考虑负荷自适应检测和修复的鲁棒极限学习机短期负荷预测方法

针对现有负荷预测方法对于温度、湿度累积效应下的短期负荷预测精度低的不足,该文提出了一种基于时变Cook距离统计量的负荷异常值检测和基于非参数概率密度估计的负荷自适应修复的鲁棒极限学习机(extreme learning machine,ELM)短期负荷预测方法。首先将历史负荷数据按季节分组,根据每个季节实时负荷和对应的气象因素,利用递归最小二乘法获取历史负荷数据的自适应遗忘因子,构建基于遗忘因子的时变Cook距离统计量,检测负荷数据中的异常值(或强影响值);采用非参数概率密度估计,构建实时负荷与气象因素的随机模型对异常负荷值(或强影响值)进行修复。考虑电力负荷数据异常值对预测精度的影响,采用了一种鲁棒ELM算法对负荷数据进行回归分析;最后,引入基因遗传算法对负荷预测模型参数进行优化,提升负荷预测算法预测准确率;通过实例仿真分析,验证了该方法提高预测精度的有效性。     

基于改进积温效应修正模型的负荷预测

针对积温效应会造成电力负荷异常增长,传统负荷预测方法精度较差的问题,基于积温效应对电力负荷影响进行分析,提出了基于改进积温效应修正模型与参数优化支持向量机的负荷预测方法。首先分析气象因素与气象负荷的相关性,确定积温临界值,对积温效应强度和温度之间的关系进行研究,提出了一种改进积温效应温度修正模型。然后利用PSO对支持向量机参数进行优化,利用优化支持向量机对日负荷进行预测。最后通过算例实例证明了该方法的有效性,可有效提高短期负荷预测的精度。     

神经网络负荷预测模型研究

负荷预测模型直接影响预测精度,对电网调度运行具有重要作用。本文首先分析了影响负荷预测的时间因素及其周期特性,将负荷预测的时间属性分为工作日、双休日及节假日;进而分析实时气象因素和区间气象因素对负荷预测的影响;在此基础上,分别建立不同时间属性的神经网络负荷预测模型。算例结果表明,提出的模型能有效准确地预测短期负荷,具有一定的工程意义。     

考虑实时气象耦合作用的地区电网短期负荷预测建模

传统的短期负荷预测中并未考虑实时气象因素的耦合作用,针对此提出了考虑实时气象耦合作用的时域卷积网络短期负荷预测方法。首先,分析了各项实时综合气象指数与负荷曲线的相关性,进而构建了混合日特征量与实时气象因素的相似日选取方法。然后,引入各项实时综合气象指数作为模型输入。最后,采用能够充分考虑并包容实时气象因素与负荷"时差性"特点的时域卷积网络进行日前负荷预测建模。实验仿真以某地区电网实际负荷为例,研究表明该预测模型能够有效提升地区电网日前负荷预测精度。     

基于动态自适应神经网络和人体舒适度的短期负荷预测

针对BP(Back Propagation)神经网络的适应性较差的问题,提出了自适应神经网络的模型,并将其应用到短期负荷预测中。在神经网络进行数据训练时,对于大量的训练数据,提出采用动态自适应的方式进行处理。分析了实时气象因素对短期负荷的影响,以人体舒适度作为气象因子的处理模型。采用杭州地区数据对提出的模型进行验证,与BP模型预测的结果对比,具有更快的预测速度、更高的预测精度。所构建的预测模型具有很好的适应性,并充分考虑了气象因素、日期类型,预测结果表明所提出的预测方法是有效且实用的。     

考虑相关因素统一修正的节假日负荷预测模型

能源互联网正在逐步影响电网的规划建设方式,其对于相关的负荷预测技术也提出了更高的要求。节假日负荷预测由于存在与正常工作日差异较大且历史数据较少的原因,其负荷预测的效果往往不理想。通过相关因素统一修正模型对气象、时间等相关因素进行修正处理之后,得到统一相关因素影响下的正常工作日数据。考虑“近大远小”的原则,对于正常工作日和节假日负荷曲线之间的相关性进行分析,并基于点对点倍比预测模型提出节假日负荷预测模型,该模型能够自动削弱历史中不正常数据对于预测精度的影响。将提出的预测方法应用于我国北方某城市和某地区的节假日负荷预测,算例分析结果显示预测精度能够满足实际需要,可以为相关电力部门节假日负荷预测提供一定的参考价值。     

考虑气象累积效应的IPSO-BP神经网络短期负荷预测算法

气象因素是短期负荷预测中的重要因素,考虑气象累积效应选取相似日作为训练样本,提出基于改进粒子群优化算法的BP神经网络负荷预测方法(IPSO-BP)。首先通过相关性分析得出与日负荷相关程度较大的气象因素;在此基础上,采用加权几何距离选取与待预测日关联度较大的历史日作为相似日,并对IPSO-BP神经网络模型进行训练和预测。实际应用结果表明,所提出的预测模型和数据处理方法能够得到更加精确的预测结果。     

