Reconstructing clusters for preconditioned short‐term load forecasting

This paper presents a new preconditioned method for short‐term load forecasting that focuses on more accurate predicted value. In recent years, the deregulated and competitive power market increases the degree of uncertainty. As a result, more sophisticated short‐term load forecasting techniques are required to deal with more complicated load behavior. To alleviate the complexity of load behavior, this paper presents a new preconditioned model. In this paper, clustering results are reconstructed to equalize the number of learning data after clustering with the Kohonen‐based neural network. That enhances a short‐term load forecasting model at each reconstructed cluster. The proposed method is successfully applied to real data of one‐step ahead daily maximum load forecasting. © 2007 Wiley Periodicals, Inc. Electr Eng Jpn, 161(1): 26–33, 2007; Published online in Wiley InterScience ( www.interscience.wiley.com ). DOI 10.1002/eej.20300     

Feature extraction of one‐step‐ahead daily maximum load with regression tree

In this paper, a new efficient feature extraction method is proposed to handle the one‐step‐ahead daily maximum load forecasting. In recent years, power systems become more complicated under the deregulated and competitive environment. As a result, it is not easy to understand the cause and effect of short‐term load forecasting with a bunch of data. This paper analyzes load data from the standpoint of data mining. By it we mean a technique that finds out rules or knowledge through large database. As a data mining method for load forecasting, this paper focuses on the regression tree that handles continuous variables and expresses a knowledge rule as if‐then rules. Investigating the variable importance of the regression tree gives information on the transition of the load forecasting models. This paper proposes a feature extraction method for examining the variable importance. The proposed method allows to classify the transition of the variable importance through actual data. © 2006 Wiley Periodicals, Inc. Electr Eng Jpn, 156(2): 43–51, 2006; Published online in Wiley InterScience ( www.interscience.wiley.com ). DOI 10.1002/eej.20104     

基于神经网络和模糊理论的短期负荷预测

电力系统负荷预测是能量管理系统(EMS)的重要组成部分,它对电力系统的运行、控制和计划都有着非常重要的影响,提高电力系统负荷预测的准确度既能增强电力系统运行的安全性,又能改善电力系统运行的经济性,但负荷预测的复杂性、不确定性使传统的基于解析模型和数值算法的模型难以获得精确的预测负荷。为提高电力系统短期负荷预测准确度,构建了一种新型的负荷预测模型。该模型首先采用多层前馈神经网络,以与预报点负荷相关性最大的几种因素作为输入因子,以改进BP算法作为预测算法,来获得预报日相似日负荷曲线;然后引入自适应模糊神经网络,用于预测预报日的最大、最小负荷;针对模糊神经元的权值更新问题,采用一种新的权值更新算法———一步搜索寻优法,在获得预报日相似日各点负荷和最大、最小负荷的基础上,通过纵向变换,对预报日的负荷修正,进一步减小预测误差。用上述模型和算法预测某地区电网的短期负荷,取得了良好的预测效果。     

基于改进长短期记忆神经网络的短期负荷预测

精确的负荷预测是电力系统规划、设计的有力支撑,是电网安全经济运行提供重要保障。实际应用中,存在由于数据采集设备故障、系统突发事件导致相关数据资料不准确从而影响短期负荷预测结果的情况。本文提出基于小波变换的长短期记忆神经网络负荷短期负荷方法WT-LSTM(wavelet transform -long short-term memory),利用小波变换的时频特性对负荷数据的伸缩变换进行细化,实现高频系数量化处理;结合长短期记忆神经网络的梯度计算,提高负荷预测的准确性和可靠性。通过变电站负荷数据以及区域办公楼实验,仿真结果表明本文方法能够有效处理负荷原始数据中的噪声,从而提高负荷预测精度和鲁棒性。     

融合历史数据和实时影响因素的精细化负荷预测

随着智能电网技术的飞速发展,对负荷预测的精度提出了越来越高的要求。融合负荷、天气等多源数据,提出了一种基于数据融合的支持向量机精细化负荷预测方法。首先对负荷历史数据进行聚类分析,将运行日分成六类。然后将负荷数据和温度、湿度等天气数据进行融合,针对六类聚类结果分别建立基于数据融合的支持向量机精细化负荷预测模型,并对模型参数进行全局优化。采用不同的预测模型对浙江省某地级市2013年的负荷进行预测,结果表明所提出的负荷预测方法的预测精度明显高于传统的负荷预测方法的预测精度。     

