改进范例推理在短期负荷预测中的应用

范例推理是人工智能领域中一种新兴的推理方法,基于范例的推理就是充分利用以前的经验进行推理,求解新问题的过程。文中针对短期负荷预测具有明显周期性的特点,提出了基于范例推理的短期负荷预测方法。首先说明了范例的表示、组织方法,然后选择合适的量度方法进行范例的检索、匹配,最后将得到的最相似范例集进行重用、修正,得到最终预测结果。在范例表示中,使用粗糙集方法为范例属性特征的选择及权重的确定问题提供了一个合理的方法。经实例验证和比较,基于范例推理的负荷预测方法在提高预测精度方面具有明显的优越性。     

基于事例推理原理的陕西省电网短期负荷预测

利用基于事例推理的短期负荷预测系统,确定了负荷预测事例的特征及事例表示方式,同时还确定了选择最佳相似事例的方法,使预测结果的可用性得以提高。对陕西电网进行了仿真计算,结果表明采用本文方法得到的预测精度有了显著提高。     

短期负荷预测的组合数据挖掘算法

给出了一种短期电力负荷预测的组合数据挖掘算法.通过日负荷特性分析,在设定长度的最近历史日期中选择与预测日天气最相似的为基准日,通过该模式下天气相似日的相关影响因素差异与相应负荷变化率关联规则挖掘建模,挖掘模型算法采用C4.5和CART算法的基于BP网络加权组合,算法还基于范例推理给出节假日调整因子校正节假日的影响,设计出一种高精确度短期负荷预测系统.实际应用结果表明该组合算法预测精确度高、效果良好.     

事例推理及其应用

介绍了事例推理的基本原理、特点及其各环节的实现策略，并将其引入电力系统短期负荷预测，研究了事例推理技术在短期负荷预测领域中的应用。实际电力系统的数值试验证明事例推理技术知识获取简单方便、具有记忆能力及用户友好性等特点，优于基于规则专家系统及人工神经网络技术。     

基于短期负荷预测的超短期负荷预测曲线外推法（Only in Chinese）

针对短期和超短期负荷预测的特点，提出了一种基于短期负荷预测的超短期负荷预测曲线外推算法。该算法充分利用了短期负荷预测已取得的成果，解决了传统采用负荷历史数据进行超短期负荷预测时在拐点、天气剧烈变化和节假日期间负荷预测精度下降的问题。为了提高负荷预测精度，还讨论了在进行超短期负荷预测时，对历史坏数据的处理以及对短期负荷预测中对拐点预测不准的修正等实用性问题。通过在四川电网调度自动化系统中的应用结果表明，该方法速度快，精度高，运行可靠稳定，具有较强的适应性。     

事例推理及其应用

介绍了事例推理的基本原理、特点及其各环节的实现策略,并将其引入电力系统短期负荷预测,研究了事例推理技术在短期负荷预测领域中的应用.实际电力系统的数值试验证明事例推理技术知识获取简单方便、具有记忆能力及用户友好性等特点,优于基于规则专家系统及人工神经网络技术.     

基于遗传神经网络的短期负荷预测研究

电力短期负荷预测在实时控制和保证电力系统经济、安全与可靠运行方面起着重要作用,对于系统运行具有重大影响。根据电力短期负荷的变化特点,综合考虑温度、天气、风力等因素,提出了基于遗传算法优化人工神经网络方法的短期负荷预测模型。在试验中采用单一的人工神经网络和优化的神经网络建模分别对广东省某城市电网的短期负荷进行预测。实际预测结果表明,基于遗传算法优化神经网络方法预测模型的预测准确度明显高于单一神经网络方法的预测准确度。     