基于多维气象信息时空融合和MPA-VMD的短期电力负荷组合预测模型

为提高电力负荷预测精度,需考虑区域内不同地区多维气象信息对电力负荷影响的差异性。在空间维度上,提出多维气象信息时空融合的方法,利用Copula理论将多座气象站的风速、降雨量、温度、日照强度等气象信息与电力负荷进行非线性耦合分析并实现时空融合。在时间维度上,采用海洋捕食者算法(MPA)实现变分模态分解(VMD)核心参数的自动寻优,并采用加权排列熵构造MPA-VMD适应度函数,实现负荷序列的自适应分解。通过将时间维度各分量与空间维度各气象信息进行融合构造长短期记忆(LSTM)网络模型与海洋捕食者算法-最小二乘支持向量机(MPA-LSSVM)模型的输入集,得到各分量预测结果,根据评价指标选择各分量对应的预测模型,重构得到整体预测结果。算例分析结果表明,所提预测模型优于传统预测模型,有效提高了电力负荷预测精度。     

基于小波变换和SVM算法的微电网短期负荷预测研究

为了满足微电网的建设和发展对其负荷预测的精度和方法适应性提出的更高要求,本文在时域和频域上比较分析了微电网负荷曲线和传统负荷曲线,得出了微电网负荷波动性更强的结论,然后根据微电网负荷的特点,考虑微电网负荷受星期类型和气象因素的影响,提出对微电网负荷进行离散小波分解的基础上,建立支持向量机(SVM)模型对各层分量分别进行预测,最后运用分解关系得出预测结果。研究表明,与直接应用SVM模型预测相比,分解微电网负荷曲线后再进行SVM模型预测能够实现更高的预测精度,更适用于当前微电网短期负荷预测需要。     

基于长短期记忆神经网络的配电网负荷预测方法研究

高渗透率分布式光伏接入配电网后,将削减配电网负荷。由于光伏出力与配电网负荷均具有强随机性,且与温度、太阳辐照等相关气象因素耦合特性不同,导致配电网净负荷随机性提高、预测难度增加。为满足强波动性配电网净负荷短时预测需要,提出基于长短期记忆(long short term memory,LSTM)神经网络短期预测模型构建新方法。采用LSTM分别构建小时前配电网负荷预测模型和短期光伏出力预测模型,并分别使用交叉验证方法优化各个LSTM预测器结构超参数;最后,以两者预测结果相减,获得配电网净负荷。实测数据实验表明,相较于支持向量回归(SVR)等方法,采用LSTM的新方法能够自适应挖掘历史负荷、光伏出力特征与预测对象间的相关性,避免了复杂的特征选择环节,且预测精度优于SVR预测方法。     

基于IPSO-LSVM的短期负荷预测方法

传统基于支持向量机(SVM)的短期负荷预测模型存在着输入变量不易确定以及模型参数难以最优化的问题。针对这两个缺点,本文提出了一种基于IPSO-LSVM的短期负荷预测方法。首先引入LASSO回归筛选SVM预测模型中的滞后负荷,将筛选结果和其余影响因素作为SVM预测模型中的输入变量,建立LASSO与SVM的耦合模型(LSVM);然后采用IPSO算法对LSVM预测模型中的参数进行优化,提高预测结果的准确性和稳定性;最后采用优化后的模型进行预测。算例分析表明,IPSO优化LSVM的方法能够有效提高短期负荷预测的精度。     

基于PSO-LSSVM的海水淡化负荷预测

为了将海水淡化负荷与分布式可再生能源或电网结合协同运行,进一步提高海水淡化用户的综合经济效益,提出了精准预测海水淡化负荷的方法。首先对影响海水淡化负荷的相关因素应用灰色关联分析理论构建相似日的小样本集合,而后建立多输入单输出的最小二乘支持向量机(LSSVM)模型。针对LSSVM模型,提出了通过粒子群算法(PSO)优化相关参数γ和σ~2的新预测方法。最后利用某海岛冬季用水数据对模型进行仿真验证,结果表明,该模型可达到参数最优化选择的目的,提高了预测精度,能够满足海水淡化负荷预测的需要。     

基于负荷细分的差异化用户基线负荷预测

电力用户基线负荷(CBL)预测精度会极大影响需求响应效果的评估。本文基于负荷细分,考虑多维用电行为及其影响因素,通过精细化用户用电行为特征,提出一种考虑用户用电模式差异化的基线负荷预测方法。首先采用Ward-模糊C均值(FCM)聚类法,并结合负荷特性指标,改善用户负荷曲线聚类分析的效果;然后,分析气象、时间等多维影响因素,建立考虑温湿度和气温累积效应等城市微气象因素及节假日社会行为因素的差异化用电行为分析模型,提出温度敏感型、节假日敏感型以及两者均不敏感的精细化用电模式;最后,提出不同用电模式的CBL预测方法,建立综合评估方法分析其预测准确度。算例结果表明,所提算法能进一步提高CBL预测精度。     

