基于关联维指数分析的电力负荷预测算法

电力负荷表现为一组非线性时间序列,通过对电力负荷的准确预测,避免电力负荷过载和用电集中拥堵,保障电网稳定可靠运行。传统方法采用Lyapunove指数分岔预测算法,由于Lyapunove指数对电力负荷的初始状态特征的敏感性,导致负荷采样样本较少时预测效果不好。提出一种基于关联维指数分析的电力负荷预测算法,构建了电力负荷时间序列的信号模型,采用级联FIR滤波器实现对电力负荷数据信息流的抗干扰滤波处理,进行信号提纯,然后对电力负荷时域信号模型进行关联维特征提取,采用关联维特征在递归图中的指数分岔性实现对负荷时间序列走势的准确预测,实现电力负荷预测算法改进。仿真实验结果表明,采用该算法进行电力负荷预测具有较好的预测准确性,指向性较好,且具有较好的抗干扰能力,在电力管理和调度中具有较好的应用性。     

基于H-P滤波预测技术的年用电量预测模型研究

针对电力市场预测电力负荷受众多因素影响及各类预测模型模拟预测误差较大的问题,为提高负荷预测精度,基于H-P滤波预测法将等维信息法、指数回归模型及分布滞后回归模型引入年用电量预测中,通过双层预测降低预测误差,并结合实例比较。对比结果,滤波滞后回归模型的预测综合得分高于滤波指数回归模型。     

优选移动平均与BP网络混合电力负荷预测方法

电力系统是一个受多种不确定因素如经济、人口、政治、市场等影响的复杂系统,这种特性也决定了电力负荷中长期预测是一个需要长期跟踪和动态管理的过程.对我国中部某地区电力负荷进行了月度预测,为解决中长期电力负荷预测精度不足、模型适用性不强、受客观因素影响较大的问题,考虑将复杂因素如温度、风速与历史区域用电负荷的时间序列进行因素耦合,利用优选移动平均法和BP神经网络混合改进预测模型,提高月度负荷预测模型的趋势预测能力,最后通过计算MAPE误差验证,经改进后的混合预测方法预测精度得到提升,适用于电力负荷的中长期预测.     

基于深度条件概率密度函数的居民电力负荷预测

居民电力负荷预测主要用于电力调度工作的停电计划,以提高供电可靠度及居民用户满意度。由于电力数据量大且不确定性因素过多,对其负荷进行预测的难度较大。现有的电力负荷预测方法无法获取电力数据的自由度数值,导致负荷预测过程稳定性差、预测结果精度低。提出一种基于深度条件概率密度函数的居民电力负荷预测方法。引入四次方核函数,得出随时间变化下居民电力负荷数据的观测值与预测值间的变量关系;通过高斯回归方程使得预测向量值符合正态分布;利用交叉验证方法提取预测值的最优自由度,通过借自由度确定分位点,根据对比分析结果确定下一随机变量的预测数据分位点,实现居民电力负荷的预测。仿真实验证明,所提方法得出的电力负荷波动结果与实测结果相吻合,预测误差可控制在0.001~0.437 MW。说明该方法预测准确性高,可为电力决策提供有效帮助。     

基于方法组合创新思想的电力系统长期负荷预测

针对建立准确、有效的负荷预测模型是长期电力系统负荷预测的关键,基于灰色预测、趋势预测和二次指数平滑法等传统的定量负荷预测方法,引入方法组合创新思想,根据最小二乘原理采用Eviews软件进行变量分析及变量类比,剔除异常值并建立拟合曲线以预测电力负荷,并以供电企业的实际售电量为算例,验证了该方法的可行性和有效性.     

基于相空间分析的电力负荷序列预测算法

对电力负荷时间序列进行准确预测,避免电力负荷过载,传统方法采用线性时间序列预测算法,没有考虑电力负荷时间序列的自相似性和高斯性,导致预测精度不高。提出一种基于非线性时间序列分析和相空间重构的电力负荷序列预测算法。构建了电力负荷数据的非线性时间序列分析模型,采用相空间重构方法把电力负荷数据嵌入到高相空间中,在相空间中提取电力负荷时间序列的非线性特征,实现对电力负荷时间序列的准确预测,仿真结果表明,采用该方法进行电力负荷预测的精度较高,通过相空间分析能有效反应电力负荷数据的内部结构特征,提高预测性能和电力负荷数据的特征分析能力。     

基于深度神经网络的电力负荷预测方法研究

电力负荷预测在能源领域具有重要的应用价值,电力负荷预测是电力系统运行和管理中的重要环节。准确的电力负荷预测有助于电力系统运营商提前做好供电计划,能优化资源配置,提高运营效率。随着人工智能技术的发展,基于深度神经网络的电力负荷预测方法引起了学者们的广泛关注,探究基于深度神经网络的电力负荷预测方法能有助于电力设备的稳定输出,对经济发展具有重要的现实意义。     

模糊划分线性回归模型在电力负荷预测中的应用

针对电力负荷中长期预测中存在大量的不确定性因素及待预测的负荷变量与关联因素无法很好地满足整个样本序列上预测变量与解释变量间的线性相关性问题,引入了模糊划分理论,构建了基于模糊有序划分的线性回归预测模型。算例应用结果表明,该模型能在较少样本数据基础上实现对电力负荷较为准确的预测,且预测精度较高。     

基于随机森林与长短期记忆网络的电力负荷预测方法

电力负荷具有非线性和时序性的特点,为了深入研究各特征变量对于电力负荷预测的重要性,进而获得更高的电力负荷预测精度,提出了基于随机森林(random forest,RF)算法及长短期记忆网络(long short-term memory,LSTM)的混合负荷预测模型.首先根据时间日期因素及气候因素建立高维特征数据集作为随...     

基于XGB-Transformer模型的短期电力负荷预测

短期电力负荷预测作为电力系统的基本组成,能够指导电力公司制定经济合理的生产调度计划。由于电力负荷数据的时序特性和非线性特性,准确作出电力负荷预测具有很大的挑战。当下深度学习不断发展,其在复杂非线性关系建模和处理时序信息等方面表现突出。文章提出一种融合XGBoost和改进Transformer模型的新型短期电力负荷预测方法 XGB-Transformer。该方法考虑时间周期和气象因素对电力负荷的影响,利用基于XGBoost的特征选择方法进行数据规约,利用改进后的Transformer模型来学习序列内部规律和序列间的长距离依赖关系,以提高预测准确性与效率。该方法在真实的电力系统负荷数据上进行实验,结果表明XGB-Transformer方法在准确率和效率2个方面均优于传统方法和其他深度学习方法,证明了其有效性。