基于LPP-LSSVM的微电网超短期负荷预测算法

为了解决负荷数据非高斯、高维度影响预测模型精度的问题,提出一种基于局部保持投影-最小二乘支持向量机(LPP-LSSVM)的微电网超短期负荷预测算法。在这一算法中,根据负荷数据的时序相关性,以及天气、温度等因素,选取相似日组成训练数据集,利用局部保持投影进行特征提取,然后利用最小二乘支持向量机训练超短期负荷预测模型。通过对上海某公司微电网示范工程中实际运行负荷进行试验,确认所提出算法的有效性。     

基于混合智能技术的微电网剩余负荷超短期预测

对微电网中分布式电源发电量和短期负荷的准确预报是微电网运行控制和能量管理的重要基础。提出了微电网剩余负荷的概念和计算方法,分析了微电网剩余负荷超短期预测的特点和影响因素。在考虑微电源历史输出功率、微电网历史负荷以及本地气象因素的同时,综合运用k均值聚类分析、遗传算法和人工神经网络建立了微电网剩余负荷超短期预测模型。搭建了一个含有风电、燃气轮机和燃料电池的微电网仿真模型,仿真结果表明,模型中分布式电源发电量和微电网负荷的预测结果与实测数据非常吻合,验证了模型的预测精度。     

基于改进灰色模型的超短期负荷预测

通过分析现行的超短期负荷预测方法存在的问题,提出了应用灰色模型纵向预测和横向趋势外推修正的超短期负荷预测新方法.引入最新的历史负荷信息,对纵向预测的近似曲线进行修正,纵向预测值能反映出总体的发展规律,而横向修正值又体现最新态势变化,并把选择相似日的新思路融合在预测过程中.用实际数据检验表明,该方法能对预测精度有所改善,具有较好的工程实用性.     

基于GA-BP神经网络的微电网短期负荷预测

针对微电网负荷功率的不确定性,提出了一种基于遗传算法优化的BP神经网络模型GA-BP,能够快速、有 效地建立非线性输入与输出之间的关系,对微电网短期负荷进行预测.通过对遗传算法优化的BP神经网络和传统BP 神经网络分别建立微电网负荷预测模型,对某地区的微电网短期负荷进行MATLAB仿真和计算,对2种模型的未来 24h短期负荷预测进行比较,验证了2种预测方法的有效性和可行性.由仿真结果可知,采用遗传算法优化的BP神 经网络预测的平均相对误差为3.23％,相较于传统的BP神经网络拥有更好的预测精度.     

改进的基于聚类分析的超短期负荷预测方法

分析了当前超短期负荷预测中存在的主要问题;在对大量历史负荷观测的基础上,提出并应用聚类分析理论进行负荷变化趋势分析;通过分析,在固定分类预测算法的基础上,提出了动态分类预测算法,该方法能够根据预测目标自动调整预测样本;大量的模拟测试表明,改进后的预测方法能够在无需频繁维护样本的情况下,大幅提高超短期负荷预测精度,尤其是对节假日负荷预测,效果更为明显.     

基于改进数据流在线分割的超短期负荷预测

为同时提高超短期负荷预测的实时性和准确性,应对现代电力系统对实时负荷预测的更高要求,提出一种基于改进数据流在线分割的超短期负荷预测方法。该方法根据负荷发展的时间趋势,利用数据流实时处理技术进行超短期预测,然后结合蕴含天气因素和负荷周期特性作用的短期负荷预测结果,对分割点的实时预测结果进行修正;其快速分段预测能力,避免了重复建模,提高了预测速度;对分割点的实时修正处理有效地增加了历史信息利用率,降低了分割点误差,使预测精度稳定在一个较高的水平。采用实际负荷数据检验该预测模型的有效性,结果表明,基于该模型的预测精度和速度均优于几种常规超短期预测算法,同时降低了拐点预测误差,在天气突变时也具有稳定的适应性。     

基于改进相似日的超短期负荷预测法

在充分掌握上海电网负荷特性之后,针对上海市调AGC控制要求,提出一种基于改进相似日的超短期负荷预测方法.该法利用相似日的每两点负荷变化值相似,依概率预测未来负荷变化趋势,能准确计算未来5 min负荷值.通过算例结果分析可知,该法预测误差较好,具有较强的适应性.     

