基于模糊层次分析法的电力负荷组合预测

针对电力负荷预测特点和人判断所特有的模糊性,为提高负荷预测精度,提出了基于模糊层次分析法的电力负荷组合预测模型.此模型引入三角模糊数的一些基本理论,采用三角模糊数表征专家判断信息以充分考虑专家判断的模糊性,采用层次分析法对专家判断结果进行处理以得到方案层各方案的最优权重.该电力负荷预测层次分析模型综合考虑了影响电力负荷的多种不确定因素.实际算例表明,所述方法在综合不同模型预测结果的过程中考虑了专家经验,能有效提高负荷预测的精度.     

基于人工神经网络和模糊集的电力系统短期负荷预测方法

综合考虑到温度、日期类型和天气等因素对短期电力负荷的影响,提出了一种将人工神经网络(ANN)RBF模型和模糊逻辑相结合的短期负荷预测方法.该方法将电力负荷分为周期性的基本负荷和受多种因素影响的变动负荷两部分,对于周期负荷用ANN进行预测,采用负荷预测中比较精确的RBF算法;变动负荷采用模糊逻辑对天气因素、温度、日期类型分别做不同的模糊处理,然后利用模糊推理规则对基本负荷预测结果进行修正.通过典型算例与普通BP法预测结果相比较,结果表明该方法具有较高的预测精度.     

基于变化趋势和气象因子的加权负荷预测方法

针对采用趋势变化法预测电力负荷时,存在因未充分考虑气象因素而影响预测精度的问题,提出了一种基于变化趋势和气象因子的加权负荷预测方法。该方法综合考虑气温、湿度和天气类型3个气象因子,对基于变化趋势的电力负荷预测方法进行修正。分析了基于变化趋势的电力负荷预测方法存在的2个问题：未考虑外界因素对电力负荷变化趋势的影响和预测电力负荷时存在累计误差。在充分研究日内平均负荷变化率和点间平均负荷变化率的基础上,给出了算法的详细计算步骤,并将其应用于苏北某地区电力负荷的预测算例中。结果表明该方法的预测误差为3.42%,预测精度高且数据波动小,验证了该方法的有效性和可行性。     

基于CNN-BiLSTM-Attention的超短期电力负荷预测

超短期电力负荷预测对电力系统的快速响应和实时调度至关重要,准确预测负荷能保障电力系统的安全并提高用电效率。为获得准确可靠的负荷预测结果,针对电网负荷数据非线性和时序性等特征,提出了一种基于CNN-BiLSTM-Attention(AC-BiLSTM)的新型超短期电力负荷预测方法。该方法首先将卷积神经网络(CNN)和双向长短期记忆(BiLSTM)网络相结合充分提取负荷数据本身的时空特征。然后引入注意力(Attention)机制自动为BiLSTM隐藏层状态分配相应的权重,以区分不同时间负荷序列的重要性,能够有效减少历史信息的丢失并突出关键历史时间点的信息。最后通过全连接层输出最终负荷预测结果。以某地区真实负荷数据为例进行了实验分析。通过两种实验场景对比,验证了该方法具有较高的预测精度,可以为电力系统规划和稳定运行提供可靠的依据。     

基于相似性识别的短期负荷动态预测方法

统调日负荷的精确预测对电力充裕性保障、电力系统规划有重要指导作用。相似性识别是数据挖掘技术的重要部分,基于相似性识别原理,提出一种短期负荷预测的新方法。首先对原始数据进行属性和重复记录清洗,清洗后得到实验数据;其次在考虑数据大小相似性的同时,引入了数据趋势相似性度量。基于2种度量从历史序列中识别出与查询序列信息高度重合的序列,建立备选相似序列集;考虑时间间隔与季节因素,从备选相似序列集中选取历史最相似序列,最终实现日负荷预测;随着新信息的进入,实现高峰负荷动态预测。利用该方法对重庆统调日负荷进行模拟预测,并与BP神经网络和支持向量机方法进行对比,证明了所提方法的可行性与有效性。     

