基于改进Shapley值的风电汇聚趋势性分状态量化方法

风电输出功率具有波动性,由于各机组出力之间的平抑效果,随着风电集群规模的增大,风电输出功率波动逐渐变缓,风电输出功率表现出"汇聚效应"。把握汇聚效应的趋势性对于规划送出线路及网架结构具有重要的意义。基于改进Shapley值法对风电汇聚效应的趋势性进行量化分析。在对不同风电输出状态量化分析的基础上,得到各状态下的持续出力曲线,进而构建基于汇聚特性分析的风电持续出力曲线分状态组合预测模型,并建立预测精度评价体系。采用改进的Shapley值法确定预测模型中的权重系数,避免了传统Shapley值法在单一模型预测结果偏差过大时仍参与组合的现象。基于实测数据对模型有效性进行检验,算例分析表明:相对于单一的预测模型,风电持续出力曲线的分状态组合预测方法能较更准确地描述风电汇聚的趋势。     

基于多属性决策和支持向量机的风电功率非线性组合预测

针对单一预测模型误差波动较大和线性组合预测的局限性,提出了基于多属性决策和支持向量机(SVM)的风电功率非线性组合预测模型。首先基于多属性决策理论,在检验其预测有效的情况下选择3种最优模型作为单项预测模型,并分别建模预测得到3种不同的预测结果;然后将各单项的预测结果作为训练输入,将相应的实际值作为训练输出,建立SVM组合预测模型。为检验该模型预测的有效性,用2组不同的历史数据进行验证,结果表明:该组合模型综合了各单项模型的优点,其均方根误差和平均百分比误差均小于各单项模型及其他组合模型,有效地提高了预测精度。最后还研究了采样间隔对预测结果的影响,结论表明:当采样间隔为5～15min时,预测精度较高。     

基于HHT及改进Shapley值模型的非平稳负荷短期预测

随着需求侧用户终端的智能化水平的提高,短期负荷数据具有非平稳性的特点,单一的负荷预测模型和常规的组合预测模型忽略负荷数据的时序性特点,难以达到满意的预测准确度.针对此种情况,文章提出一种基于HHT和改进shapley值模型的短期负荷预测方法,通过HHT变换对非平稳负荷进行重构得到随机、周期、趋势分量;通过改进shapley值模型确定组合预测各个预测方法的权重分配,并分别应用于随机、周期、趋势分量的预测,将得到的各个预测分量进行叠加得到最终预测值.算例采用单一预测模型、未改进的Shapley组合预测模型和改进后Shapley值的组合预测模型三种方案对非平稳负荷进行短期预测,从模型精确度和稳定性两个角进行对比分析.结果 表明,文章提出的预测方法具有更高的精确度和稳定性.     

基于不同优化准则的风电功率预测

为了获得较好的风电功率预测综合评价指标和提高风电功率预测精度,提出基于不同优化准则的风电功率预测模型。首先,通过基于贴近度的单项预测模型的择优方法得到较高精度的单项预测模型,然后利用选择出的单项预测模型分别以平均相对误差最小、平均绝对误差最小和均方根误差最小为优化准则建立不同的组合预测模型,最后利用灰色关联度分析方法确定每种组合预测模型在优化模型中的权系数,进而得到优化模型。以风电场的实际数据进行验证,结果表明:与各单项预测模型、不同优化准则的组合预测模型及其他组合模型相比,所提优化模型的整体误差指标较小,有效地提高了预测精度,证明了所提模型的有效性和实用性。     

基于GM(1，1)与BP神经网络的综合负荷预测

针对电力负荷预测中的单一预测模型存在的局限性,提出基于BP神经网络和GM(1,1)的残差修正组合模型。通过算法组合的方式进行系统建模,从而提高负荷预测模型的精度。首先通过GM(1,1)模型进行预测,得到灰色残差序列,利用灰色残差序列建立BP残差修正模型,利用该模型进行残差预测,最后将残差修正值和GM(1,1)模型预测值进行叠加得到最终所需的负荷预测值。利用该模型对某地区进行仿真实验,结果表明该修正模型具有较高的预测精度和实用性。     