基于CEEMD-RSVPSO-KELM的用户侧微电网短期负荷预测

用户侧微电网负荷随机性强,短期负荷的预测精度对微电网的正常运行起着重要作用。提出了一种基于互补集成经验模态分解(CEEMD)和区域划分自适应变异粒子群(RSVPSO)算法优化核极限学习机(KELM)的负荷预测模型。采用互补集成经验模态分解将负荷序列分解为多组平稳的子序列,以减小不同局部信息之间的相互影响。针对粒子群算法易早熟和收敛速度慢的问题,利用区域划分来实现惯性权重和学习因子的自适应调整,提高粒子的全局寻优能力和搜索效率,并结合自适应变异操作避免陷入局部最优,加强核极限学习机预测精度。最后通过案例验证,所提模型的预测准确率约为98.114%,较其他预测模型具有更好的预测效果和实际应用意义。     

基于VMD-SSA-HKELM的超短期负荷预测

针对核极限学习机(kernel extreme learning machine, KELM)单一预测模型不稳定以及预测结果不准确,提出了一种变分模态分解(variational mode decomposition, VMD)与麻雀搜索算法(sparrow search algorithm, SSA)优化的混合核极限学习机(hybrid extreme learning machine, HKELM)模型。首先把预处理后的负荷序列依据变分模态技术分解为若干相对平稳的模态分量,然后同时对每个模态分量建立VMD-SSA-HKELM预测模型;再将负荷数据划分训练集和测试集;依据训练集分别用SSA算法优化HKELM的参数,将测试集代入每个模型,所测的结果叠加得出最终预测值。该模型采用麻雀算法优化的混合核极限学习机,使其在不同的参数下有良好的局部搜索能力,且能增强全局搜索能力。仿真结果表明,VMD-SSA-HKELM模型预测精度接近98.5%,为超短期负荷预测及电力系统稳定运行提供了决策的支持。     

基于EEMD-LSSVM的超短期负荷预测

针对传统的最小二乘支持向量机(LSSVM)参数不易确定且单一预测模型精度不高的问题,提出了一种基于集合经验模态分解(EEMD)与LSSVM的组合预测模型。首先利用EEMD将历史数据分解成一系列相对比较平稳的分量序列,再对各子序列分别建立合适的预测模型。进一步通过贝叶斯证据框架来优化LSSVM的参数,用贝叶斯推理确定模型参数、正规化超参数和核参数。然后将各子序列预测结果进行叠加得到最终预测值。最后,将该预测模型用于某一家庭超短期负荷预测中,仿真结果表明,该模型取得了比单一模型更好的预测效果。     

基于区域负荷的配电网超短期负荷预测

建立了以馈线开关为节点、以馈线为边的配电网简化模型，并采用负荷作为节点和边的权，给出了节点的负荷与边的负荷的关系。采用对负荷历史数据和温度历史数据进行统计分析的方法，对超出历史温度范围的情形采用最小二乘法拟合，得出了配电区域的超短期负荷预测结果，利用节点的负荷与边的负荷的关系进一步得出全配电网的超短期负荷预测结果。配电网运行方式的改变并不影响所提出的方法的预测精度。实际应用结果证实了所提出的方法的可行性。     

改进的基于聚类分析的超短期负荷预测方法

分析了当前超短期负荷预测中存在的主要问题;在对大量历史负荷观测的基础上,提出并应用聚类分析理论进行负荷变化趋势分析;通过分析,在固定分类预测算法的基础上,提出了动态分类预测算法,该方法能够根据预测目标自动调整预测样本;大量的模拟测试表明,改进后的预测方法能够在无需频繁维护样本的情况下,大幅提高超短期负荷预测精度,尤其是对节假日负荷预测,效果更为明显。     

基于 Lyapunov 指数的电力系统短期负荷预测

采用非线性系统理论对电力系统历史负荷数据序列进行了特征分析,计算出Ｌｙａｐｕｎｏｖ指数,并利用该Ｌｙａ－ｐｕｎｏｖ指数模式进行短期负荷预测,进而提出短期负荷预测的时间尺度的概念。这种方法不利用气候和气温等数据,只利用电力系统一维峰值负荷历史数据计算出过去的变动模式进行负荷预测,就可以得到较高的预测精度。对东北电网实际负荷数据进行了预测,结果令人满意,从而为电力系统短期负荷预测提供了一种新的预测方法。     

