基于粒子群优化方法的短期电力负荷组合预测

短期电力负荷预测是实现电力系统安全、经济运行的基础,其准确性对电力系统运行的可靠性、经济性都有重要意义。本文在灰色模型、ARIMA模型以及指数平滑族模型的基础上,提出了一种基于以上三种模型的组合预测模型,并用粒子群优化算法对其组合权重系数进行了优化。对澳大利亚新南威尔士州2011年9月实际电力负荷数据进行实例分析,其结果表明本文提出的组合模型确实能够提高短期电力负荷预测的精度。     

基于贝叶斯优化的CNN-GRU短期电力负荷预测

为了提高短期电力负荷预测精度,针对负荷数据时序性与非线性的特点,提出一种基于贝叶斯优化的CNNGRU短期电力负荷预测模型。首先,将电力负荷数据按时间滑动窗口构造连续特征作为输入,采用CNN对负荷数据进行特征提取,将特征以时序序列方式作为GRU网络输入;然后通过GRU网络进行短期负荷预测,构建CNN-GRU预测模型。针对CNN-GRU模型易陷入局部最优以及超参数寻找难的问题,利用贝叶斯优化寻找最优超参数组合,对模型进行超参数优化,构建贝叶斯优化的CNN-GRU短期电力负荷预测模型。实验结果表明,贝叶斯优化的CNN-GRU模型的MAE值比传统的CNN-GRU网络模型降低58%,精度提升1.23%,说明所提模型能够有效提高负荷预测精度,可作为短期电力负荷预测工具。     

基于单因素与多因素灰色理论在电力负荷预测中的对比分析

电力一直是中国的重要基础产业和公用事业,电力系统负荷预测作为电力规划、投资、生产、调度和交易等工作的基础?在电力安全和经济运行中发挥着至关重要的作用,由于电力负荷增长的不确定性和非线性,因此很难对其进行准确的预测?本文针对电力负荷预测的难题,讨论基于灰色理论的两种预测模型,即单因素负荷预测与多因素负荷预测,笔者搜集了10年的社会用电数据,通过不同结构的用电量数据,分别建立基于多因素与单因素的GM(1,1)用电负荷预测模型。最后,分析并对比了基于多因素与单因素的灰色模型预测误差,基于多因素与单因素的电力负荷预测结果表明,基于多因素与单因素两个模型预测平均误差均小于5％,但本文推荐使用基于多因素的负荷用电预测模型,因为其结果更为精确,最大平均误差仅为15.7%,上述研究对于完善灰色预测理论,丰富电力负荷预测手段均具有十分重要的现实意义。     

野草算法和支持向量机相融合的短期负荷预测

短期负荷受到天气、季节的综合影响,具有一定的混沌性,为了准确描述短期负荷的变化趋势,以提高预测精度,提出一种野草算法和支持向量机相融合的短期负荷预测模型(WA-SVM)。首先收集大量的短期负荷历史数据,并对它们进行混沌分析和处理,建立支持向量机的训练和测试样本集;然后采用支持向量机建立短期负荷预测模型,并通过野草算法找到支持向量机最优参数;最后采用短期负荷预测仿真对比实验测试其性能。结果表明,WA-SVM获得了比其他模型更高的短期负荷预测精度,为短期负荷建模与预测提供了一种新的研究方法。     

变参数QPSO算法优化神经网络的短期电力负荷预测

为了提高电力负荷预测精度,提出了一种变参数量子粒子群(VPQPSO)算法优化RBF神经网络的短期负荷预测模型(VPQPSO-RBFNN)。首先利用电力负荷的混沌性,对短期负荷时间序列进行相空间重构;然后采用变参数QPSO算法优化RBF神经网络参数对重构后的短期负荷时间序列进行学习,建立短期电力负荷最优预测模型;最后采用对某地区短期电力负荷进行预测。VPQPSO-RBFNN可以准确描述复杂多变的电力负荷变化趋势,提高了电力负荷的预测精度,仿真结果验证了VPQPSO-RBFNN可以用于电力系统负荷预测。     

基于改进灰色模型的电力负荷可靠性预测系统设计与实现

针对传统时序数据预测方法难以准确预测电力负荷数据的问题,文中设计了一种基于改进灰色模型的电力负荷可靠性预测系统.在历史数据样本容量小的条件下,将灰色模型选为负荷预测的基础模型,在考虑气象因素的基础上,采用残差修正法与马尔科夫法改进灰色模型,修正电力负荷的预测值并通过Matlab实现预测算法.同时利用MySQL作为数据库...     

基于SFO-GRU模型的短期负荷预测

为提高短期负荷预测精度,提出一种基于旗鱼优化算法(SFO)和GRU神经网络的短期负荷预测模型.通过使用负荷、气象等真实数据对GRU神经网络的权重参数进行训练并建立GRU预测模型,同时采用旗鱼优化算法(SFO)优化GRU模型的迭代次数、学习率和隐藏层神经元数量,仿真实验结果表明,与BP、LSTM等经典预测模型相比,SFO...     

