基于局部相似与神经网络的超短期负荷预测方法

为提高超短期负荷预测精度,特别是负荷曲线在拐点处的精度,在模糊聚类分析的基础上提出了一种选取局部相似日的改进模型。通过该模型选取局部相似日,并结合RBF网络提出一种新的预测超短期负荷方法。采用该方法建立2个预测模型,分别用于预测下个时刻和下一个小时段的数据。将该方法与灰色关联分析预测方法进行比较,发现该方法在预测精度上具有显著优势,证明新的预测超短期负荷方法有较高的可靠性与有效性。仿真结果表明,新的预测超短期负荷方法在工作日或休息日负荷曲线拐点处的预测上,均具有较高精度。     

基于相似日选取的马尔科夫短期负荷预测方法

为了提高短期负荷预测的精度,提出了一种基于相似日选取的马尔科夫短期负荷预测方法。通过层次聚类分析找到与预测日情况相似的历史日,然后将相似日数据作为样本数据,采用马尔科夫方法进行负荷预测,并通过算例计算验证了该方法能够提高预测精度。     

台风期间福建电网短期负荷预测研究

台风对电网负荷的影响具有不确定性和随机性,传统负荷预测结果往往不是很理想。结合福建电网的实际情况,归纳分析历年影响福建电网的台风活动规律,提出一种适合台风期间的负荷预测方法。若存在可用相似日,考虑负荷年增长趋势等因素,给出一种基于相似日修正的负荷预测方法 ;而针对无可用相似日的台风,提出一种基准负荷修正的预测思路。研究表明,该预测方法能够有效提高福建电网的短期负荷预测精度,具有一定的理论意义和应用价值。     

县域电网负荷特性分析与短期负荷预测研究

介绍了华北地区某县域电网用电结构,对大工业、城镇居民、农业生产3种典型行业负荷特性进行分析,理清不同用户生产生活规律与用电之间的关系,在此基础上,分析了全县整体负荷特性及其主要影响因素,明确短期负荷预测的难点。为解决节假日期间或天气变化大时短期负荷预测精度低的问题,提出了一种改进的相似日法,建立日特征向量并将各影响因素量化,通过相似度计算找到与预测日负荷最为接近的相似日,提高预测精度。     

电力短期负荷预测相似日选取算法

短期负荷预测是电力系统安全经济运行的基础,相似日选取的准确与否直接影响到短期负荷预测算法的精度。针对短期负荷预测的特点,提出一种能便于考虑各种因素影响的新算法。分析了气象、日类型等因素对负荷影响的常见规律,便于识别主导负荷变化的因素,建立了在短期负荷预测中选取相似日的新方法。理论和实例均表明,该方法适应性较强,能够通过历史数据分析从历史日中选取最合适的相似日,对提高短期负荷预测的精度具有较大价值。     

基于局部形相似的超短期负荷预测

为了进一步提高超短期负荷预测的精度,特别是负荷曲线出现拐点时的预测精度,在选择相似日的基础上,提出了一种基于局部形相似的超短期负荷预测方法。通过西安地区实际负荷数据的仿真,验证了该方法既能保证负荷曲线拐点处的预测精度,同时又提高了总体的预测准确度。     

微网用户短期负荷预测相似日选择算法

微网用户负荷基荷小、波动性和随机性大,增大了短期负荷预测难度。科学合理地选择相似日可以在一定程度上改善短期负荷预测的效果。分析了相似日选择的影响因素,针对微网用户负荷特点,提出了一种负荷点尺度上的相似日选取算法。该算法考虑了前几日气象因素的累积效应、短期负荷的连续性和周期性及时间距离的影响,其相似日评价函数计及了日特征相似和局部形相似,并引入时间因子,克服了传统人工经验选取相似日算法的主观性,使得选择的相似日更加客观合理。实例验证表明,该方法所选择的相似日用于微网用户短期预测时,可以提高预测精度,有一定的使用价值。     

