基于气象数据可视化降维和多模加权组合的短期负荷预测

针对短期负荷预测中数据预处理的必要性和单一预测模型的局限性,提出了一种基于气象数据可视化降维和多模加权组合的短期负荷预测方法。该方法将可视化降维、模态分解降噪、单一预测模型和权重确定理论相结合,构建了气象数据降维、历史负荷分解、模态分量降噪和多模加权组合的短期负荷预测模型。通过设置3种对比实验环境,对某地区供电公司所提供的电力负荷和气象数据进行分析。预测结果及误差分析表明,所提短期负荷预测方法在保留高维气象因素本质特征结构的同时,能有效结合数据预处理方法及单一预测模型的特点,有效提升该地区电网负荷的预测精度。     

基于二次EEMD的工业电能需量多步预测

电力大用户最大需量控制是降低电网峰值负荷、节约用户电费成本的重要技术手段.面向强波动性和冲击性工业电能需量控制,研究了超短期需量负荷的多步预测问题.基于集成经验模态分解(EE-MD)方法,通过二次分解有效分离时间序列中不同频率的信号,采用长短期记忆网络(LSTM)对各信号子序列进行独立预测,最后组合预测结果.实验结果表明,本方法能很好的预测工业需量负荷变化,M A PE/MAE/NRMSE精度指标基本控制在2％ 以内,明显优于多种现行主流时序预测模型和最新文献方法,且消除了多步预测的传递误差,预测模型精度和稳定性满足需量控制要求.     

面向电力大数据的用电负荷分类及用户用电行为分析

针对大数据应用背景下因电网规模急剧扩大和电力系统结构更加复杂而造成的用户用电行为分析困难的问题,提出一种基于改进K均值算法—K-means++的电力负荷分类方法,并展开用户用电行为分析。首先导入负荷历史数据进行清洗,再将其导入模型进行聚类,同时得到每类用户用电的特征,最后进行用户用电行为分析。经过负荷聚类,可更直观地展现用户用电的特征,以方便供电公司给用户提供更合理的套餐服务,提高系统的能源利用率。     

基于移动人流数据的商业楼宇负荷用电预测

建筑能耗的准确预测为电网系统进行高效管理和合理分配电能资源奠定了重要基础,而结合外因数据预测商业楼宇的负荷用电量是一个难点问题。根据建筑内人流量对用电负荷的影响,提出一种将融合移动人流数据的多维时间序列预测模型LMO(Linear Model with Occupancy)。利用楼宇负荷用电和移动人流时间序列的耦合性,LMO融合了多维特征,提高楼宇用电量预测的准确性。实验结果表明,LMO能够引入更多的先验知识,减少不确定性。因此,相比于传统方法,该预测方法具有更高的预测精度。     

基于数据挖掘的PSO-BP短期电力负荷预测

针对海量用电数据环境下,如何提高电力负荷预测精度的问题,采用数据挖掘对电力负荷历史数据进行聚类分析以及异常检测,并利用灰色序列对异常数据进行修正。利用蚁群算法对粒子群优化-反向传播(PSO-BP)算法进行优化,以提高算法的预测精度。通过对历史负荷数据进行试验,验证该方法的预测平均误差为3.16%,低于无数据挖掘的PSO-BP算法模型以及PSO-BP算法模型的预测误差。该方法具有一定的实用性以及有效性。     

基于CEEMDAN-GRU的电网工程主材价格多步预测北大核心CSCD

电网工程主要原材料价格变动对电网工程的造价控制有着重要影响。为提高主材价格的预测精度,提出了一种基于自适应噪声完备集合经验模态分解和门控循环单元的电网工程主材价格多步预测方法。首先对原始价格序列进行分解,随后根据分解所得的各子序列的模糊熵值进行聚类。对模糊熵值较大的聚合序列进行变分模态分解,分解所得的各子序列利用GRU模型进行多步预测;对模糊熵值较小的各聚合序列直接进行多步预测。基于真实数据对所提预测方法的性能进行了实验,结果表明所提方法在预测精度上有明显提升,对电网工程材料价格预测具有较大的参考价值。     

基于特征迁移学习的综合能源系统小样本日前电力负荷预测

基于历史数据和深度学习的负荷预测已广泛应用于以电能为中心的综合能源系统中以提高预测精度,然而,当区域中出现新用户时,其历史负荷数据往往极少,此时,深度学习难以适用.针对此,本文提出基于负荷特征提取和迁移学习的预测机制.首先,依据源域用户历史负荷数据,融合聚类算法和门控循环单元网络构建源域数据的特征提取和分类模型;然后,利用该模型提取当前待预测目标域小样本的特征及其类别信息,进而给出基于特征相似度和时间遗忘因子的特征融合策略;最后,依据融合特征,给出基于迁移学习和特征输入的负荷预测.将所提算法应用于卡迪夫某区域的高中和住宅用电预测中,实验结果表明了该算法在综合能源系统小样本电力负荷预测中的有效性.     