电力月负荷的混沌趋势组合模型预测

针对电力月负荷同时具有趋势增长性和季节波动性,使负荷表现出复杂的非线性特征,从而提出了电力月负荷的混沌趋势组合模型。以四川省全省月负荷序列为例,把原始电力月负荷序列分解为趋势序列和剩余序列。通过计算剩余序列的混沌特征量,识别出剩余序列的混沌特性。在此基础上,利用混沌趋势组合模型对月负荷时间序列进行预测,实例结果表明,该方法对电力月负荷的预测是可行的。     

基于模糊层次分析法的年最大电力负荷预测

针对电力负荷预测特点和人的判断所特有的模糊性,为了提高负荷预测精度,提出了基于模糊层次分析法的电力系统年最大负荷组合预测模型。此模型引入三角模糊数的一些基本理论,采用三角模糊数表征专家判断信息以充分考虑专家判断的模糊性;采用层次分析法对专家判断结果进行处理以得到方案层各方案的最优权重。该负荷预测模型综合考虑了影响电力负荷的多种不确定因素,并在综合不同模型预测结果的过程中引入专家经验。实际算例后校验平均百分比误差为2.039%。这表明该方法能有效提高负荷预测精度。     

大用户电力负荷的多模型模糊综合预测

研究大用户的短期电力负荷预测问题,给出一种基于变权综合模糊推理的多模型综合预测方法。该方法首先引入基于质心相似度聚类的负荷模式分析算法,挖掘历史负荷数据中合群的典型负荷模式,并按相似性进行分组,同时剔除少量的离群异常记录;然后给出基于共轭梯度的RBF神经网络训练算法,分别对每类典型负荷模式建立相应的单元预测模型;最后利用基于相似度加权的多模型变权综合模糊推理策略,实现各单元模型预测结果的自适应融合。案例仿真验证了多模型模糊综合预测方法的可靠性。     

基于完整自适应噪声集成经验模态分解的LSTM-Attention网络短期电力负荷预测方法

短期电力负荷预测在电网安全运行和制定合理调度计划方面发挥着重要作用。为了提高电力负荷时间序列预测的准确度,提出了一种由完整自适应噪声集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)和基于注意力机制的长短期记忆神经网络(long short-term memory network based on attention mechanism, LSTM-Attention)相结合的短期电力负荷预测模型。完整自适应噪声集成经验模态分解有效地将负荷时间序列分解成多个层次规律平稳的本征模态分量,并通过神经网络模型预测极大值,结合镜像延拓方法抑制边界效应,提高分解精度,同时基于注意力机制的长短期记忆神经网络自适应地提取电力负荷数据输入特征并分配权重进行预测,最后各预测模态分量叠加重构后获得最终预测结果。通过不同实际电力负荷季节数据分别进行实验,并与其他电力负荷预测模型结果分析进行比较,验证了该预测方法在电力负荷预测精度方面具有更好的性能。     

基于提升小波的时间序列分析法的电力负荷预测

为了合理分配电能和规划电网运行,需要对居民小区电力负荷进行精确预测。提出了一种基于提升小波的时间序列分析法进行电力负荷预测,采用提升小波对居民小区电力负荷进行主要特征量提取,避免了用电量数据随机性和波动性的干扰;运用时间序列法对经过提升小波去噪后的电力负荷序列,求取自相关和偏相关系数,确立相应数学模型,预测未来时刻的用电量。最后,利用上海嘉定某小区的历史负荷大数据进行了比较和分析,验证了方法的有效性。     

基于相似模型泛函时间序列的短期电力负荷预测

采用一种新型的泛函时间序列方法预测短期电力负荷．建立一种历史日分段负荷与预测分段负荷相似模型的加权平均关系,根据实际观测的分段负荷与参考的分段负荷之间的贴近度．从历史数据中辨识出历史分段负荷,进而通过这种方法捕获需要预测的负荷特性和量化特征。为便于比较说明,将所提泛函时间序列方法应用于某地区的历史日负荷数据,并与近年文献中提出的类似方法进行了比较,证明了本文所提短期负荷预测方法的可行性。     

