基于主成分分析降维和支持向量机回归的短期负荷预测方法研究

针对负荷预测一般使用多维度历史相关数据,随着计算机技术和采集技术的发展,形成了高维度数据,使得关键数据和因素被掩埋,造成"维数灾难"的状况,重点研究主成分分析的特征降维方法和支持向量机的智能预测算法,提出基于主成分分析和支持向量机回归的短期负荷预测方法,并进行算例计算,对比分析采用主成分分析降维对支持向量机短期负荷预测方法的影响。     

电力日负荷数据主成分分析与计算

为实现电力的准确性负荷预测,保证电力系统安全性和经济性,避免短期负荷精度存在误差,提出一种主成分分析方法。结合多元统计的主成分分析,依据主成分的实际贡献率,做好线性无关输入变量的提取工作,进而将变量维数逐渐压缩。结合递推合成BP网络实现数据预测,在电力短期负荷预测过程中,会将模型预测精度提高。电力日负荷数据主成分分析和计算仿真结果表明,这一简化模型在日负荷数据预测过程中速度较快,同时也有着较高的预测精度。     

考虑气象因素的PCA-BP神经网络短期负荷预测

为有效提高电力系统短期负荷预测精度及效率,提出一种基于主成分分析的BP神经网络短期负荷预测优化算法。利用主成分分析法将多个原始变量降维成少数彼此独立的变量作为输入,并根据各主成分的贡献率来确定网络的结构,有效解决BP网络预测精度与效率不高问题。在考虑气象因素的影响下通过对某地区历史负荷数据进行训练仿真,平均预测精度接近98%,预测程序运行效率提高两倍以上,仿真结果表明,该模型在效率和预测精度方面优于BP神经网络模型。     

基于萤火虫算法与BP神经网络的电力系统短期负荷预测

随着社会生活的不断发展,人们日常生活质量的不断提高,电力的使用在日常生活中愈发广泛,在用电需求不断增大的同时,对于电力系统的稳定性和电力调度的精确性也提出更高的要求.在此背景下,精确的电力系统短期负荷预测方式具有重要的实际意义,可以合理地为电力调度提供保障.在实际情形下,许多变量因素也会对发电量产生影响,因此仅使用历年同期发电量数据作为原数据进行预测难以保证预测结果的精确性.本项目创新地将主成分分析运用于数据预处理,并将萤火虫算法与BP神经网络相结合,将温度、湿度、空气质量等重要影响因素纳入负荷预测的考虑范畴并进行预测.根据均方误差结果可知,运用主成分分析将重要变量因素(如温度、湿度)纳入预测范畴能够有效提升负荷预测的准确性.     

基于极限学习机方法的短期负荷预测

将极限学习机(ELM)方法引入电力系统短期负荷预测领域。该方法预测能力强,具有计算时间短、计算准确性高、全局搜索等显著特点。在运用ELM算法建立短期负荷预测模型过程中,采用归一化处理输入数据,使用主成分分析法选取计算样本,并由交互验证法确定最优主成分因子数和ELM隐含层节点数。实际算例表明,在于短期负荷预测的预测精度和运算时间方面,ELM方法较传统神经网络方法具有其独特的优势。     

基于主成分与粒子群算法的LS-SVM短期负荷预测

短期电力负荷预测对电力系统安全经济运行和国民经济发展具有重要意义。最小二乘支持向量机(Least square support vector machines,LS-SVM)在解决小样本、非线性问题中表现出许多特有的优势,该方法已成功应用在负荷预测领域。本文提出了一种基于主成分分析的支持向量机预测模型,运用主成分分析对历史数据进行主成分提取,消除输入的训练数据本身存在着大量的噪声和冗余,从处理后的数据提取LSSVM的训练样本,并利用改进的粒子群优化算法(Particle Swarm Optimization,PSO)以LSSVM中的参数作为粒子进行优化,进而提高训练速度和预测精度。最后,将该模型运用到短期电力负荷预测中,与经典的SVM和BP神经网络相比具有更好的泛化性能和预测精度。     

基于气象数据降维与混合深度学习的短期电力负荷预测

精确的短期负荷预测能通过预知所需用电负荷来指导电网的调度运行。但电力负荷不仅与用户用电习惯相关，还容易受到温度、湿度等气象因素的影响。因此，文章在现有的使用负荷历史数据基础上，增加了影响区域型电力负荷的气象数据，并考虑高维气象参量数据对预测算法的过拟合问题，提出了基于稀疏核主成分分析(sparse kernel principal component analysis, SKPCA)的高维气象数据降维方法。进而以历史负荷功率和SKPCA重构后主成分为输入，构建了基于卷积神经网络(convolutional neural network, CNN)和长短时记忆(long-short-term memory, LSTM)神经网络的混合深度学习预测模型。CNN-LSTM模型可以同时提取负荷功率及气象数据的空间和时间相关特征，从而全面利用数据的时-空相关性特征，提升负荷功率的短期预测精度。相比于常见的数据降维和负荷预测方法，文章所提方法的数据维度降低了71.43%,预测精度达到了98.92%。结果表明，所提算法融合通过SKPCA降维后的气象数据能够显著提升区域型电力短期负荷预测准确度。     