基于最大-最小贴近度和诱导有序加权算子的 风电功率短期预测模型

为了提高风电功率短期预测精度,将最大-最小贴近度和诱导有序加权算子相结合,提出了一种新的组合模型。根据诱导有序加权算子的不同,可形成不同的组合模型,即IOWA组合模型、IOWHA组合模型和IOWGA组合模型。由于预测期的实际值未知,各单项预测模型的诱导值无法提前预知,不能直接利用该方法进行预测。利用各单项模型建立不同组合模型,选择精度较高的组合模型,用其预测值代替实际值计算诱导值,可以解决预测期诱导值的计算问题。两个不同风电场的仿真结果表明:IOWGA组合模型比某些单项模型和其他组合模型的预测精度还低,预测效果并未得到改善;IOWA组合模型和IOWHA组合模型的各项误差指标都小于单项模型和其他组合模型,预测精度都得到提高,但IOWHA组合模型的各项预测评价指标都最好,预测精度更高,将它的预测值作为风电功率最终预测值,能提高风电功率预测精度。     

风电场发电功率组合预测方法研究

针对风电场发电功率的短期预测,阐述了组合预测的方法原理。分别建立基于相空间重构的RBF神经网络模型、时间序列模型、支持向量机模型三种单项预测模型,并在此基础上确立加权系数,得到了两个组合预测模型。预测结果显示组合预测较单项预测的效果有了很大的改善,具有实际意义和应用价值。     

基于Shapley值组合预测技术在电力负荷预测中的应用

为了提高负荷预测的准确性,减少负荷预测误差,引入了组合预测模型,使几个电力负荷预测模型有机地结合起来。在组合预测权重分配问题上,采用了博弈论中的Shapley值的分配模型,从而确定出各个模型的合理的权重。通过实例论证,证明该方法可以有效地提高负荷预测精度。     

基于Shapley组合模型及神经网络的电能表需求预测研究

针对电能表需求预测问题,建立基于Shapley组合模型及神经网络的电能表合理优化分配模型,以提升需求预测精度.文章通过挖掘历史数据,采用Holt-Winters、BP神经网络和RBF神经网络模型对电能表需求分别进行预测、对比和分析,并且引入Shapley法对三类预测模型进行组合建模,求取相应模型的权重,获取最优的生产调度方案.仿真实验结果表明,RBF神经网络模型预测精度要高于BP神经网络和Holt-Winters模型.相较于单一模型,Shapley法组合模型具有更好的效果和实用性,有助于国家电网公司建立高效、科学的生产调度计划.     

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。     

基于联合模型的短期电力负荷预测方法

为了准确预测电力负荷并提高电力系统调节和调度的灵活性、准确性,提出了基于差分自回归滑动平均和长短期记忆神经网络的短期负荷联合模型预测方法,以避免单一预测模型可能难以满足预测准确需求的情况。首先,使用差分自回归滑动平均和长短期记忆神经网络单一模型对短期电力负荷开展预测;然后,使用改进的粒子群优化算法对联合模型权重进行寻优;最后,利用最优权重将单一模型预测结果进行合并得到最终的预测结果。验证结果表明,所建立的联合模型能够对短期电力负荷进行准确的预测,且联合模型的预测精度要优于差分自回归滑动平均、长短期记忆神经网络和BP神经网络等单一模型,具有一定的工程应用价值。     

基于GDP-电能消费耦合关系的中长期电量预测

建立了一种基于用电量和GDP之间耦合关系的中长期电量预测模型。首先利用协整检验和格兰杰(Granger)因果检验,剖析电能消费和经济发展之间的协整关系和因果关系,并建立中长期电量预测模型。然后采用误差修正方法对预测模型进行短期调节,以提高模型的鲁棒性以及预测精度。以某地区1991—2015年的用电量和GDP数据作为算例输入数据,结果表明:通过构建电能消费和经济发展之间的耦合关系,有助于提高预测模型的解释能力,同时含短期调节的中长期用电量预测模型具有更高的预测精度。     

组合预测方法在电力负荷预测中的应用

为了提高负荷预测的准确性,引入了组合预测模型,通过综合单一预测模型的优点,得出更为准确的结果.文中通过引入2个参数,将组合模型问题转化为极值问题,采用进化规划作为优化方法.最后运用文中所述的组合预测方法与传统的几种单一模型,分别对盐城市区的供电量和最高负荷的历史数据进行计算,比较发现组合预测模型的预测误差要小于任一单个...     

