基于相似日小波支持向量机的短期电力负荷预测

对受不确定性影响的短期电力负荷,本文给出一种基于小波支持向量机的预测方法.采用小波变换将日负荷数据分解到不同尺度上,利用各相似日低频部分的最大最小负荷构造相似系数,通过支持向量机预测一天中最大和最小负荷,结合相似系数得到预测日低频部分各时刻的预测值;对于高频部分采用各时刻均方加权的方法预测负荷值,把各部分的负荷值叠加得到完整的负荷预测值.用山东某电力公司的数据进行数据仿真,取得了较好的预测效果.     

基于最小二乘支持向量机和负荷密度指标法的配电网空间负荷预测

传统的负荷密度指标的求取方法通常采用经验法或简单类比法,难以满足精度要求,从负荷密度与其影响因素存在着某种非线性关系的角度出发,提出了一种基于最小二乘支持向量机(least squares support vector machine,LS-SVM)的配电网空间负荷预测方法。该方法首先引入模糊C–均值算法把各类用地性质负荷聚类为几个等级,建立比较精确的负荷密度指标体系;然后根据待预测地块的规划属性,在体系中为LS-SVM预测模型选出与预测样本特征更为相似的样本进行训练,提高LS-SVM的泛化能力和预测精度;采用遗传算法对LS-SVM预测模型的参数进行自动优化,进一步提高预测模型的适应性和预测精度,实例验证了该方法的实用性和有效性。     

基于多级聚类分析和支持向量机的空间负荷预测方法

为充分利用元胞负荷与元胞属性之间的相关联系来改善空间负荷预测效果,提出了基于多级聚类分析和支持向量机的空间负荷预测方法。首先生成元胞并建立元胞属性集合,根据各属性对元胞进行多级聚类分析,其中采用改进的k-均值算法确定聚类数目和初始聚类中心,来得到逐级细化的元胞分类;然后针对不同类型的元胞建立各自的支持向量机预测模型,同时利用遗传算法进行参数优化以提高预测模型的适应度;最后将待预测元胞的相关属性作为输入向量并代入所建立的预测模型中计算出目标年各元胞负荷最大值,从而实现空间负荷预测。工程实例分析表明了该方法的实用性和有效性。     

基于数据挖掘技术和支持向量机的短期负荷预测

支持向量机方法已经非常成熟的应用在短期负荷预测领域,它在选取历史日期进行模型训练的时候通常选取距离预测日相近的一段日期,而没有考虑这段时间气象条件、星期类型、节假日造成的影响,使得所建立的模型并不能完全的反映预测日的特征。提出了基于一种基于数据挖掘技术的支持向量机负荷预测方法,该方法提出了预测模型样本选取的新颖思路,首先采用层次聚类法对历史日负荷进行聚类,利用层次聚类得到的分类结果建立决策树,根据待预测日的属性在决策树中查询得到支持向量机预测模型输入的历史负荷,建立支持向量机预测模型并对待预测日的负荷进行预测。实例中负荷数据采用浙江省某地级市的历史负荷,用新方法对该地区的日96点负荷进行预测,并将该算法与传统的支持向量机算法进行比较,文中提出的方法解决了传统的基于支持向量机方法训练日期选取不能反映待预测日特征的问题,故本算法结果具有较高预测精度。     

利用模糊信息粒化与支持向量机的空间负荷预测方法

若直接使用实测负荷数据最大值进行空间负荷预测,则元胞负荷中的异常数据会导致预测结果精度降低,考虑到通过确定并利用元胞负荷合理最大值可以明显改善预测精度,提出一种基于模糊信息粒化与支持向量机的空间负荷预测方法。首先构建电力地理信息系统,并在其中生成2类元胞。其次按照时间尺度的长短区分Ⅰ类元胞负荷颗粒度的粗细,通过划分模糊粒化窗口,建立合理的模糊集对Ⅰ类元胞细颗粒度下的历史负荷数据进行模糊信息粒化,进而确定出Ⅰ类元胞粗颗粒度下的历史负荷的合理最大值。然后采用支持向量机模型,对粗颗粒度下的Ⅰ类元胞负荷进行预测。最后确定Ⅰ类元胞负荷密度均衡系数,求取分类负荷密度指标,结合用地信息求得各Ⅱ类元胞负荷预测值,从而实现对空间电力负荷预测结果的网格化。工程实例表明了该方法的实用性和有效性。     

基于小波分解的支持向量机母线负荷预测

为提高母线负荷预测的准确性,提出一种基于小波分解和支持向量机的母线负荷预测方法。该方法利用小波分解算法将目标负荷序列分解为若干个不同频率的子序列,通过分析各个序列的特征规律,构造不同的支持向量机模型对各分量分别进行预测,再将各分量预测值进行重构得到最终预测值。对某一区域内15条母线进行预测,采用平均日母线负荷准确率进行评价。与单独使用支持向量机方法相比,应用所提方法提高了962点的预测效果,占总预测点数的66.8%;全系统的准确率由93.5%提高到了95.1%。     

