计及尖峰电价机制的短期负荷预测研究

针对需求响应的实施对电力系统短期负荷预测带来的新挑战,本文构建了计及尖峰电价需求响应机制的电力系统短期负荷预测模型。研究了基于尖峰电价的需求响应机理,依据基于消费者心理学的用户响应模型,对实施需求响应后的负荷序列进行模拟。同时,构造了Elman神经网络短期负荷预测模型,由于Elman神经网络的承接层反馈使其具有较好的动态存储功能,使模型对非线性负荷序列具有良好的预测性能,并给出实际算例进行仿真分析。仿真结果表明,采用计及尖峰电价需求响应机制的Elman神经网络预测模型,能较准确预测在需求响应策略影响下负荷曲线的变化,最大相对误差为4.34%,平均绝对误差为2.14%;而未考虑需求响应的Elman神经网络预测模型,预测精度明显较低,其最大相对误差为10.76%,平均绝对误差为6.71%,说明将需求响应作为影响因素的预测模型可有效提高模型的预测精度。该研究为计及需求响应的短期负荷预测提供了理论依据。     

计及储能调度因素的电力系统短期负荷预测模型

针对电力系统的常规负荷预测方法难以准确计及储能资源调度引起的预测误差,本文主要对实时电价下计及储能调度因素的电力系统短期负荷预测模型进行研究,提出考虑储能调度行为的短期负荷预测模型。根据智能网络下负荷聚合商机制的聚合原理,提出了一种基于电价合同的储能调度方式,并以此为依据,构建储能在电力系统中的实时调度模型,对储能用户的充放电行为及变化规律进行深入分析。在对预测模型进行改进时,充分考虑了储能调度对负荷曲线及预测结果产生的影响,并采用RBF-NN进行预测,最终形成实时电价下计及储能调度因素的RBF-NN电力系统短期负荷预测模型。仿真结果表明,改进后的短期负荷预测模型与常规负荷预测模型相比,能够更准确地计及储能资源调度引起的预测误差,这将有益于提升模型的预测精度,为电网调度工作及其改进提供新思路。     

基于支持向量-分位数回归的短期负荷预测及风险分析

针对智能电网中短期负荷波动性大的特点,探索建立基于支持向量-分位数回归的短期负荷预测模型,在获得较高精度预测结果的同时,预测未来一天中任意时刻负荷的概率密度函数。进一步考虑智能电网下需求响应及负荷预测准确度不同所引起电网运行规划的风险损失,提出短期负荷预测风险价值的计算方法,并搭建考虑风险评价的负荷预测模型。算例分析结果较好地验证了模型的有效性,为电力企业在智能电网环境下更好地进行短期负荷预测及相关的管理运营工作提供参考。     

基于FDNN的电力系统短期负荷预测模型研究

针对电力系统短期负荷预测,本文提出了基于模糊深度神经网络的电力系统短期负荷预测模型,将模糊处理与深度神经网络相结合。首先利用隶属度函数对气象因素进行模糊化处理,并在此基础上,构建了深度神经网络预测模型,通过增加隐含层数,使神经网络具有更强的非线性,对受限玻尔兹曼机进行预训练,同时利用粒子群优化算法,对初始化的深度神经网络进行权值和阈值优化,并通过实际算例进行分析。分析结果表明,模糊深度神经网络预测模型的平均绝对误差和最大相对误差分别达到了1.72%和6.24%,具有较高的预测精度。该研究为基于模糊深度神经网络的电力系统短期负荷预测模型的实际应用奠定了理论基础。     

基于RBF-NN的电动汽车充电站短期负荷预测研究

为了应对电动汽车大规模并网后对地区电网负荷模式和可靠运行带来的影响,本文以某电动汽车充电站的相关数据为依据,分析研究了电动汽车充电站的负荷特性以及影响负荷变化的主要因素,构建了基于RBF-NN的电动汽车充电站短期负荷预测模型,同时通过仿真算例验证并与BP-NN预测模型进行了比较。结果表明,基于RBF-NN的短期负荷预测模型具有更好的预测精度,适用于电动汽车充电站的短期负荷预测。该研究为下一步工程实践应用提供了理论依据。     