基于气温累积效应和灰色关联度的短期负荷预测研究

气象因素是短期负荷预测重要的影响因素。为提高预测精度,研究了一种基于气温累积效应和灰色关联度的支持向量机拓展算法——最小二乘支持向量机(least squares support vector machine,LSSVM)。通过相关性分析得到与日平均负荷相关程度较大的气象因素。在此基础上,结合气温累积效应采用灰色关联方法对历史日进行分析,选取与待预测日关联度较大的历史日作为相似日,并对LSSVM模型进行训练和预测。实际应用表明,使用所提出的预测模型和数据处理方法能够得到更加精确的预测结果。     

基于数据挖掘的FNN短期电力负荷预测方法研究

针对人工神经网络模型在进行负荷预测时,大多不考虑气象等因素的影响,提出了一种基于数据挖掘预处理的改进短期电力负荷预测的方法,应用数据挖掘的聚类功能,寻找与预测日同等气象类型的多个历史短期负荷数据序列进行预测,从而提高预测的精度。鉴于ANN模型对不确定性和模糊信息学习处理能力较差的缺点,引用模糊系统的理论,构建模糊神经网络(FNN)模型。通过实例预测和预测结果比较分析表明,提出的方法具有较高的预测精度。     

基于负荷分解和实时气象因素的短期负荷预测

根据地区气象与负荷的相关关系,从总负荷中分解出对气象不敏感的基础负荷和受气象因素影响的气象敏感负荷,并分别采用灰色系统GM(1,1)模型和基于LMBP (Levernberg–Marquardt back propagation)算法的多层前馈神经网络对二者进行建模预测。在对实时气象因素、日特征气象因素与气象敏感负荷相关性分析的基础上,重点把握某些气象因素与气象敏感负荷之间的联系。通过合理选择神经网络的输入变量,实现了基于实时气象因素的短期负荷预测。实际应用证明了所提出方法的有效性。     

基于人工蜂群优化极限学习机的短期负荷预测*

针对极限学习机(Extreme Learning Machine,ELM)在训练前随机产生输入层权值和隐含层阈值导致输出结果不稳定,影响短期负荷预测精度的缺陷,提出基于人工蜂群(Artificial Bee Colony,ABC)算法改进ELM(ABC-ELM)的短期负荷预测新方法。首先,选用历史负荷、外界气象因素和待预测日星期类型等属性构成ELM输入向量,以负荷值为输出,构建ELM模型;其次,采用ABC对ELM输入层权值和隐含层阈值进行优化;最后,根据优化参数,建立基于ABC-ELM的负荷预测模型,并以该模型开展负荷预测。根据国内某大型城市实测负荷数据开展实验,验证方法有效性。实验结果证明ABC-ELM较ELM和BP神经网络具有更高的稳定性和预测精度。     

基于MMoE多任务学习和长短时记忆网络的综合能源系统负荷预测

精确的多元负荷预测是实现综合能源系统优化调度与经济运行的关键技术。在考虑多元负荷相关性的基础上,提出一种基于MMoE多任务学习和长短时记忆网络(LSTM)的多元负荷预测方法。利用皮尔逊相关系数分析冷热电负荷及气象因素存在的强相关性和弱相关性;构建MMoE多任务学习模型,利用专家子网和门控单元学习多元负荷间耦合特性的差异;使用LSTM构建子任务模型,对多元负荷进行预测。利用公开数据集进行性能验证,结果表明所提基于MMoE多任务学习和LSTM的模型能够有效提升多元负荷预测精度。     

短期负荷预测中实时气象因素的影响分析及其处理策略

短期负荷预测对于电力系统安全经济运行有着重要的作用,因此,人们一直致力于研究新的预测模型,提高预测精度。目前,实现提高预测精度这个目标的关键是如何更加合理地考虑气象因素对负荷的影响,因为气象敏感负荷在总负荷中所所占的比重越来越大。长期以来,鉴于气象部门无法提供实时温度等气象预测结果,电力系统所建立的预测模型绝大多数都是基于日特征气象因素,诸如日最高温度、最低温度等。针对短期负荷预测,作者剖析了气象因素的影响和作用,分析了处理不同阶段气象因素的策略,并提出了考虑实时气象因素的短期负荷预测新模型,该模型基于神经网络,力图寻求温度、湿度等实时气象因素与负荷曲线之间的相关关系和变化规律。实际应用表明,文中的预测模型和处理策略可以得到更加精确的预测结果。此短期负荷预测新模型也适用于超短期负荷预测。     

基于数据挖掘的FNN短期电力负荷预测方法研究

针对人工神经网络模型在进行负荷预测时,大多不考虑气象等因素的影响,提出了一种基于数据挖掘预处理的改进短期电力负荷预测的方法,应用数据挖掘的聚类功能,寻找与预测日同等气象类型的多个历史短期负荷数据序列进行预测,从而提高预测的精度.鉴于ANN模型对不确定性和模糊信息学习处理能力较差的缺点,引用模糊系统的理论,构建模糊神经网络(FNN)模型.通过实例预测和预测结果比较分析表明,提出的方法具有较高的预测精度.