采用协整检验的电力系统组合预测建模条件判定方法

对组合预测方法应用于电力系统短期负荷预测的条件进行了探讨。为了提高电力系统短期负荷预测的精度，运用计量经济学中的协整理论，对组合预测方法进行了研究，并分析了实际的负荷数据，得出应用的条件是：每种预测方法得到的预测值序列与实际负荷值序列之间应该具有协整关系，这是在电力系统短期负荷预测中采用组合预测方法的必要条件。结合实际预测数据，对协整分析方法及相关检验的实现过程进行了详细的计算说明，并对此结论的适用范围进行了介绍。     

自适应电力用户群短期负荷预测方法

随着我国电力市场化改革的推进,用户侧电力负荷预测在电力需求侧管理中呈现出日益重要的作用。因为不同电力用户负荷特性差异较大,单一的短期负荷预测方法无法满足所有用户的预测精度要求,为此提出一种自适应电力用户群短期负荷预测方法。针对不同类型的电力用户群,提出多种基于变分模态分解算法和长短期记忆神经网络的负荷预测方法,根据波动性系数的范围自适应地选择电力用户群短期负荷预测方法进行训练、测试,得到负荷预测结果。以南方地区60家企业电力用户为研究对象,对所提的负荷预测算法进行了验证,结果表明所提方法能有效提高负荷预测精度,获得了较为理想的预测结果。     

基于弹性系数的电力系统短期负荷预测方法

针对电力系统负荷变化具有明显的分形自相似性的特点，提出了一种新的基于弹性系数的短期负荷预测方法。运用此方法对实际负荷进行预测，通过对预测结果的各种性能指标的分析，表明此方法具有较高的预测精度，尤其是提高了双休日的预测精度，从而为特殊假日的负荷预测提供了新思路。     

基于机器学习的短期电力负荷预测方法研究

针对短期电力负荷数据具有明显周期性的特点,将基于机器学习引入到短期电力负荷预测领域,提出一种基于岭回归估计的RBF神经网络短期电力负荷预测方法,该方法利用机器学习算法RBF在非线性拟合方面的优势,结合岭回归对RBF神经网络输出层权值进行参数估计,有效消除输入多重共线性问题,采用广义交叉验证法对构建的模型进行评估,寻找最优岭参数,提高了电力负荷预测精度。通过实际负荷预测案例,与传统BP神经网络负荷预测方法进行比对,验证了提出的电力负荷预测方法较传统方法具有较好的稳定性和较高的预测精度,为电力负荷预测提供了新思路。     

基于局部均值分解与神经网络的短期负荷预测

短期负荷预测是电力系统调度和运行的基础,为了提高电力系统短期负荷预测的精度,提出了基于局部均值分解和人工神经网络的电力系统短期负荷预测方法。该方法首先对负荷序列进行局部均值分解,针对分解后具有不同特点的各PF分量设定具体的神经网络参数进行预测,将各分量的预测结果进行重构得到最终的预测结果。仿真实验表明,LMD-BP神经网络的预测方法与传统的EMD-BP神经网络方法相比具有更高的预测精度,同时也验证了该方法的实用性和有效性。     

电力短期负荷的多变量时间序列线性回归预测方法研究

根据单变量时间序列的相空间重构思想，提出了一种电力短期负荷的多变量时间序列相空间重构方案，同时针对每一分量时间序列采用互信息法进行最佳延迟时间的选择，最优嵌入维数则采用最小预测误差法进行确定。根据相点间的欧氏距离和关联度，提出了最近邻域点的优化选择方法，建立了多变量时间序列的一阶局域线性预测模型。通过重庆某地区电力系统短期负荷预测的计算实例表明，基于多变量时间序列的负荷预测方法与单变量负荷预测方法相比，具有较强的自适应能力和较好的预测效果。     

