基于BP神经网络灰色回归组合模型的年最大负荷预测

为克服单一电力负荷预测模型的局限性，改善预测结果，提出了一种基于BP神经网络灰色回归组合模型的年最大负荷预测方法。在BP神经网络预测模型中，采用Levenberg-Marquardt算法对参数迭代过程进行优化；在灰色预测模型中，采用加政策因子处理法对原始数列进行改造以强化数列的递增趋势；在回归预测模型中，采用逐步线性回归法剔除对因变量影响较小的自变量。最后利用方差-协方差法对三种预测模型进行加权组合。以广州市2007—2016年实际数据对组合预测模型进行验证，并对广州市2017—2019年的年最大负荷进行预测。结果表明:所提方法预测精度较高且误差在工程允许范围之内，具有一定的工程实用价值。     

基于并行预测策略的公共楼宇 日前空调负荷预测

摘要： 随着我国城市建设的推进，公共楼宇的用电能耗增长迅速。为加强能耗管理、降低能耗水平，对公共楼宇空调系统日前用电负荷进行预测是工作的基础。针对当前公共楼宇空调系统日前负荷预测累积误差大的现象，提出对日前24 h单独建立负荷预测模型的并行预测策略。然后融合主成分分析和模糊C均值聚类对数据进行预处理，形成合适规模及变量维度的训练数据，将其作为支持向量机预测模型的输入，并通过粒子群算法对SVM 的模型参数进行自适应寻优。以实际公共楼宇空调负荷历史数据为基础，对比分析所提出的算法与串行预测策略及传统交叉验证试凑参数的SVM 预测算法，结果表明提出的方法充分利用了公共楼宇空调负荷的特点，预测精度高、速度快。     

基于卡尔曼滤波二次修正的短期负荷预测

针对卡尔曼滤波在短期负荷预测中只是进行一步预测的问题，提出了由预测协方差阵构建测量方差方程的方法，对测量新息做出估计，实现了一步预测基础上的二次修正。给定某一置信度，得出负荷相应置信水平下的置信区间包络线，以此为风险分析、可靠性评估提供数据支持，对修正结果进行了确认。通过对实际电网1周的负荷数据进行仿真分析，并与普通卡尔曼滤波及基于移动窗的滤波算法分别进行比较，验证了提出方法的有效性和优越性。     

基于动态RBF神经网络的锅炉短期负荷预测研究

由于锅炉的热惯性，造成整个热力系统调节相对滞后，影响系统调峰和优化运行。因此，根据系统参数对锅炉短期负荷进行预测变得尤为重要。在基本RBF神经网络的基础上，提出了一种动态RBF神经网络，并定义了样本差异和样本局部差异两个相关参数，对新样本进行有效性判别，同时，给出了输入层灵敏度系数，以实现大差异样本的负荷预测。为了验证所建模型的正确性，以某电厂实际运行数据为基础验证了这一模型，使用动态RBF神经网络对未来锅炉负荷加以预测，同时对预测结果与实验结果进行了比较。结果表明，这种网络具有很强的适应性，能够对锅炉进行准确的负荷预测，具有很好的应用前景。     

基于支持向量机及粒子群算法的空调负荷预测方法研究及应用

以空调负荷的预测方法为研究对象，通过预测建筑物的空调负荷，及时有效地调控系统，达到降低建筑能耗的目的。基于最小二乘支持向量机（LS-SVM）提出预测方法，并采用粒子群算法（PSO）实现优化计算，围绕济南及成都地区不同类型建筑物的空调负荷进行预测，确定影响空调负荷的各个因素并在计算过程中不断调整以简化预测过程。采用Matlab语言进行编程计算和分析，通过不断调整输入因素及部分PSO参数以降低预测误差。基于支持向量机及粒子群算法的空调负荷预测模型性能较好，预测精度高。研究结果可为暖通空调系统的负荷预测提供参考，揭示空调负荷的变化特点以实现节能调控的目的。     