基于Shapley值的电力负荷预测结果溯源分析方法

针对由于机器学习的黑盒特性导致负荷预测结果不可溯源的问题,提出一种基于Shapley值的电力负荷预测结果溯源分析方法.阐述利用机器学习技术构建负荷预测模型的一般形式和基本过程;基于负荷预测模型,利用合作博弈论中的Shapley值计算各类负荷影响因素对负荷预测结果的影响;对利用梯度提升决策树算法训练的负荷预测模型的预测结果进行溯源分析.实验结果表明,利用所提方法可以洞察负荷预测过程,从而实现负荷预测结果的溯源分析以及考虑复杂非线性的负荷影响因素分析,也可以在构建负荷预测模型时指导特征选择提升模型的泛化能力.     

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。     

计及需求响应和深度结构多任务学习的电力系统短期负荷预测

随着需求响应技术的快速发展,使得电力系统负荷数据呈现出规模庞大、结构复杂的非线性特征,基于深度机器学习和高效数据处理平台的负荷预测方法是当前的研究重点。为实现计及需求响应的电力系统短期负荷预测,建立了基于Spark平台和时钟频率驱动循环神经网络(CW-RNNs)的短期负荷预测方法。首先,在Spark平台上设置不同工作组将全部数据分割为多个子数据模块,通过并行化计算提高数据处理效率,进而基于需求响应技术对负荷曲线做出调整,计算得到用户预期收益和用户舒适度影响指标值;其次,采用离散小波变换将调整后的负荷曲线分解,得到一组高、低频信号;并采用偏最小二乘回归模型和CW-RNNs回归模型分别对低、高频信号进行训练学习;最后,将训练好的PLS模型和CW-RNNs模型通过加权平均得到最终组合预测模型(Spark-CW-RNNs)。通过实例计算验证算法的准确性和有效性,结果表明：Spark-CW-RNNs模型比其他单一模型的预测误差更小、预测精度更高,模型具有有效性和可行性。     

基于EMD-LSTM的光伏发电预测模型

随着能源消费结构的改变,可再生能源发电的消纳比例逐渐上升。文中以光伏发电功率为研究对象,分析了不同天气状态下的发电功率曲线特性及不同气象因素与光伏发电出力的相关性,进而提出了一种经验模态分解-长短期记忆神经网络(EMD-LSTM)方法融合的光伏发电功率预测模型。首先对预处理后的光伏发电功率历史序列进行重构,并对重构后的出力序列进行EMD分解,针对分解得到的各子序列分别建立长短期记忆神经网络模型,最后将各子序列预测模型得到的结果叠加得到光伏发电功率预测值。采用国内某地区光伏发电的实际出力数据对模型进行了检验,与滑动平均自回归模型(ARIMA)、支持向量机模型(SVM)、LSTM等预测模型相比,文中所提出的模型预测误差小,能有效提高光伏发电功率的预测精度。     

能源互联环境下考虑需求响应的区域电网短期负荷预测

在区域能源互联系统中,需求响应改变了电力用户的常规用电习惯,增加了预测环境的不确定因素。针对这种特定的环境,提出一种考虑需求响应的区域电网短期负荷预测方法来满足企业对预测精度的需求,该方法通过依次构建数据处理模型、负荷预测模型和误差预测模型实现了预测精度的提升。更具体地,针对历史数据样本集,采用灰色关联分析法处理气象数据以获取输入预测模型的相似日特征变量;针对电力负荷预测,建立了长短期记忆网络模型,利用其特殊的门结构选择性地控制输入变量对模型参数的影响,从而改善了模型的预测性能;针对误差数据样本集,采用了动态模式分解技术来挖掘误差数据的潜在价值,并利用其数据驱动特性刻画了误差时间序列的趋势变化特征,实现了良好的误差预测。最后,结合实际的电网数据,对比验证了所提方法的有效性和优越性。