电力系统短期负荷预测的高木-关野模型研究

电力系统短期负荷预测在电力系统的运行设计中有重要的意义，利用模糊神经网络的方法进行电力负荷预测是国际上近年来很热门的一个方向。本文在传统的BP神经网络基础上，提出了一种短期负荷预测的模糊神经网络模型一高木一关野模型，以某供电局2000年的负荷实测值建立模型，进行了负荷预测，与实际值进行比较分析表明，这一模型应用于短期负荷预测能获得较高的预测精度，具有一定的研究价值。     

Development of very‐short‐term load forecasting based on chaos theory

It is indispensable to accurately perform short‐term load forecasting of 10 minutes ahead in order to avoid undesirable disturbances in power system operations. The authors have so far developed such a forecasting method based on conventional chaos theory. However, this approach cannot give accurate forecasting results when the loads consecutively exceed the historical maximum or are less than the minimum. Electric furnace loads with steep fluctuations are another factor degrading the forecast accuracy. This paper presents an improved forecasting method based on chaos theory. In particular, the potential of the Local Fuzzy Reconstruction Method, a variant of the localized reconstruction methods, is fully exploited to realize accurate forecasting as much as possible. To resolve the forecast deterioration due to suddenly changing loads such as by electric furnaces, they are separated from the rest and smoothing operations are carried out afterwards. The separated loads are forecasted independently from the remaining components. Several error correction methods are incorporated to enhance the proposed forecasting method. Furthermore, a consistent measure of obtaining the optimal combination of parameters to be used in the forecasting method is presented. The effectiveness of the proposed methods is verified by using real load data for 1 year. © 2004 Wiley Periodicals, Inc. Electr Eng Jpn, 148(2): 55–63, 2004; Published online in Wiley InterScience ( www.interscience.wiley.com ). DOI 10.1002/eej.10322     

Risk quantification for ANN based short‐term load forecasting

A new risk assessment method for short‐term load forecasting is proposed. The proposed method makes use of an artificial neural network (ANN) to forecast one‐step‐ahead daily maximum loads and evaluate uncertainty of load forecasting. With ANN as the model, the radial basis function (RBF) network is employed to forecast loads due to its good performance. Sufficient realistic pseudo‐scenarios are required to carry out quantitative risk analysis. The multivariate normal distribution with the correlation between input variables is used to give more realistic results to ANN. In addition, the method of moment matching is used to improve the accuracy of the multivariate normal distribution. The peak over threshold (POT) approach is used to evaluate risk that exceeds the upper bounds of generation capacity. The proposed method is successfully applied to real data of daily maximum load forecasting. © 2008 Wiley Periodicals, Inc. Electr Eng Jpn, 166(2): 54– 62, 2009; Published online in Wiley InterScience ( www.interscience.wiley.com ). DOI 10.1002/eej.20464     

基于GRA-LSSVM的配电网空间负荷预测方法研究

针对配电网空间负荷预测实际应用中容易存在可用信息和数据散杂且经常匮乏的问题,提出了一种基于最小二乘支持向量机的新型配电网空间负荷密度预测算法,以解决预测方法中样本有限、不易识别等问题。同时引入灰色关联分析改善最小二乘支持向量机的样本筛选,并采用混沌粒子群算法完善最小二乘支持向量机的参数选择,提高算法的空间负荷密度预测的精度。在介绍算法原理基础上,详细设计了配电网空间负荷预测方法的实现流程。对该算法的性能进行实例分析表明,所提方法可以有效地提高负荷密度预测的精度。     

UD-IGA网络构造法在短期负荷预测中的应用

电力系统短期负荷预测既是电力系统调度部门制定发电计划的依据,也是制定电力市场交易计划的基础，它对电力系统的运行、控制和计划都有着非常重要的影响。可由于负荷预测的复杂性、不确定性，难以获得精确的预测值。为提高预测精度，针对电力负荷的特点，综合考虑历史负荷、天气、日类型等因素的影响，将基于均匀设计（UD）和改进遗传算法(IGA)的网络构造法用于短期负荷预测。数据样本训练和实际预测结果表明，该模型不仅可避免陷入局部极小点,而且提高了预测精度和网络的训练速度。     

基于PSO-SVM的电力负荷预测

电网的安全经济可靠运行需要电力负荷预测具有较高的精度。尽管支持向量机理论解决电力负荷预测数据小样本,非线性,局部极小点等问题有很大的优势,但支持向量机的参数(c,σ)难以确定最优值。采用带惯性权重的粒子群优化算法(PSO)对支持向量机参数寻优并进行电网短期负荷预测。将预测结果同普通支持向量机和RBF神经网络预测结果对比,结果证明这种方法减少了预测耗时,提高了预测的稳定性和精度。     