基于贝叶斯方法与可解释机器学习的负荷特性分析与预测

使用机器学习模型和方法进行短期负荷预测，虽能提升负荷预测的整体精度，但在极端天气、节假日等小样本预测场景中，对比基于专家经验的人工预测无明显优势。为充分结合预测业务人员的经验知识与机器学习的推理泛化能力，提出了一种基于贝叶斯时变系数（BTVC）与CatBoost模型的可解释负荷预测框架。首先，结合数据与专家知识，构建BTVC模型进行预测，获得各影响因子、趋势及周期因素的负荷分量。其次，将上述结果与常规特征进行组合，作为CatBoost回归模型的输入，进行最终预测。然后，使用事后模型解释框架（SHAP）进行归因分析，框架输出的定量关系可供负荷预测业务人员参考，使其开发出更有效的特征，进一步提高预测效果。最后，以某地区实际电网负荷数据为例，验证所提负荷预测与结果分析框架的有效性。     

基于气象修正技术的辽宁电网负荷预测应用研究

分析了短期电力负荷预测模型,在线性外推法负荷预测的基础上,实现了基于气象因子修正技术的短期辽宁电网网供负荷预测,并成功应用于辽宁电网负荷预测工作中,电网负荷预测准确率得到明显提高,预测结果可用于指导电网调度运行。     

基于最优窗宽核密度估计的短期负荷区间预测

针对确定性短期负荷预测难以满足电力需求中可变性决策问题,提出一种基于最优窗宽高斯核密度估计的短期负荷区间预测方法。该方法利用最小二乘支持向量机对负荷进行确定性预测,根据对历史负荷相对误差特征的统计分析,采用核密度估计方法及最优窗宽选择,对各区域内的相对误差建立密度函数,实现短期负荷的区间预测。以浙江某地区的负荷数据为例,给出了不同置信度下的负荷区间预测,将所提出的方法与固定窗宽的负荷区间预测效果做比对,在相同置信度下所提出方法的区间覆盖率有明显提高并且区间宽度有所降低。     

特殊节假日的短期负荷预测新方法

针对电力系统短期负荷预测中特殊节假日负荷的特殊性,利用基于模糊逻辑推理的预测新方法,预测了特殊节假日的最高负荷、最低负荷以及24点负荷值。该方法合理运用了模糊逻辑对不确定问题的推理能力,克服了特殊节假日由于负荷特性的不同以及历史数据缺乏所导致的预测困难,仿真结果验证了该方法的有效性。     

基于优化决策树的短期电力负荷预测算法

考虑非负荷因素对短期负荷预测的影响,提出了基于优化决策树的短期负荷预测新方法。该方法先对样本数据进行预处理,利用粗糙集理论对决策树的测试属性约简;然后针对决策树ID3算法的缺陷,改进测试属性选择的方法,提出优化算法M ID3。通过2次优化建立的决策树短期负荷预测模型,在有更好的分类准确率的前提下具有较小的规模。结果表明,该方法可提高短期负荷预测的精度,具有一定的实用性和优势。     

基于IPSO-WNN的综合能源系统短期负荷预测

针对传统小波神经网络(WNN)综合能源系统负荷预测模型存在收敛速度、易陷入局部最优等缺点而导致预测精度不高的问题,文中提出了一种基于改进粒子群(IPSO)的WNN综合能源系统短期负荷预测方法。利用Pearson系数对各影响因素进行分析,选择合适的因素作为综合能源负荷预测的输入量;对传统粒子群算法进行改进,在PSO中引入混沌算法并根据粒子适应度采用不同的粒子惯性权重选择策略;基于IPSO建立了WNN综合能源系统短期负荷预测模型。通过案例验证,基于IPSO的WNN预测模型相比于传统WNN预测模型,预测精度明显提升。     

基于相似日的神经网络短期负荷预测方法

人工神经网络是模仿人脑神经元结构、特性和大脑认知功能而构成的新型信号、信息处理系统。针对电力负荷短期预测，提出了一种基于相似日的神经网络预测方法，采用反向传播算法，考虑气象因素对负荷的影响，提高了学习效能，具有较好的预测精度。本方法适合在短期负荷预测中使用，预测结果验证了上述结论。