基于混沌时间序列的地区电网负荷预测

通过采用改进的C-C方法计算得出电网日负荷的最优时延和最佳嵌入维数，从而进行相空间重构，并通过计算最大Lyapunov指数，指出该时间序列的混沌特性。然后采用基于奇异值分解的Volterra方法对某地区电网负荷进行预测。预测结果显示，该方法的预测效果较好，具有较高的预测精度，并能够反映电网未来负荷的变化趋势。     

基于IFOA-GRNN的电力系统短期负荷预测

考虑到电网负荷与诸多因素有关，设计了一种带有温度、气象、日期类型的广义回归神经网络（GRNN）负荷预测模型。为了提高该模型的预测精度，提出了一种改进果蝇优化算法优化广义回归神经网络（IFOA-GRNN）的方法，即在利用果蝇优化算法（FOA）进入迭代寻优时，通过改进搜索距离优化该算法的性能和稳定性。利用改进的FOA优化GRNN的光滑参数，然后利用训练好的预测模型对甘肃省某地区进行了短期负荷预测，并与FOA-GRNN和误差反向传播神经网络(BPNN)模型结果进行了误差比较。结果表明， IFOA-GRNN具有较高的预测精度，能够满足电力系统短期负荷预测的要求。     

杂草算法优化支持向量机的短期负荷预测

摘要： 针对支持向量机在短期负荷预测中的参数优化问题，利用杂草算法优异的搜索能力，构建了基于杂草算法优化支持向量机的短期负荷混沌预测模型（IWO-SVM）。该模型首先将支持向量机一组参数看作一个杂草种子，然后通过模拟杂草生存、繁殖过程实现支持向量机参数寻优，最后采用具体短期负荷数据对其性能进行分析。结果表明，IWO-SVM获得了高精度的短期负荷预测结果，能够满足短期负荷预测的实际要求。     

6250M_2天然气发动机主要性能参数正交试验

本文介绍正交设计法对6250M_2天然气发动机的可控因素进行重新调整,从而使排气温度和天然气耗气量得到改善。     

基于混沌时间序列的电力负荷短期预测方法

针对加权一阶局域法单步预报计算量大且存在累积误差的不足,在相空间重构技术基础上提出了一种加权一阶局域法多步预报模型。通过对统一混沌系统的预测仿真,证明该模型对混沌时间序列多步预报的有效性。采用加权一阶局域法对四川省电力系统日负荷进行了短期预测,实际结果说明加权一阶局域法的预测精度能满足要求。     

基于最小二乘组合灰色模型的中长期电力负荷预测

电力负荷预测是实现电力系统管理现代化的重要内容,有效的中长期电力负荷预测可为电网运行方式、电源建设规划等提供可靠的决策依据。针对中长期电力负荷预测,综合考虑负荷的历史数据和未来可能走势,在对三种灰色预测模型分析的基础上,以其预测值为解释变量,实际负荷值为被解释变量,通过最小二乘法建立多元回归方程,并通过计量经济检验,以此构造了负荷预测组合模型。将该模型应用于北京市年用电量预测中,结果表明所构造模型具有较高的预测精度,有效可行。     

基于长短期记忆神经网络的饱和负荷预测方法及应用

为充分分析关联因素对饱和负荷水平的影响,针对饱和负荷预测不确定性强、时间相关性大的特点,利用长短期记忆神经网络的长期记忆单元与可遗忘机制保存和更新历史用电信息,构建了多输入的长短期记忆神经网络饱和负荷预测模型。首先提取出人口、经济等6个影响因素作为网络模型输入量,采用Adam优化方法训练网络模型,并在多场景下,运用优化后的模型进行饱和负荷预测,结合饱和判据得到最终的饱和时间与用电规模。某省电网的饱和负荷预测结果表明,所建模型及预测方法合理、有效。     

Medium-term electric load forecasting using singular value decomposition

Medium-term load forecasting is an important stage in electric power system planning and operation. It is used in maintenance scheduling, and to plan for outages and major works in the power system. A new technique is proposed which uses hourly loads of successive years to predict hourly loads and peak load for the next selected time span. The proposed method implements a new combination of some existing and well established techniques. This is done by first filtering out the load trend, then applying the SVD (singular value decomposition) technique to de-noise the resulting signal. Hourly load is thus divided to three main components: a) a load trend-following component, b) a random component, and c) a de-noised component. Results of applying the technique to the Jordanian power system showed that good forecasting accuracies are attained. In addition, the proposed method outperforms the traditional exponential curve fitting method. The peak load error was found to be less than 5% using the proposed methodology. It was also found that a lag period of 4 years suits the load forecasting purposes of the Jordanian power system. The proposed method is generic and can be implemented to the hourly loads of any power system.     