基于脊波递归神经网络的短期负荷预测模型

为准确有效地预测电力系统负荷,本文提出了一种基于脊波递归神经网络(ridgelet recurrent neural network,RRNN)的电力系统短期负荷预测模型。采用脊波函数作为预测模型隐含层神经元中的激励函数,在网络模型的内部加入关联层,关联层节点可有效存储隐含层神经元的内部状态,增强了网络模型的反馈联接,并采用粒子群优化算法(particle swarm optimization,PSO)对网络的参数和权值进行优化,避免模型出现陷入局部最优解的问题。以某地区电网负荷系统作为仿真算例,对预测模型进行仿真和测试。仿真结果表明,与BP神经网络和常规脊波神经网络预测模型相比,本文所提出的预测模型的日平均绝对误差和日最大绝对误差均有所降低,具有较好的预测性能。该研究具有一定的实际应用价值。     

基于改进随机森林算法的电力系统短期负荷预测模型

为了提高电力系统短期负荷预测的准确性,本文提出了基于改进随机森林算法的电力系统短期负荷预测模型。改进随机森林算法是将随机森林算法中的决策树数量和分裂特征数等参数采用粒子群进行优化,通过比较每组参数对应的随机森林袋外数据误差,获取参数最优值,使随机森林算法的性能得到最优,并采用山东省某城市电网的历史负荷数据进行仿真分析。仿真结果表明,与基于传统随机森林算法的预测模型相比,本文所提出的预测模型的平均绝对误差降低0.81%,最大相对误差降低1.89%,说明本文所提出的基于改进随机森林算法的短期负荷预测模型具有更好的预测性能。该研究具有一定的工程实用性。     

地铁供电系统短期负荷预测系统设计

基于地铁供电系统短期负荷预测是电力系统短期负荷预测精细化研究的需要,本文对地铁供电系统短期负荷预测系统进行了设计。系统由负荷统计模块、负荷数据调用模块、负荷预测模块、预测误差统计模块、图形输出模块和数据输出模块等6个模块组成,在负荷预测模块中构造了基于脉冲神经网络的地铁供电系统短期负荷预测模型,用该预测模型对地铁供电系统短期负荷进行预测,并将预测结果与传统BP-NN预测模型进行对比。结果表明,脉冲神经网络预测模型的平均预测误差降低了2%以上,比BP-NN预测模型的平均预测误差明显降低,表明脉冲神经网络预测模型的预测精度明显优于BP-NN预测模型,从而验证了地铁供电系统短期负荷预测系统采用脉冲神经网络预测模型的可行性;并且脉冲神经网络预测模型具有较好的预测稳定性,1周的预测精度稳定在7.01%~7.80%区间内。该模型取得较为满意的预测精度,为地铁供电系统短期负荷预测系统的实际应用提供了理论依据。     

基于卡尔曼滤波预测节假日逐点增长率的电力系统短期负荷预测

节假日电力系统负荷打破了正常日电力负荷周期性的规律,且节假日负荷样本数据较少,用常规正常日电力负荷模型进行短期预测时,往往效果不佳。为此,提出一种基于卡尔曼滤波预测节假日逐点增长率的电力系统短期负荷预测模型,改善了由于样本数据缺少、预测时间跨度大以及与正常日负荷特性差异较大等原因导致的预测精度不理想的现象。通过对节假日负荷特性进行分析,针对不同类型的节假日建立卡尔曼滤波预测模型,在考虑各类影响负荷变化的外部因素的基础上选择节前相关日,通过预测节假日逐点增长率提高预测精度。将提出的预测模型应用于某市节假日短期负荷预测,得到的结果显示预测精度能够满足实际需要,可为相关电力部门对节假日负荷预测提供一定的参考价值。     