模糊线性回归法在负荷预测中的应用

线性回归是电力系统中期负荷预测的常用方法。由于受众多不确定性因素的影响，历史数据和相关变量未来取值常常是不准确的，致使该方法的预测结果误差较大。为了提高电力负荷预测的精度，作者提出了一种改进的模糊线性回归预测方法，即加权模糊线性回归预测法，它将模糊线性回归法预测模型的求解归结为一个线性规划问题，并对该模型进行改进，按照回归变量的重要程度确定目标函数中各项的权重，并按照各历史数据的重要程度确定贴近度标准。文中提出的改进模型即加权模糊线性回归模型是可调的，能够灵活计及预测中的一些定性模糊因素。实际算例表明，文中的改进措施提高了模糊线性回归法的预测精度。     

模糊聚类分析和代数算法结合的短期负荷预测

为了提高短期负荷预测速度和精度,提出了将模糊聚类分析和神经网络代数算法相结合的短期负荷预测方法.综合考虑天气、日类型、历史负荷等对未来负荷变化的影响,通过模糊聚类分析选取学习样本,找出同预测目相符的预测类别,采用神经网络代数算法训练样本,对24小时负荷(24点)每点建立一个预测模型.该方法充分发挥了神经网络和模糊理论处...     

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。     

Short-term load forecasting for the holidays using fuzzy linear regression method

Average load forecasting errors for the holidays are much higher than those for weekdays. So far, many studies on the short-term load forecasting have been made to improve the prediction accuracy using various methods such as deterministic, stochastic, artificial neural net (ANN) and neural network-fuzzy methods. In order to reduce the load forecasting error of the 24 hourly loads for the holidays, the concept of fuzzy regression analysis is employed in the short-term load forecasting problem. According to the historical load data, the same type of holiday showed a similar trend of load profile as in previous years. The fuzzy linear regression model is made from the load data of the previous three years and the coefficients of the model are found by solving the mixed linear programming problem. The proposed algorithm shows good accuracy, and the average maximum percentage error is 3.57% in the load forecasting of the holidays for the years of 1996-1997.     

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.     

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。     

基于模糊聚类与随机森林的短期负荷预测

针对传统数据挖掘算法(神经网络和支持向量机)进行短期负荷预测容易陷入局部最优,模型难以确定等问题,提出一种模糊聚类技术与随机森林回归算法结合的短期负荷预测方法。基于模糊聚类技术选取相似日的方法,考虑负荷的周期性变化特征,利用样本输入进行样本聚类,选取同类数据作训练样本,建立随机森林负荷预测模型。实例中负荷数据采用安徽省某地的历史负荷,用上述方法对该地区的日24小时负荷进行预测,并与传统的支持向量机和BP神经网络方法进行比较,验证了该方法的有效性。     

基于CNN-LSTM混合神经网络模型的短期负荷预测方法

为了更好地挖掘海量数据中蕴含的有效信息,提高短期负荷预测精度,针对负荷数据时序性和非线性的特点,提出了一种基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合模型短期负荷预测方法,将海量的历史负荷数据、气象数据、日期信息以及峰谷电价数据按时间滑动窗口构造连续特征图作为输入,先采用CNN提取特征向量,将特征向量以时序序列方式构造并作为LSTM网络输入数据,再采用LSTM网络进行短期负荷预测。使用所提方法对江苏省某地区电力负荷数据进行预测实验,实验结果表明,文中所提出的预测方法比传统负荷预测方法、随机森林模型负荷预测模型方法和标准LSTM网络负荷预测方法具有更高的预测精度。     

基于相似时间序列检索的超短期负荷预测

针对目前超短期负荷预测算法存在的预测精度不稳定、实时性能不强等问题,从时序数据挖掘的重要方法——相似时间序列的检索出发,结合负荷自身的周期性变化规律,提出了一种新的超短期负荷预测方法。该方法具有简单实用的坏数据处理机制;通过扩展负荷序列相似的概念有效地增加了预测样本的数量,提高了预测样本的质量;对预测值的加权处理抵御了单样本预测带来的风险,使预测的精度稳定在一个较高水平。实际应用结果表明,该方法的预测精度高、稳定性强,能较好地满足电力系统各方面的需求。