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EMD和ELM的短期负荷预测

为了快速、准确预测具有随机性的电力负荷,引入经验模式分解和极限学习机组合负荷预测算法。首先,利用EMD将非平稳负荷序列分解成一系列相对平稳的分量,减少不同负荷影响因素间的相互影响;然后针对各分量的不同特性,利用ELM具有预测能力强、计算时间短、计算准确性高等特点建立不同的预测模型,分别预测各分量值;最后组合ELM预测的各分量值,得到最终预测结果。仿真算例表明,EMD和ELM组合预测方法较传统单一神经网络方法在短期负荷预测精度和运算时间方面具有其独特的优势。     

一种电力系统短期负荷预测网络信息系统

在应用BP神经网络对电力系统进行短期负荷预测的基础上，设计了基于三层C／S网络信息结构的电力系统短期负荷预测系统，并给出了一种具体的实现方法。该方法使用户可以通过在线方式浏览历史数据，查看预测结果并分析市场走势，通过预测系统，客户能够根据负荷值采取相应措施，最大程度减少损失并获得较高利润，该系统目前用于预测美国加州电力系统负荷，随着国内电力市场的开放，也用于预测山东，浙江等省的负荷，该方案采用的先进计算机技术和体系结构保证了系统的良好性能。     

结合支持向量机和马尔可夫链算法的中长期电力负荷预测模型

中长期电力负荷预测具有可利用的历史数据较少和受外界不确定性因素影响较大的特点,传统的单一预测模型很难满足生产实际的需要。在简要分析了支持向量机和马尔可夫链各自优势的基础上,提出了一种基于支持向量机和马尔可夫链的组合负荷预测模型。通过经改进的粒子群算法优化的支持向量机对历史负荷序列进行粗预测,接着借助马尔可夫链确定负荷序列的状态转移概率矩阵,通过划分系统状态以及分析实际值与支持向量机拟合值的相对误差,得到最终的预测结果。实际算例验证了该模型的有效性和优越性。     

基于模式识别的自适应短期负荷预测系统

短期电力负荷预测是电力调度部门制定发电计划的依据,预测系的灵活适应性是实现电网经济运行的重要保证。在分析影响日电力负荷主要因素的基础上,给出了用于日荷预测的负荷模式定义,基于海明距离给出了负荷模式相拟度的计算方法,有效实现了预测负荷所需要的历史负荷模式样本的抽取。利用人工神经网络实现由历史负荷模式到预测负荷的映射。基于C＋＋面向对象的程序设计方法开发了一套灵活的智能自适应短期预测系统。多个用户的应用结果表明,本系统具有很好的实用性和满意的预测结果。     

改进模糊神经网络在负荷预测中的应用研究

电力系统短期负荷预测是电网调度中一项重要的工作,精确的负荷预测可以为调度员提供必要的基础数据,电网运行安排也都是以负荷预测的数据作为根据。利用人工神经网络可以任意逼近非线性系统的特性,将其用于短期负荷预测。研究了改进的误差反向传播算法——动量及自适应lrBP的梯度递减训练算法,预测结果表明比标准BP算法具有更好的性能。同时,针对大量无法用精确数值来量化的信息的影响,引入模糊理论的方法,定义了不同的隶属度函数,模糊化后输入到网络中进行训练和预测,结果表明其精度比输入量非模糊化的人工神经网络更高。     

Electricity peak load forecasting with self‐organizing map and support vector regression

This paper aims to study the short‐term peak load forecasting (PLF) by using Kohonen self‐organizing maps (SOM) and support vector regression (SVR). We first adopt a SOM network to cluster the input data set into several subsets in an unsupervised learning strategy. Then, several SVRs for the next day's peak load are used to fit the training data of each subset in the second stage. In the numerical experiments, data of electricity demand from the New York Independent System Operator (ISO) are used to verify the effectiveness of the prediction for the proposed method. The simulation results show that the proposed model can predict the next day's peak load with a considerably high accuracy compared with the ISO forecasts. © 2006 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

基于典型代表电站和改进SVM的区域光伏功率短期预测方法

准确的区域光伏功率预测作为解决光伏并网消纳和多能互补问题的技术之一受到越来越多的关注,提出一种基于典型代表电站和改进支持向量机(SVM)的区域光伏功率短期预测方法.通过K-means聚类将同一地区光伏电站划分到不同汇聚区,使用历史数据和3种数学相关系数计算得到各汇聚区典型代表电站,并通过4类光伏功率指标分析各典型代表电站与汇聚区的一致性,基于此,以改进SVM代替传统的滚动预报形成区域功率预测模型.实际算例分析表明,所提方法可提升区域光伏功率短期预测精度.