基于PSO-DNN的电力系统短期负荷预测模型研究

为准确有效的预测电力系统负荷值,本文提出了基于粒子群算法(particle swarm optimization,PSO)优化深度神经网络(deep neural network,DNN)的电力系统短期负荷预测模型。DNN通过增加网络的前馈联接,利用多层隐含层对原始输入数据进行多次非线性映射变换,增强各隐层间的信息交换,有效解决传统神经网络易陷入局部极小值等问题。同时利用PSO优化DNN的隐含层结构和权值,通过迭代更新粒子状态确认网络最优参数,提高了模型的预测精度及稳定性。为研究DNN的预测性能,通过实际算例对所提出的预测模型与传统的BP-NN和RBF-NN预测模型进行比较分析。分析结果表明,PSO-DNN预测模型工作日预测误差分别降低了1.16%和1.04%;休息日预测误差分别降低了1.18%和1.07%,预测精度显著提高。该模型具有一定的可行性和实用性。     

基于梯度提升决策树的电力短期负荷预测模型

为提高短期负荷预测的预测精度,本文基于梯度提升决策树,对电力系统短期负荷预测模型进行研究。梯度提升决策树是通过将梯度提升机和决策树相结合,用大量的历史负荷和气象等数据进行训练,在损失函数负梯度的方向上生成新的决策树,不断优化预测结果。以某地区电力负荷数据为例,对比传统的BP-NN和RBF-NN预测模型。研究结果表明,与其它两个模型相比,基于梯度提升决策树的预测模型对于工作日负荷的预测误差分别降低了1.56%和1.73%,对于休息日负荷的预测误差分别降低了1.60%和1.53%,预测精度得到明显提高。而且该模型不仅可以克服易陷入局部极小值问题,还有效地减小了多因素之间关系互嵌、信息冗余对预测精度的不良影响,验证了该模型研究的合理性和有效性。     

一种改进的SVM短期电力系统负荷预测方法

针对电力市场环境下短期电力系统负荷预测准确、高效的要求,提出了一种改进的支持向量机短期负荷预测方法。利用主成分降维获取日负荷数据的特征因子,通过灰色关联分析建立负荷特征因子与影响因素之间的关联关系。构建不同日之间影响因素的加权差异度值,将倒数作为权重系数引入支持向量机模型,建立了一种考虑影响因素权值特征的SVM负荷预测模型。仿真结果表明,改进的SVM模型在一个月内负荷预测的平均预测准确率约为97.01%,日均相对误差在0.32%～3.57%范围内波动。该模型的负荷预测准确率和稳定性均优于常规的SVM模型与LS-SVM模型。     

RBF-NN与RBF-SVM组合的风电功率预测研究

针对单一预测模型无法全面利用历史数据对风电场风电功率预测问题,本文提出了基于径向基神经网络(RBF-NN)与径向基-支持向量机(RBF-SVM)组合的风电场风电功率预测模型,通过固定综合权系数将2个模型融合在一起,同时采用最小二乘法来求取各子模型的权系数,实现2个子模型的优势互补,并对实际某风电场的功率数据进行预测仿真和测试。仿真结果表明,2个模型组合后,平均绝对误差为11.63%,分别比子模型降低0.87%和0.76%,证明所提出的组合预测模型能有效提高预测精度。该研究满足实际的调度预测要求。     

基于负荷分解的短期负荷预测传递函数模型

短期负荷预测主要用于预测未来几小时、1天甚至几天的负荷,对电力系统运行的安全性和经济性具有重要意义。时间序列模型在电力系统短期负荷预测中得到了广泛应用。然而,这种方法的一个主要缺点是无法将影响负荷预测的主要因素之一即气象因素考虑进去。在此背景下,首先基于历史负荷数据,采用传统的分解方法提取出负荷中的周期分量,得到剔除周期分量后的非周期分量。在此基础上,首先采用逐步回归法筛选出影响负荷非周期分量的主要因素,之后发展了预测负荷非周期分量的传递函数模型。最后,用广东电力系统实际负荷数据对所发展的短期负荷预测模型的准确性进行了验证。     

