期性特征,提高了预测的精度;仿真采用EUNITE Network的公开负荷数据进行算法性能的测试,并与一些主流的电力负荷预测算法:BP神经网络、极限学习机、自回归模型以及传统的灰色系统模型做比较;仿真结果表明,周期性截断的灰色系统负荷预测的归一化均方误差和绝对平均误差是最小的;周期性截断的灰色系统为电力系统负荷预测提供了一种新的有效方法。     

分布式SVR在短期负荷预测中的研究

准确的负荷预测,可以合理安排机组启停,降低发电成本,特别是短期负荷预测对电力系统控制、运行和规划都有重要意义。传统的预测方法不能及时准确地反映需求响应,在Hadoop环境下利用分布式支持向量回归机(Support Vector Regression,SVR)实现负荷预测,同时使用基于均匀设计的自调用SVR(UD-SVR)方法进行参数寻优,进一步提高本文实现的分布式SVR算法精度。通过真实的电力负荷数据集验证该算法,实验数据来自我国西部某地级市连续424天的真实用电量数据。结果表明,本文改进后的算法用于短期电力负荷预测是可行的,不仅预测准确度又在原有基础上明显提高,并且随着数据量的增加,计算速度也大幅提高,减小了负荷预测时间。