基于支持向量机的中长期电力负荷预测

通过探讨多种确定性及非确定性负荷预测方法,将当前少有应用的支持向量机算法引入电力系统负荷预测。介绍了统计学理论,引入了根据该理论提出的支持向量机算法。对支持向量机算法原理进行了介绍,分析了该算法的本质及应用价值。采用回归问题的支持向量回归机ε-SVR算法,给出了将该算法应用于中长期负荷预测的方法。通过算例,验证了该方法的有效性。     

电网自然区域负荷预测研究

农网改造中变电站的规划是一项核心工作,其中对变电站所带区域的负荷,称为自然区域负荷,进行准确的预测又是关键.分析了典型的农村用电量结构,将之分为四类,并对其中三类主要用电量进行单独分析和预测.首先利用粗糙集理论对每类用电量的影响因素集合进行约简,之后利用支持向量回归机对其进行分别预测.最后的预测结果是三个预测结果相加再按比例加上其它用电量.实验结果表明粗糙集结合支持向量回归机的方法比传统方法有比较大的优势,预测精度比较好.     

基于双层XGBoost和数据增强的空间负荷预测方法

为了解决空间负荷预测面临的特征变量众多和数据匮乏问题,文中提出一种基于双层极端梯度提升(extreme gradient boosting,XGBoost)和数据增强的空间负荷预测方法。该方法首先将待预测区域按馈线供电范围划分为若干子区域;其次构建基于双层XGBoost的特征选择模型,第一层XGBoost对特征进行评分及排序,将组合特征和负荷输入第二层XGBoost并进行子区域负荷预测,根据子区域负荷预测结果选择每个子区域的最佳特征变量;然后利用生成对抗网络(generative adversarial network,GAN)增强每个子区域的训练集样本,并通过极限学习机(extreme learning machine,ELM)实现子区域预测;最后将每个子区域的预测值相加得到待预测区域的预测值。以上海市局部区域为例,对文中方法进行仿真实验和对比分析。结果表明,文中方法可同时解决特征变量选择和数据匮乏问题,具有更高的预测精度。     

自下而上的主动配电网负荷曲线化预测方法

为在主动配电网负荷预测工作中计及柔性负荷的影响,提出了一种自下而上的主动配电网负荷的曲线化预测方法。首先,将待预测区域按用地性质、功能边界划分为若干小区,将每个区域的负荷需求细分为刚性负荷和柔性负荷需求两类;然后,建立可转移负荷和可调整负荷两种柔性负荷的曲线化调控模型,进而模拟主动管理策略下柔性负荷对整体负荷需求的调整作用;最后,将待预测区域的地块负荷进行叠加,得到主动配电网管理模式下的负荷需求曲线。通过北京某开发区负荷曲线预测算例,验证了所提预测模型和方法的有效性。     

考虑小区发展不均衡性和不确定性的多阶段空间负荷预测

为减少小区发展不均衡性和不确定性对空间负荷预测精度的影响,结合聚类分析与马尔科夫理论提出了一种多阶段空间负荷预测模型。首先,提取单位面积最大负荷、用电量、平均负荷百分比作为表征小区发展不均衡性的指标,利用k-means算法对小区聚类,确定各个发展阶段的负荷密度。其次,统计不同发展阶段间的转移概率,形成马尔科夫链的状态转移矩阵,揭示空间负荷变化规律,以处理小区发展不确定性。再次,利用业扩报装信息、分类饱和密度及状态转移向量建立近中远期负荷预测模型。实例验证表明,该模型能够切实有效地考虑经济发展的不确定性及用电水平的差异性,各阶段负荷预测结果均具有较高的可信度。     

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。     

基于支持向量机和互联网信息修正的空间负荷预测方法

为提高电网规划阶段的空间负荷预测精度,提出了一种基于支持向量机和互联网信息修正的空间负荷预测（spatial load forecasting,SLF）方法,该方法分为3个步骤：一是基于k-均值聚类分析和支持向量回归模型得到地块负荷初始预测值;二是基于地块负荷历史数据计算负荷实际值与初始预测值之间的偏差;三是针对这些偏差,利用搜索引擎获取互联网信息,识别造成偏差的不确定事件,包括元胞中新增大负荷事件和元胞中企业营收增长率突变事件。定性分析事件对空间负荷的影响,并建立这两类事件与其造成的影响之间的分类事件影响定量模型,基于该模型对地块负荷初始预测值进行修正,得到规划区域内的地块负荷预测值。通过对北京某地区进行算例验证,结果表明该方法可以提高预测精度,可用于配电网以及能源互联网规划中的空间负荷预测。     

基于聚类分析理论的空间负荷预测方法

基于时序分析的空间负荷预测方法通常先把预测区域划分成若干元胞,然后对每个元胞进行基于时序的负荷预测,从而实现对整体的空间负荷预测.目前基于时序分析的负荷预测模型有很多,但其中任意单一模型均难以做到对每个元胞预测都是误差最小的,即无法保证对总区域的空间负荷预测结果的准确性.为此提出了一种基于聚类分析理论的空间负荷预测方法...     

