基于粗糙集理论的关联聚类中长期负荷预测法

中长期电力负荷预测是电网规划的一项重要基础工作.由于中长期尺度上的电力负荷受各种相关因素的影响较大,提高负荷预测的准确性难度很大.采用粗糙集理论对影响电力负荷的诸多相关因素的影响程度进行分析,找出影响负荷变化的主要的因素;并以这些影响因素对历史数据进行了聚类,找到与预测目标年最接近的类别来进行负荷预测.文中的算例结果说明了方法的有效性.     

经济新常态下基于Verhulst-SVM的中长期负荷预测模型

经济新常态背景下,电力系统中长期负荷预测面临着很多新问题,例如:GDP、人口等电力负荷影响因素呈"S"型曲线增长、电力负荷影响因素与电力负荷之间的不确定性增加、历史样本数量少等。为此,提出一种基于Verhulst-SVM的中长期负荷预测模型。首先,从经济新常态特征中提取影响电力负荷的主要因素,并分析各影响因素的发展趋势;然后,利用Verhulst模型对"S"型曲线增长的电力负荷影响因素进行预测,并采用支持向量机(Support Vector Machine,SVM)替代线性回归预测模型,实现小样本、高不确定性条件下中长期负荷高精度预测。最后,通过天津市2015年和2016年的负荷预测算例,验证了所提模型的精度和可靠性,可为经济新常态背景下中长期负荷预测提供借鉴。     

基于粗糙集和多元线性回归的电力系统中长期负荷预测

基于粗糙集理论和多元线性回归模型,提出一种预测电力系统中长期负荷的新方法。首先采用一种完备的属性约简算法对影响电力负荷的诸多相关因素进行约简,得到与负荷关系最为密切的核心因素。在此基础上,建立多元线性回归模型来预测未来年的负荷。对一个实际电网的负荷进行预测,结果表明所提方法符合中长期负荷预测的特点并具有较高的预测精度。     

神经网络预测中长期电力负荷对比研究

为避免传统方法预测中长期电力负荷建模的复杂性,根据电力负荷历史数据,研究了基于LM算法的BP网络、RBF网络在中长期电力负荷预测中的应用,通过神经网络对训练样本的学习,自动提取影响中长期电力负荷的诸多因素。从训练速度、预测误差等方面分析对比了两种神经网络预测能力,仿真和实例数据表明了两种神经网络在中长期电力负荷预测方面的可行性和良好效果。     

区域电力负荷中长期预测复杂性研究

为了解决我国各个地区电力需求区域性、结构性波动的问题,保持国民经济和区域经济的持续健康发展,创新性地将区域电力负荷中长期预测作为一个系统研究,并从4个方面对其复杂性进行分析。描述了区域电力需求的系统构成,分析了区域中长期电力负荷预测的影响因素和复杂性特征,提出区域电力负荷中长期预测复杂性测度模型。     

神经网络预测中长期电力负荷对比研究

为避免传统方法预测中长期电力负荷建模的复杂性,根据电力负荷历史数据,研究了基于LM算法的BP网络、RBF网络在中长期电力负荷预测中的应用,通过神经网络对训练样本的学习,自动提取影响中长期电力负荷的诸多因素.从训练速度、预测误差等方面分析对比了两种神经网络预测能力,仿真和实例数据表明了两种神经网络在中长期电力负荷预测方面的可行性和良好效果.     