基于改进回归法的电力负荷预测

提出了一种基于改进回归法的电力负荷预测方法,在对历史数据进行分析和参数估计的基础上,先用岭回归法剔除奇异值,再用主成分回归法提取影响负荷的主要因素,得出模型的解析形式。针对实际系统的应用验证了该方法不仅适用于短期负荷预测,也适用于超短期负荷预测。此外建立了一些特定因素的模糊函数,在超短期负荷预测过程中采用了聚类分析法提取负荷相似日。通过不同的简化,该方法可蜕化为传统的Kalman预测、相似日预测和神经网络预测,是一种比较全面的负荷预测方法,可得出高精度的预测结果。     

基于SPSS的短期负荷特性分析及其预测研究

了提高一个地区短期负荷预测的精度,对该地区的负荷进行特性分析是十分必要的.而在分析的过程中则需要处理和分析大量的数据,SPSS正是一款在数据处理和分析方面有着强大功能的易用软件.将SPSS软件的应用引入到电力系统中,主要从主成分分析、聚类分析和多元回归分析3个方面,阐述SPSS在电力系统负荷特性分析中的应用;从时间ARIMA模型分析中说明SPSS在预测方面的应用.通过一些示例说明SPSS的具体应用,从而显示它的重要功能:以更清楚地了解负荷数据间的内在联系、变化规律和影响短期负荷特性,对提高负荷预测的水平具有重要的意义.     

基于短期负荷预测的无功/电压控制策略研究

针对静态无功优化系统仅采集、计算当前数据断面的缺陷,引入相似日负荷预测方法,对短期和超短期负荷进行预测,并进行负荷曲线合理分段,为下一个调度周期各个时段的电压无功控制提供决策依据,避免了由于负荷波动造成的各变电所电容的投切和有载主变分接头调节振荡或者不必要操作,延长设备的运行寿命.通过对某地区实际系统的应用表明,合理利用系统负荷历史数据,在线数据和预测数据,不但能满足电网电压无功优化运行的要求,而且有效减少设备的动作次数.     

计及气象因素的用电负荷短期分时分类预测模型与方法

短期负荷预测是电力系统运行和分析的基础,对机组组合、经济调度以及安全校核等具有重要意义。针对地区负荷在小样本情况下预测精度不高的问题,在对某地区负荷数据进行分析并剔除异常数据之后,建立了基于支持向量机回归(support vector regression,SVR)的短期负荷预测模型。为了提高模型的预测性能,采用细菌觅食算法(bacteria foraging optimization algorithm,BFOA)对SVR的参数进行优化,并将温度、湿度和降雨量等气象信息引入预测模型。考虑到负荷与时间点的耦合关系,对每日96个时间点分别进行预测。同时,根据工作日和周末2种不同属性分别建立了基于SVR的负荷预测模型。仿真结果表明,所建立的短期负荷预测模型能够在小样本的情况下以较快的速度获得较高的预测精度。     

基于气象成分分解的夏季短期负荷预测

夏季负荷受温度等气象因素影响大,表现出随机性强、波动性大的特点。针对现有短期负荷预测模型在夏季预测精度不高的问题,提出在负荷成分分解的同时,将温度分解为日周期分量和波动分量,以此准确把握短时气象波动对夏季短期负荷预测的影响。在充分分析负荷各分量变化趋势及对整体负荷预测精度影响的基础上,针对各个负荷分量特征分别选择预测方法。在预测气象敏感负荷分量时引入温度波动分量,基于XGBoost智能算法构建预测模型。选用我国中部某市夏季历史负荷建立训练样本,对2017年8月份日96点负荷进行预测,预测结果验证了所提模型和算法的有效性。     

基于负荷混沌特性和最小二乘支持向量机的短期负荷预测

以负荷时间序列的混沌特性为基础,结合混沌时间序列的相空间重构理论和支持向量机的回归理论建立了一种基于负荷混沌特性和最小二乘支持向量机的短期负荷预测模型。首先将原始负荷数据进行相空间重构,形成相点序列,然后选择与当前相点最邻近的相点作为此负荷预测模型的训练样本,经过训练寻求决策函数后就可以求出包含预测点的相点,最后还原此相点得出预测值。通过与BP神经网络的预测结果进行比较,证明了该模型在短期负荷预测中的有效性。     