基于随机森林非侵入式负荷分解的地区居民需求响应能力评估

需求响应在缓解供电不足、促进新能源消纳以及节约发电侧的资源投资方面意义重大,而需求响应能力评估可以为需求响应策略的制定提供依据。为解决需求响应能力评估困难的问题,本文提出一种基于非侵入式负荷分解的地区居民响应能力评估的方法。首先建立基于随机森林算法的非侵入式负荷分解模型,再使用该模型针对性的分解出单个用户的可中断负荷,然后基于可中断负荷的用电情况计算出单个用户在各个时刻的响应能力,最后再将区域内的所有用户聚合即可得到地区居民总的响应能力。在真实数据集上进行验证,结果表明所提出的基于随机森林非侵入式负荷分解模型可以更精确的得到用户可中断负荷的有功功率值,地区有功功率聚合误差也更小,可以较好的进行需求响应能力评估。     

基于分布式平台的低压电网负荷监测模型研究

由于城市用电规模逐渐加大，要求有能适应现代城市需求的电网监测方法对电网进行全天候的安全监测。采用了电压结合频率的电路控制技术，以此为基础建立了低压逆变器模型，对电网模型的年负荷数值进行了预测。对比了改进前后2种控制策略下微电源电压稳定性，得到了基于改进后压力流量-电压频率(PQ-Vf)控制策略和采用电网逆变器建立的低压微电网模型。分析了负荷频率和电压幅值，得出该模型具有频率负荷震荡幅度小、电源电压稳定的特点。分布式平台建立的低压电网负荷监测模型适用性强。建立的低压电网监测系统为各类用电系统的安全管理提供了理论支撑，为电力企业的性能测试提供借鉴。     

加权一阶局域法在电力系统短期负荷预测中的应用

在混沌时间序列的基础上提出加权一阶局域法, 并将其应用于电力系统历史负荷数据序列进行预测. 通过对华东某电网实际负荷数据进行预测, 结果令人满意.     

马尔科夫模型改进的时间序列预测算法研究

时间序列的传统预测方法能够很好地拟合和预测平稳时间序列,对于非线性非平稳的时间序列数据预测效果不好。为解决该问题,文本提出一种改进的预测算法。通过小波分解和单边重构,原始时间序列被分解为一列低频数据和两列高频数据。低频数据采用传统的时间序列方法 GARCH模型预测,高频数据使用改进方法预测。通过马尔科夫模型预测出状态区间,结合指数平滑法,预测出高频结果。与低频数据结果叠加得到最终预测结果。经误差比较,改进算法预测精度有较大提升。     

基于ELM优化模型的用户短期负荷研究

随着售电侧的逐步开发以及用电大数据时代的到来,短期负荷预测更加复杂,必须综合考虑实时电价、用户历史用电行为以及预测模型的精度和时间复杂度。在分析各种短期负荷影响因素的基础上,利用K-means聚类方法对用户历史用电行为进行聚类,再利用兼具有自动寻找隐层节点数和在线学习功能的I-OS-ELM学习机进行负荷预测。实例预测结果证明,该模型能够有效地解决实时电价机制下短期负荷的预测问题。     

基于分解和多分量集成学习的负荷预测方法

能源负荷时间序列具有周期波动性和增长性两重趋势。一般梯度提升树GBDT通过集成多个分类与回归树CART，能够很好地拟合周期波动性趋势，但是对于增长性趋势拟合较差。相关研究先分解再使用组合模型预测，而本文研究在分解后使用多分量集成学习进行预测。首先分解出负荷的2种趋势分量及残差分量，将CART的叶节点改为3个预测模型，使其能够对3个分量进行预测。同时优化CART损失函数为各分量预测结果的误差平方总和，使其能够考虑3个分量预测模型的损失。然后基于梯度提升重构预测结果，使其能够以多分量集成学习的方式拟合负荷的两重趋势。最后提出基于分解和多分量集成学习的负荷预测方法，该方法在某地区电力负荷预测实验中，相比其它预测方法，各项误差评价指标均有所下降。实验结果表明，本文提出的方法在两重趋势性负荷的预测中具有更好的表现，同时也为GBDT预测其它类型数据提供了改进思路。     