基于多变量时间序列反演自记忆模型的中长期电力负荷预测

电力负荷预测的复杂性、非线性使传统的中长期预测模型难以获得精确的结果。为了提高中长期电力负荷预测准确度,构建了多变量时间序列反演自记忆模型。该模型使用灰色关联分析选取电力负荷变化主要影响因素,采用主要影响因素对电力负荷自身变化过程进行动力方程反演,并结合自记忆模型,实现对电力负荷数据的拟合与预测。在提高预测精度的同时,使预测结果最大程度地体现历史电力负荷数据的内在变化规律,提高拟合和预测的稳定性。为了验证模型的效果,使用1986—2002年某地区全社会用电量数据作为训练样本,进行拟合分析,并预测2003—2006年全社会用电量。拟合和预测的结果证明了该模型在中长期负荷预测中的有效性和可行性。     

区域电力负荷中长期预测复杂性研究

为了解决我国各个地区电力需求区域性、结构性波动的问题,保持国民经济和区域经济的持续健康与又快又好发展,创新性地将区域电力负荷中长期预测作为一个系统研究,并从四个方面对其复杂性进行分析.首先描述区域电力需求的系统构成,然后分析区域中长期电力负荷预测的影响因素和复杂性特征,最后提出区域电力负荷中长期预测复杂性测度模型.结论...     

农村电网中长期负荷预测方案探析

在农村电网的发展规划中,中长期负荷预测具有十分重要的地位;随着电力负荷的不断增长,进行农村电网的中长期负荷预测显得更加必要。本文首先对电力负荷预测的相关概念进行了介绍,重点研究了农村电网中长期负荷预测的几种常用方法,并分析各自的优缺点。     

基于迁移学习的中长期电力负荷预测

由于时间跨度大并受多种复杂因素影响,电力系统中长期负荷预测需要从大量数据中挖掘负荷特性及影响因素,实际应用中常常面临数据不足的问题。提出基于迁移学习的中长期负荷预测以降低样本不足对预测精度的影响,模型将源地区电力负荷及社会经济因素数据样本进行迁移以扩充目标地区数据集,通过隐变量描述不同源地区的特征,继而对目标地区和源地区建立集成模型进行预测。通过实际算例进行验证,所提出的模型能有效降低中长期负荷预测的误差。     

基于人工神经网络和模糊集的电力系统短期负荷预测方法

综合考虑到温度、日期类型和天气等因素对短期电力负荷的影响,提出了一种将人工神经网络(ANN)RBF模型和模糊逻辑相结合的短期负荷预测方法.该方法将电力负荷分为周期性的基本负荷和受多种因素影响的变动负荷两部分,对于周期负荷用ANN进行预测,采用负荷预测中比较精确的RBF算法;变动负荷采用模糊逻辑对天气因素、温度、日期类型分别做不同的模糊处理,然后利用模糊推理规则对基本负荷预测结果进行修正.通过典型算例与普通BP法预测结果相比较,结果表明该方法具有较高的预测精度.     

基于相关因素映射和神经网络的短期负荷预测

由于气象因素对电网负荷影响巨大,在进行短期负荷预测时必须考虑气象因素的影响。在处理负荷与相关因素之间的非线性关系时,神经网络具有其自身的优势,而如何量化不同量纲的相关因素对电网负荷的影响是一个难题。本文提出了一种基于相关因素映射和神经网络的短期负荷预测方法,训练结果表明,这种方法较传统的人工神网络预测方法精度有所提高。     

基于经验模式分解与因素影响的负荷分析方法

提高预测精度需要准确把握负荷变化规律和环境因素影响,但目前的分析方法多存在依赖主观经验,且对因素影响分析不深入的问题。为此,提出一种基于经验模式分解(empirical mode decomposition,EMD)和因素影响的负荷分析新方法。利用EMD的自适应性,自动地将目标负荷序列分解为若干个独立的内在模式,可克服依赖主观经验的缺点。再利用多个指标从不同方面分析它们的规律特性。通过各分量与各影响因素的相关分析,深入挖掘各因素对各分量的影响情况。归纳出构成负荷的不同成分,并详细论述其特性。实例研究说明该方法可很好地分析负荷特性及因素影响。     

A new method for short-term load forecasting based on fractal interpretation and wavelet analysis