双碳、双区背景下深圳电力需求预测

  目的  为了适应“双碳”和“双区”新背景下深圳未来用电特征的研究，反映新形势下诸多新因素的影响，需要在传统电力需求预测方法上进行修正，建立新的预测体系。  方法  在电量预测上，一方面以碳强度控制为导向，结合对全社会电气化水平的要求，提出“自上而下”的预测方法；另一方面以改进的细分部门法和新型负荷修正法，进行“自下而上”预测，相互佐证；在负荷预测上，充分考虑需求侧管理、相关削峰手段的影响。  结果  通过量化分析“双碳”目标下能源供应及消费结构调整，“双区”驱动下新基建、产业结构调整和转移等重要因素的影响，对深圳“十四五”及中远期全社会用电量进行预测，并对深圳未来最高负荷和负荷特性发展趋势进行预判。  结论  所提方法为其他地区进行新形势下电力需求预测提供了新思路，预测结果也为深圳后续电源和电网规划及调度运行等提供了重要参考。     

基于混合神经网络深度学习的短期负荷预测

针对能源互联网环境下用电用户数据量大、多维度这一特点,提出了一种混合神经网络深度学习的短期电力负荷预测方法。首先,考虑常见的电力系统负荷的影响因素,建立多维数据库,并进行偏相关分析,排除其他变量干扰;其次,将LSTM、GRU两种神经网络作为前端神经网络对多维数据库中数据进行处理;最后,采用随机概率剔除与Adam训练优化函数改进的BP神经网络作为末端神经网络,建立负荷预测模型。通过算例仿真对本文方法与传统BP神经网络、LSTM神经网络、GRU神经网络进行了对比,验证了所提方法的有效性。     

Combined modeling for electric load forecasting with adaptive particle swarm optimization

Electric load forecasting is crucial for managing electric power systems economically and safely. This paper presents a new combined model for electric load forecasting based on the seasonal ARIMA forecasting model, the seasonal exponential smoothing model and the weighted support vector machines. The combined model can effectively count for the seasonality and nonlinearity shown in the electric load data and give more accurate forecasting results. The adaptive particle swarm optimization is employed to optimize the weight coefficients in the combined forecasting model. The proposed combined model has been compared with the individual models and the other combined model reported in the literature and its results are promising.     

基于分位回归鲁棒极限学习机的短时负荷预测方法

针对短期负荷预测对电力系统运行管理和优化调度的影响,提出一种基于分位回归鲁棒极限学习机的短时负荷预测方法,即先对所收集的历史负荷数据进行归一化处理,然后利用自相关分析提取最相关的历史负荷数据作为模型的输入变量,再融合鲁棒极限学习机和分位回归建立负荷预测基本模型,最后利用某电力公司2016年采样频率为30min的数据进行实例分析,试验数据表明相比极限学习机(ELM)、分位回归(QR)和分位回归支持向量机(QR-SVM),所提模型预测精度更高,验证了所提模型和算法的可行性和有效性。     

基于分数阶灰色Elman组合模型的中长期负荷预测

针对电力系统中长期负荷预测样本少、间隔时间长、影响因素多等问题,提出基于分数阶灰色Elman的组合预测模型,首先针对负荷预测样本少、增长趋势明显的特点,利用分数阶灰色模型弱化原始序列的随机性,降低解的扰动界,其次利用Elman神经网络模型适应性与学习能力强的特点来解决负荷的非线性及影响因素复杂的问题,然后根据最优模型赋予二者最优权值,得到最终的组合模型,最后采用傅里叶级数残差校正模型修正组合模型的误差。仿真结果表明,本文提出的方法可有效拟合负荷的变化趋势,提升负荷预测的准确度。