基于GOA-SVM的短期负荷预测

支持向量机是借助于凸优化技术的统计学习方法,与传统神经网络相比,泛化错误率低并且结果易于解释。将支持向量机用于负荷预测时,参数选择不准确会导致预测性能较差。提出一种基于蚱蜢优化算法的支持向量机短期负荷预测方法,以某地区负荷、天气等历史数据对SVM进行训练,并通过GOA优化选取支持向量机参数,然后以得到的最优参数建立GOA-SVM负荷预测模型。算例分析表明,GOA-SVM预测模型比GA-SVM和PSO-SVM模型有更好的收敛性能,且预测精度更高。     

计及分布式能源与电动汽车接入的空间负荷预测

相较于传统负荷预测,空间负荷预测更加关注某一局部空间内的负荷分布情况,因而可以更好地确定电气设备的选型与空间布局。分布式能源及电动汽车的飞速发展,使城市空间负荷分布变得更为复杂,采用原有基于时间序列的负荷预测方法可能带来较大误差,不利于城市规划的经济性与可靠性。利用最小二乘支持向量机(least squares supportvectormachine,LS-SVM)的非线性映射能力,建立了计及分布式能源与电动汽车充电负荷的空间负荷预测模型,并通过我国中部某地区的实际算例验证了所提方法的有效性。     

负荷功率模型的最优特征选择研究

负荷功率呈现时空多样的变化特性,其影响因素众多,构建负荷功率模型的关键之一是确定模型的输入特征量。文中着重研究短期负荷功率模型的特征选择,旨在从历史负荷、气象、日期等众多特征中选出最优特征集。首先,采用最大信息系数、基于支持向量机的递归特征消除法和随机森林3种不同特征选择方法分别对输入特征集进行选择;然后,根据对比分析结果提出基于遗传算法的最优特征集搜索策略,选定XGBoost预测模型的误差指标作为适应性函数进行迭代优化搜索;最终,确定负荷功率模型的最优特征输入集。采用某地区220 kV变电站母线负荷数据进行算例分析,对比各方法所选特征集作为功率模型输入得到的负荷预测效果,验证了文中方法的有效性和准确性。     

融合多源信息的电动汽车充电负荷预测及其对配电网的影响

电动汽车充电负荷具有时间和空间不确定性、随机性,提出一种融合路网、交通、电网、天气、车辆、充电设施等多源信息的考虑用户出行行为和充电需求的电动汽车充电负荷时空分布预测模型。由图论方法构建城市路网和电网信息模型及两者的耦合关系;引入出行链,以概率函数拟合车辆首次出行时间和行程目的地的驻留时间,采用Dijkstra算法规划车辆的出行路径以获得各段行程距离,由道路等级和各时段交通信息获得车辆的行驶速度,以计算行程行驶时间和荷电状态,再根据各行程目的地的充电需求判断条件,计算充电时长和充电负荷;采用蒙特卡洛方法对各功能区电动汽车出行的时间和空间充电负荷分布进行整体仿真;并根据耦合关系将充电负荷归算至对应电网节点,再通过时间序列潮流计算评估电动汽车接入电网后无序充电对电网负荷、电压和网损的影响。算例通过设置不同的场景预测了不同功能区和电网节点的充电负荷曲线,分析了不同因素对充电负荷分布及电网的影响,验证了所提模型的有效性。     

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。     

Estimation of a preference map of new consumers for spatial load forecasting simulation methods using a spatial analysis of points

The paper presents a spatial analysis of points especially suited to estimate a preference map for new consumers, which is then used as an analytical tool in spatial electric load forecasting. This approach is an exploratory spatial data analysis used to discover useful point patterns in the spatial location of distribution transformers to calculate a preference value for each area, rating it with respect to a hypothetical load change that may occur. We consider the locations of distribution transformers occupied land. Random points are generated in the study area where the new loads are expected; these points are referred to as unoccupied land. The method uses a generalized additive model (GAM) to estimate the probability of unoccupied land becoming occupied land. We test the approach with data from a real distribution system in a mid-size city in Brazil; the result is a preference map that shows the areas where new consumers are most likely to be allocated. The main advantage of this method is the ability work with a small-scale resolution, which enables the use of a resolution suitable for spatial load forecasting method chosen. We test the calculated probabilities in a spatial load forecasting simulation, yielding results with lower spatial error when compared with the heuristic technique.