基于人体舒适度指数的配电网短期负荷预测方法

针对配电网负荷特点,提出了一种基于负荷曲线形状相似度与人体舒适度指数的配电网短期负荷预测方法。研究了负荷曲线形状相似的特点,依靠各时刻负荷差值期望,给出了一种负荷曲线形状相似度计算方法。针对气象因素对负荷的影响,引入了人体舒适度指数,并根据日最高气温与最低气温,给出了一种日人体舒适度指数相似度计算方法。根据配电网负荷类型特点,分析了节假日与正常工作日情况下,各类型负荷变化特性。结合上述特性,给出了一种配电网短期负荷预测方法,并详细论述了方法原理及步骤。结合某一配电网电源点9天历史数据与气象数据作为实例,表     

基于气象信息因素修正的灰色短期负荷预测模型

针对传统灰色模型应用于短期负荷预测的缺陷,改进了多角度数据组织策略,选择社会活动背景相似度较高的历史日作为相似日,建立了气象因素突变判别准则,以识别相似日中的气象突变,并采用回归法消除相似日负荷数据中的受气象敏感负荷分量.采用邻近趋势外推法和相似日替换法矫正灰色模型预测时容易产生的局部畸变点.实验结果表明,改进后的灰色模型预测精度提升明显,预测精度平均提高1％～2％,最高可达7％.该方法能同时考虑社会活动规律和气象因素对负荷的影响,克服了传统模型本身对不规律数据预测精度差的缺点.     

基于离散Fréchet距离和LS-SVM的短期负荷预测

针对现有电力系统短期负荷预测精度低、数据处理量大、易受输入变量的影响等问题,提出了一种将离散Fréchet距离与LS-SVM相结合的短期负荷预测方法。分析总结了East-Slovakia Power Distribution Company提供的历年负荷数据,结合该地区的用电规律,通过引入离散Fréchet距离,建立离散曲线相似性的数学模型,选取出与基准曲线形状相似的相似日,利用相似日负荷数据对LS-SVM预测模型进行训练。经过仿真验证,并与标准LS-SVM模型得到的结果对比,所提预测方法明显提高了预测精度。     

基于改进灰色关联分析与蝙蝠优化神经网络的短期负荷预测

针对短期负荷预测的精度问题,文中提出基于改进灰色关联与蝙蝠优化神经网络的短期负荷预测方法。在传统的灰色关联分析方法基础上,引入以距离相似性和形状相近性相关联的综合灰色关联度选取更高相似度的相似日。为缩小训练样本的差异程度,提高预测精度,利用相似日集合中的样本来训练蝙蝠优化的反向传播(BP)神经网络预测模型。以中国南方某城市的历史数据作为实际算例,将文中提出的基于改进灰色关联与蝙蝠优化神经网络的短期负荷预测方法与单纯的BP神经网络法、蝙蝠优化BP神经网络法、传统灰色关联与蝙蝠优化的BP神经网络组合法的预测结果相比,结果表明文中方法的预测精度较高。     

基于局部形相似的超短期负荷预测方法

在对电力负荷局部特性分析的基础上,定义了一个描述负荷序列形状相似程度的指标--负荷曲线形系数,提出了一种基于局部形相似的超短期负荷预测方法.该方法将预测时刻前一段负荷序列与各相似日同一时段负荷序列的形系数引入到超短期负荷预测中,强调基于形相似基础进行值预测,克服了现有预测方法中对各相似日采用相同权重所导致的平滑效应对拐点负荷预测的影响.研究结果表明,该方法在保证运算速度的同时,提高了总体预测准确性和拐点处的预测准确性.该改进方法可用于对现有多种超短期负荷预测方法的改进.     

基于负荷特性分析的短期负荷预测相似日选择方法

从选择历史负荷数据的角度来看,各类短期负荷预测方法本质上都基于相似原理.科学合理地选择相似日是提高预测效果的有效途径.为了挖掘出负荷曲线形状与预测日最大可能相似的历史日,提出了在负荷特性分析的基础上确定日特征向量、采用模糊分类和改进灰色关联分析法进行选择的方法.预测时引入时间跨度系数以消除负荷水平差异的干扰.实际系统的应用效果验证了该方法的有效性和实用性.     