Load forecasting based on fractal interpolation is a very important method. However, traditional methods exists several disadvantages such as vertical scale factor difficult to calculate, low-precision, difficult to use. Therefore, a method is proposed combined with self-similarity theory and fractal interpolation theory to solve the above problems. In this paper, the self-similarity of electrical load historical data is analyzed using multi-resolution wavelet firstly, then use the Hurst parameter values to calculate vertical scaling factors in Iterative Function Systems (IFS) based on the values of Hurst parameter. The vertical scaling factors can be used to get the other parameters of IFS affine transformation. Then the electrical load forecasting curve was generated by the iterations system. According to the actual needs of electricity production, this algorithm was used to forecast electrical load from two aspects: fractal interpolation and fractal extrapolation, and the average relative errors are only 2.303% and 2.296%, in the case of only six interpolation points for the entire set of forecast data. The result shows this algorithm has advantages of high-precision, less-sample demands, less-interpolation points and easy to use.     

电力系统短期负荷预测方法综述

从短期负荷预测在能量管理系统中的重要作用出发,对负荷的特性、负荷预测的建模要求、影响模型预测精度的因素、各预测模型的原理、预测模型的改进方法以及能量管理系统中负荷预测模块的软件实现作了概述。     

体感温度滚动预报系统及在湖南电网短期负荷预测中的应用

对影响局部地区气温变化的10多个因子作了较为详尽的分析研究,通过对湖南不同地理位置有代表性的气象观测资料的分析对比,找出了湖南不同地点的主要温敏因子,最终建立了湖南14个地市的48 h气温及体感温度滚动预报系统,其产品可及时输入湖南电力短期负荷预测系统,对提高预测准确率起到重要作用。     

基于多因子考虑的地区电网电采暖负荷预测分析

冬季电采暖可以有效促进新能源的消纳,减少弃风、弃光现象.然而,大规模电采暖设备产生的谐波会影响电网质量,因此有必要对电采暖负荷进行分析和预测,以利于电网调度及安全运行,缓解电力系统负荷调峰和调频压力.为预测电采暖负荷,以某地区电采暖实际负荷为例,分析了影响电采暖负荷变动的4个因子即稳定负荷因子、气象敏感因子、随机负荷因...     

提高时间序列气象适应性的短期电力负荷预测算法

采用时间序列中的自回归求和移动平均算法(ARIMA)对日负荷进行粗预测,获得消除了周期性的受气象因素影响较强的差值序列。结合气象信息,为小规模神经网络构造能反映气象变化的新息序列,为网络提供良好的训练与适应环境,训出对气象非平稳变化敏感的输出因子Y,再用敏感因子对ARIMA算法的预测结果进行修正,从而构建出对气象适应性较强的ARIMA Y的预测算法。利用Delphi5．0实现的负荷预测软件对广西负荷区进行预测,多年的运行证明：该算法对广西负荷区气象非平稳变化具有很好的敏感性和适应性,能显著提高气象非平稳变化日的预测准确率,较好地解决了在气象变化影响下用ARIMA算法预测准确率偏低的问题。     

一种内蕴误差评价的负荷预报方法

提出了一种基于内蕴误差评价的电力系统短期负荷预报方法。该方法建立在对负荷规律性和预报方法有效性全面评估的基础上,使预报和误差评价融于一体。运用该方法可以有效地诊断导致预报误差的主要因素,并在预报前估计预报误差的上下限,从而对发掘提高负荷预报准确度的潜力有所帮助。实例表明,该方法应用于短期负荷预报和预报精度评价是有效的。     

超短期负荷的聚类分析及其变化情况预测

电力系统的超短期负荷值及其变化情况对系统调度具有重要意义,提出了一种优化的聚类算法对超短期负荷在一天中的变化情况进行归类并预测。由于模糊C均值聚类对初始聚类中心敏感,不能准确收敛于全局最优解,加入蚁群聚类,从而自动获得最佳聚类数目,采用模糊神经网络对聚类结果（负荷值的变化情况）进行预测。通过对相似日（非负荷因素如经济、气象等相似）的历史数据仿真实验,验证算法的合理性、有效性,为日后负荷调度提供决策依据。