基于进化神经网络的短期电网负荷预测算法

本文提出了一种基于进化神经网络的短期电网负荷预测算法。该算法使用改进的人工蜂群算法与BP神经网络融合生成进化神经网络,然后使用改进的人工蜂群算法对进化神经网络的偏置和权重进行优化。该算法将火电历史负荷数据作为输入,使用进化神经网络训练预测模型,预测未来一段时间内的电网负荷。首先,获取历史负荷数据。然后,将获取到的数据输入到进化神经网络模型中进行训练。在训练过程中,采用了改进的人工蜂群算法对进化神经网络对神经网络的权重和偏置进行优化,提高模型的预测精度。人工蜂群算法作为一种全局搜索算法,可以有效地探索模型参数空间,找到最优的模型参数组合,从而提高模型的预测精度。为了验证所提出的负荷预测方法的有效性,我们使用了火电网负荷数据进行了测试。实验结果表明本文提出的进化神经网络在短期电网负荷预测方面表现出了良好的预测精度和实用性。与传统的预测方法相比,该算法的预测误差更小,预测结果更加准确可靠。     

应用混沌理论的电力系统短期负荷预测

应用混沌方法对电力系统历史负荷时间序列进行数理统计处理，并将这种混沌特性应用于知期负荷预测。不直接考虑气候等随机因素，只要根据过去负荷时间序列及计算所得的Ｌｙａｐｕｎｏｖ指数规律，就可得到较高的预测精度。对东北电网实际负荷时间序列进行预测，取得满意的结果。     

基于随机森林算法的用电负荷预测研究

为了解决当下用电负荷预测精度不高,难以很好模拟实际用电负荷的分布情况而不能对未来的负荷数据进行合理预测的问题,实现了基于随机森林的分类模型、回归模型以及结合Weka的时间序列模型,对某省份的负荷数据进行预测,通过对不同模型的大量的实验及评估,发现这三个模型皆能合理地预测未来的用电负荷数据。此外,在同一评估指标下随机森林算法结合WEKA中的时间序列模型的方法能够较好地预测未来时刻的负荷数据。     

基于大数据平台的点负荷近中期负荷预测及行业负荷增长特征分析

为保障电力部门对于台区内设备的维护,需要预测台区的负荷。因此供电部门就必须具备预测未来一年以至更长时间的台区负荷的能力,防止因负荷过载对变压器造成损坏,并保证城市的可靠供电。对台区负荷的预测难点在于对于城中村的预测,城中村流动人口多,产业类型复杂多样,受就业环境、经济发展的影响深,表现为负荷的变化相较于其他的台区随机性更强。鉴于此原因,我们以大数据平台为依托,进行单因素变量的预测,采用季节分解模型对历史用电负荷进行季节分解;然后分别用线性回归和自回归积分滑动平均模型（ARIMA）对季节分解出来的趋势和季节、残差成分进行预测,获得精度良好的负荷预测模型,最后选择两个特征鲜明的行业进行比较,分析其负荷增长特征。     

基于双图正则非负低秩分解的电力负荷短期预测

在智能电网背景下,准确估算和预测电力负荷已成为电网电力规划工作的重要先决条件,对电网安全、经济运行具有重要意义。针对电力负荷数据的周期波动与非周期影响,提出一种基于双图正则非负低秩分解的电力负荷短期预测方法。该方法利用历史数据构造电力负荷时空矩阵,并对该矩阵进行鲁棒非负低秩矩阵分解,以同时获取电力负荷的周期性模式与非周期影响。在此基础上融入电力负荷的空间和时间相关性以进一步优化矩阵分解结果,最终通过矩阵恢复获取电力负荷的短期预测。该方法从电网时空整体预测电力负荷趋势分析并填补缺失,同时导出了有效的学习算法。实验分析表明,与相关方法相比,所提方法在电力负荷短期预测的多项评价标准下均取得了更好的准确性和鲁棒性。     

充电站内引导电动汽车有序充电控制方法仿真

传统的电动汽车充电控制通常采用基于多代理、基于T-S模糊控制器、基于交替方向乘子的有序充电控制方法,但这几种方法的电网负荷波动率较高,为此提出一种充电站内引导电动汽车有序充电控制方法。应用滚动优化法对集中充电站进行充电时段划分;结合灰色理论对电动汽车用户短期的用电负荷状况进行预测,通过预测未来一段时间的电动汽车用户用电负荷值,对各个时段电动汽车用户的充电计划进行优化求解,最终实现电动汽车有序充电控制。为了验证上述方法的有效性,与三种传统控制方法进行对比,得出上述方法的充电负荷波动率为49.2%,通过比较可知,所提方法的充电负荷波动率最低,证明了上述方法的有效性。     

一种电力负荷预测混合模型研究

为了提高短期负荷预测（STLF）的精度问题,采用了新的信号分解和相关分析技术,结合改进的经验模态分解法（IEMD）将负荷需求时间序列分解为若干个规则的低频分量。为了补偿信号分解过程中的信息损失,通过使用T-Copula进行相关分析来合并外部变量的影响。通过T-Copula分析,可从风险值（VaR）得出峰值负荷指示二进制变量,以提峰值时间负荷预测的准确性。将IEMD和T-Copula得到的数据应用于深度置信网络（DBN）来预测特定时间的未来负荷需求。