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。     

基于孪生网络和长短时记忆网络结合的配电网短期负荷预测

保证数据驱动型配电网短期负荷预测精准的关键是选取合适的相似日数据集和构建合理的日负荷预测模型.文中研究了一种基于孪生网络(SN)和长短时记忆(LSTM)网络相结合的配电网短期负荷预测模型.基于配电网负荷相似日的影响因素具有多样化、强随机性的特点,利用SN两个输入权重共享的特点对历史负荷数据进行分析,进而对待测日的特征进行分类,以完成相似日数据选取.此外,利用灰狼优化算法全局搜索能力强、收敛速度快等特点,对基于LSTM网络的配电网短期负荷预测模型进行参数优化.最后,以某一个区域配电网的实际数据为例,验证上述预测方法的准确性与鲁棒性,与LSTM网络、基于粒子群优化的LSTM网络、支持向量机等方法对比可知,所提方法具有较高的准确度和计算效率.     

突变期电力负荷预测方法及其应用

为提高天气突变期电力负荷预测的精确度,分析了气象敏感因素对突变期电力负荷的影响,提出了负荷-天气突变修正策略,结合数据挖掘模型,并利用组合预测方法相对于单一预测模型的优势,设计了一种基于组合预测的突变期电力负荷预测方法.统计结果表明该方法显著提高了突变期的负荷预测精确度,对安徽电网电力总负荷的预测结果证明了该方法的有效性和优越性.     

电力系统短期负荷预测的模糊神经网络方法

针对电力系统短期负荷预测问题 ,考虑气象因素对负荷的影响 ,提出了一种模糊神经网络的短期负荷预测方法 ,首先根据评价函数选取相似日学习样本 ,然后利用隶属函数对影响负荷的特征因素向量的分量进行模糊处理 ,采用反向传播算法 ,对 2 4点每点建立一个预测模型 ,提高了学习效能。本方法适合在短期负荷预测中使用 ,具有较好的预测精度。     

Next day load curve forecasting using hybrid correction method

This work presents an approach for short-term load forecast problem, based on hybrid correction method. Conventional artificial neural network based short-term load forecasting techniques have limitations especially when weather changes are seasonal. Hence, we propose a load correction method by using a fuzzy logic approach in which a fuzzy logic, based on similar days, corrects the neural network output to obtain the next day forecasted load. An Euclidean norm with weighted factors is used for the selection of similar days. The load correction method for the generation of new similar days is also proposed. The neural network has an advantage of dealing with the nonlinear parts of the forecasted load curves, whereas, the fuzzy rules are constructed based on the expert knowledge. Therefore, by combining these two methods, the test results show that the proposed forecasting method could provide a considerable improvement of the forecasting accuracy especially as it shows how to reduce neural network forecast error over the test period by 23% through the application of a fuzzy logic correction. The suitability of the proposed approach is illustrated through an application to actual load data of the Okinawa Electric Power Company in Japan.     

基于TCN-LSTM和气象相似日集的电网短期负荷预测方法

为充分挖掘不同气象因素的相似日信息和输入特征蕴含的信息以提升负荷预测精度,提出一种基于时间卷积网络和长短期记忆网络组合（TCN-LSTM）和气象相似日集的电网短期负荷预测方法。首先通过Pearson系数和最大信息系数,选出与负荷强相关的气象因素;然后根据该气象因素,选取最佳相似日组成气象相似日集,以气象相似日集负荷、历史负荷、气象因素和时间因素作为预测模型的输入特征;最后,搭建TCN-LSTM预测模型,用TCN进行特征提取后,再用LSTM网络完成短期负荷预测。以中国某地区的实际历史数据进行仿真验证,结果表明所提预测方法可有效提升负荷预测精度。