考虑温度模糊化的多层长短时记忆神经网络短期负荷预测

智能电表的普及为短期负荷预测提供了海量数据,使得负荷精细化预测成为可能,而温度是影响夏季负荷的重要因素。提出一种考虑温度模糊化的多层长短时记忆神经网络(ML-LSTM)短期负荷预测方法。利用隶属度函数将预测时刻的温度和当日的平均温度进行模糊化处理,减小夏季温度波动性对负荷预测的影响;建立含3层隐藏层的长短时记忆神经网络(LSTM)预测网络,并利用适应性矩估计(Adam)优化算法提高LSTM梯度参数的自适应性学习能力。利用西南某地区2018年6月至8月的实测温度和负荷数据进行验证,负荷预测结果表明,ML-LSTM模型比BP神经网络和支持向量机的负荷预测精度更高,且温度的模糊化处理提高了模型的泛化性。     

考虑季节特性的多时间尺度电动汽车负荷预测模型

当前对电动汽车(Electric Vehicle,EV)充电负荷预测的研究大多集中在短期单一时间尺度,且鲜有考虑在较长时间尺度下不同季节电动汽车充电负荷存在的差异.基于此,提出一种考虑季节特性的多时间尺度电动汽车负荷预测模型.首先,考虑季节特性对EV的电池最大载电量、里程耗电量和空调耗电量的影响,结合时空分布规律建立短...     

基于双修正因子的模糊时间序列日最大负荷预测

天气温度变化是影响短期电力负荷预测的主要因素.为提高预测精度,引入负荷变化影响因子和气温影响因子,提出基于双修正因子的模糊时间序列预测算法.根据负荷变化趋势,提出分段预测的思想,在拐点处用负荷变化因子进行修正,然后用气温影响因子对预测结果进行二次修正.将改进的算法用于某电网夏季最大负荷的预测.数值结果表明该算法具有较高的预测精度.     

基于ARIMAX模型的夏季短期电力负荷预测

夏季城市的短期电力负荷预测不仅与过去的电力负荷数据有关,并且受温度、风力、降水量等因素影响明显,存在明显的突变结构。为了对夏季城市的短期电力负荷进行预测,根据协整理论采用SAS软件建立起电力负荷序列与输入序列"温度"之间的ARIMAX模型,充分挖掘序列的内部自相关信息以及序列与序列之间的相关关系。采取最小信息量准则"AIC-SBC"进行比较可知,ARIMAX模型比经典时间序列ARMA模型的信息量要小,相对误差更小,拟合结果更为精确,在存在突变结构且具有显著影响因素的短期电力负荷预测领域具有很高的应用价值。     

基于Dropout-ILSTM网络的短期电力负荷预测

针对传统BP神经网络难以处理电力负荷数据间关联的问题,提出了一种基于Dropout的改进的长短期记忆神经网络结构用于短期电力负荷预测。这种改进的长短期记忆神经网络(Improved LSTM,ILSTM),通过将长短期记忆网络的多个时间步输入与输出矢量进行全连接,增强了对目标系统中线性成分的表征;使用Dropout对ILSTM网络进行优化,提高了网络的泛化能力,同时减少了模型的训练时间;以日期、温度、电价和电力负荷数据作为输入构建了Dropout-ILSTM电力负荷预测模型。以AEMO提供的新南威尔士州电力负荷数据作为测试用例,实验结果表明,相较其它神经网络模型,文中所提出的Dropout-ILSTM模型预测精度更高、泛化能力更强,适用于不同预测宽度的电力负荷预测。     

基于LSTM网络的时间多尺度电采暖负荷预测

电采暖负荷的准确预测对配电网安全稳定运行具有重要作用.为提高电采暖负荷预测精度,提出基于长短期记忆网络的时间多尺度电采暖负荷预测方法.该方法首先确定负荷预测网络模型参数,通过分析不同时间尺度下的电采暖负荷数据特征,在不同训练步长下,建立基于长短期记忆网络的电采暖负荷预测模型,实现电采暖负荷的准确预测.采用北京某地的电采...     

基于基因表达式程序设计及误差循环补偿的电力系统短期负荷预测

将基因表达式程序设计(gene expression programming, GEP)算法应用于电力系统短期负荷预测中,并提出误差循环补偿模型,得到了较高的预测精度。预测过程先对负荷样本进行常规和滤波处理,消除伪数据,然后运用基因表达式程序设计的灵活表达能力,把不同日、同一时刻的负荷序列作为样本,对未来时刻的负荷进行分时短期预测。得到预测模型后,计算其与样本数据的误差,再把误差值作为样本进行演化,并把误差模型补偿到原模型上,如果达不到预测要求,则循环计算模型误差进行演化,直到满足要求为止。结果表明基因表达式程序设计算法具有较高的效率,且误差循环补偿模型能够有效补偿演化过程中的误差。经比较,基于基因表达式程序设计及其误差循环补偿的预测模型比时间序列和遗传程序设计算法具有更好的预测效果。