基于Lyapunov指数的电力系统短期负荷预测

采用非线性系统理论对电力系统历史负荷数据序列进行了特征分析,计算出Ｌｙａｐｕｎｏｖ指数,并利用该Ｌｙａｐｕｎｏｖ指数模式进行短期负荷预测,进而提出短期负荷预测的时间尺度的概念,这种方法不复气候和气温等数据,只利用电力系统一维峰值负荷历史数据计算出过去的变动模式进行负荷预测,就可以得到较高的预测精度,对东北电网实际负荷数据进行了预测,结果令人满意,从而为电力系统短期负荷预测提供了一种新的预测方法。     

基于改进EMD-PSVM的短期负荷预测

电力系统负荷是具有典型周期性和随机性特点的非线性、非平稳时间序列。为了降低负荷序列的非线性,提高预测精度,提出了结合经验模态分解EMD和支持向量机SVM的改进短期负荷预测法。运用EMD将负荷序列分解成若干不同频率的平稳分量,突出原负荷局部特征,并采取极值延拓法减弱端点效应,同时利用PSO寻优,选择合适的参数对各分量构造不同的EMD-PSVM预测模型,将各分量预测结果重构后得到最终预测值。通过算例分析,与EMD-SVM及BP神经网络预测法比较,验证了改进EMD-PSVM模型能够有效提高预测精度,稳定性较强。     

基于ARIMA-SVM模型的微电网短期负荷组合预测研究

在对比分析微电网负荷特性与传统电力负荷特性的基础上,针对微电网负荷不确定性和波动性强的特点,提出了一种基于预测误差指标的最优组合预测方法进行微电网短期负荷预测。方法中结合了自回归积分移动平均法和支持向量机模型的优点,以两种预测方法误差绝对值和最小为目标,分析确定预测方法在组合模型中的权重,进而得到组合预测中的最优权重组合。研究表明,与方差倒数法组合预测模型所得结果相比,该组合预测方法具有更高的预测精度,能满足实际要求。     

基于CNN-BiLSTM-Attention的超短期电力负荷预测

超短期电力负荷预测对电力系统的快速响应和实时调度至关重要,准确预测负荷能保障电力系统的安全并提高用电效率。为获得准确可靠的负荷预测结果,针对电网负荷数据非线性和时序性等特征,提出了一种基于CNN-BiLSTM-Attention(AC-BiLSTM)的新型超短期电力负荷预测方法。该方法首先将卷积神经网络(CNN)和双向长短期记忆(BiLSTM)网络相结合充分提取负荷数据本身的时空特征。然后引入注意力(Attention)机制自动为BiLSTM隐藏层状态分配相应的权重,以区分不同时间负荷序列的重要性,能够有效减少历史信息的丢失并突出关键历史时间点的信息。最后通过全连接层输出最终负荷预测结果。以某地区真实负荷数据为例进行了实验分析。通过两种实验场景对比,验证了该方法具有较高的预测精度,可以为电力系统规划和稳定运行提供可靠的依据。     

基于负荷趋势的新型超短期负荷预测法

结合浙江电力发电市场超短期负荷预测的需求,在充分分析电网负荷特性的基础上,提出了基于负荷趋势的新型超短期负荷预测法.该方法简单实用,并将负荷伪数据的判别和加工修改融合在预测过程中.算例分析表明,该方法预测结果误差分析指标优于浙江发电市场中现行的各种超短期预测方法,是一种工程实用性较强的方法.     

短期负荷预测最大李亚普诺夫指数法的改进

现有采用最大李亚普诺夫指数法进行负荷预测的3种改进技术为:应用待预测点对应的时间窗口上的最大李亚普诺夫指数估计(变化的数值),可以获得更高的准确率;应用"气温-负荷"相关系数等,改进"取舍规则":应用多个"邻近矢量"预测增加抗噪声能力.以此构造的2类改进预测方法是:采用"变最大李亚普诺夫指数、改进的取舍规则以及多邻近矢量"预测法;采用"多邻近矢量对应的1步负荷加权"预测法.后者还可用于非混沌序列预测.数值计算还表明,将原始负荷按照素数间隔抽样,可以进一步提高预测准确率.