电力系统短期负荷预测组合NN模型的研究与应用

针对单一预测模型不能完全反映电力负荷的变化规律和信息的问题,构造了组合NN预测模型,该模型由基于附加动量算法的AM-NN子模型和基于拟牛顿算法的QN-NN子模型构成,通过时变综合权系数将两个模型融合在一起,将气象因素数据引入到模型中,采用滚动优化策略,使模型具有较好的泛化性和收敛性。通过对实际电网负荷的预测仿真和测试,证实所提出的组合NN预测模型能有效提高预测精度,平均绝对误差和最大相对误差分别达到了1.84%和5.77%,将其作为实际电网短期负荷预测软件的预测子模块,能满足实际的调度预测要求。     

基于PSO-Elman神经网络的电力系统短期负荷预测模型研究

提出了基于粒子群优化算法—Elman神经网络的电力系统短期负荷预测模型,采用具有动态递归性能的Elman神经网络,可增强负荷预测模型的联想和泛化推理能力,保证负荷预测的精度。采用粒子群优化算法对Elman神经网络进行学习训练,可充分利用粒子群优化算法的全局寻优性能,克服常规学习算法易于陷入局部最优解、收敛速度慢、编程复杂等缺陷。通过对地区电网负荷系统的实例仿真证实了所提出方法的有效性,获得了较满意的预测精度,平均绝对误差和最大相对误差分别达到1.988%和4.673%。为该模型用于实际工程取得了有效的进展。     

模糊聚类与径向基网络相结合的短期负荷预测

为了提高电力系统短期负荷预测的准确度,采用模糊聚类分析的方法对已知负荷数据、日类型、温度和天气类型等影响短期负荷预测的相关因素进行聚类分析,选用同类特征数据作为神经网络的输入,对径向基函数神经网络进行训练,得到一组预测值,从而实现电力系统短期负荷预测.实际算例表明模糊聚类分析与径向基函数神经网络相结合的短期负荷预测可以更好的满足实际预测要求,提高预测精度.     

两种基于相空间重构的电力系统短期负荷预测方法分析

短期负荷预测是电力系统调度运营部门一项重要的基础工作,预测精度的高低直接影响到电网运行的安全性、经济性以及电能质量。采用符合短期负荷特性的混沌理论对短期负荷进行预测,在相空间重构和混沌识别的基础上,建立短期负荷加权一阶局域多步预测模型和最大Lyapunov指数的预测模型,通过对一组实际的短期负荷数据进行预测,仿真结果表明:两种方法都能较准确地预测短期负荷,对于一周内的预测结果,最大Lyapunov指数预测模型的预测精度略高于加权一阶局域多步预测模型的预测精度。     

计及温度影响的短期负荷预测时间序列模型

时间序列模型在国际和国内的短期电力负荷预测中得到了广泛应用.然而,这种方法的一个主要缺点是无法将影响负荷预测的主要因素之一即气象因素考虑进去.在此背景下,首先基于负荷和气温数据建立了负荷预测的回归模型,然后构造了回归模型残差累积式自回归一滑动平均模型并对回归模型进行修正.最后,用广东电力系统的实际负荷数据说明了所发展的...     

粒子群优化BP算法在短期负荷预测中的应用

电力系统短期负荷预测是电力系统调度运营和用电服务部门的重要日常工作之一,其预测精度直接影响到电力系统运行的安全性、经济性和供电质量。为提高预测精度,本文引入一种新型的群智能方法--粒子群优化算法,并将这种智能算法与BP算法相结合,形成了粒子群优化BP算法模型,建立了计及气象因素的短期负荷预测模型。通过具体算例将此模型与单纯的BP模型进行比较,结果表明:该算法具有较高的预测精度,完全能满足实际工程的要求。