灰色预测模型的系统动力学仿真

针对灰色预测模型的仿真拟合问题展开研究,运用系统动力学方法,针对GM(1,1)模型、DGM模型、NDGM模型等3种灰色预测模型进行系统动力学分析,研究了这3种模型的拟合预测效果。结果表明,GM(1,1)模型的白化形式在拟合预测原序列时偏差较大;DGM模型是齐次指数序列的精确模拟,NDGM模型是非齐次指数序列的精确模拟;在对近似非齐次指数序列进行拟合时,NDGM模型的拟合效果明显优于其他模型。此外,将反馈的观点引入灰色模型,使得系统动力学仿真方法成为灰色预测建模的辅助工具,有利于灰色预测模型的拓展与完善。     

基于灰色预测算法的图情数据分析技术

灰色预测是图情数据预测分析的常用算法之一,但传统的灰色预测模型在预测低光滑性数据序列时准确率低。针对此问题,文中提出了一种差值加权光滑处理方法,并采用欧拉修正的方式弥补误差。将改进后的灰色预测模型在某图书馆借阅数据库上进行测试,测试与分析结果表明,该模型预测结果相对误差的方差由0.32减至0.142,平均相对误差绝对值减小了4.458%。改进的灰色预测模型能够处理光滑度较低的图书馆借阅数据,并准确地对其进行预测,为图书馆优化工作效率与信息化建设提供支撑。     

基于ANN和残差修正的电力系统短期负荷预测

提出了一种人工神经网络与灰色理论模型相结合的综合预测方法。在神经网络结构设计中分别选取带有横向和纵向特征的负荷作为输入，并充分考虑气候敏感因素及特殊负荷日的影响。在分析预测差值的基础上，将灰色理论残差校正模型运用到预测结果的修正当中去。算例表明所提出的方法提高了预测精度。     

考虑概率区间的微电网短期负荷多目标预测方法

微电网负荷随机性强、波动大,负荷单点预测已经难以满足微电网稳定运行需要.提出一种考虑概率区间的微电网短期负荷多目标预测方法,以循环神经网络为预测模型,以逼近理想解排序策略、网格筛选策略对基本多目标人工蜂群算法进行改进,优化循环神经网络的权值和阈值,避免单目标区间预测中惩罚系数难以选择的问题,对历史负荷数据进行记忆并修正预测结果,有效提高微电网短期负荷区间预测准确性与可靠性.仿真结果表明,本文所构建的考虑概率区间的微电网短期负荷多目标预测方法,预测性能优越、结果准确,可为微电网安全经济调度提供决策依据.     

基于气象因素敏感模型的短期电力负荷预测

为了充分考虑地区电网短期负荷易受气象因素影响的特点,提出了一种具有天气敏感性的基于快速BP算法的神经网络预测模型,模型中合理地考虑了影响负荷变化的主要气象因素,使其能够适应天气的变化。通过对咸阳地区电网的仿真预测,证明了天气因素敏感模型应用于地区电网短期负荷预测后使预测精度明显提高,故建立的模型是可行和有效的。     

基于MRA+LMBP模型对电力系统短期负荷预测的研究

电力系统负荷预测是实现电力系统安全、经济运行的基础,有着重要的意义。以某地区购网有功功率的负荷数据为背景,给出了小波神经网络——MRA(小波多分辨率分析) LMBP(L-M优化算法的BP模型)组合负荷预测模型对电力系统短期负荷进行预测。仿真结果证明组合模型比单纯使用神经网络负荷预测模型提高了预测精度,尤其是在一定程度上提高了每日峰值负荷的预测精度,具有良好的应用前景。     

基于双层XGBoost算法的台区用户超短期负荷预测

台区用户超短期负荷预测的影响因素较多,使得预测结果准确率有所下降,文中提出基于双层XGBoost算法的台区用户超短期负荷预测方法。利用双层XGBoost算法构建超短期负荷预测模型,使用双层协同校正方法校正模型的基准层与实时层。充分考虑超短期负荷预测的影响因素,选取相似负荷向量构成低秩矩阵,使用非线性插值方法填充缺失值,以此实现模型求解,得到台区用户超短期负荷预测结果。由实验结果可知,该方法的预测准确率最高值为99.15%,均方根误差最小值为0.02,预测结果更为精准。     

基于CEEMD-ITSA-BiLSTM组合模型的短期负荷预测

准确预测电力系统短期负荷有助于灵活规划系统资源、合理安排机组工作调度以及提高系统运行效率。针对负荷预测精度问题,文中提出了一种基于CEEMD-ITSA-BiLSTM(Complete Ensemble Empirical Mode Decomposition-Improved Tunicate Swarm Algorithm-Bidirectional Long Short-Term Memory)的短期负荷预测模型。对时序性负荷数据进行CEEMD分解,得到若干个平稳的IMF(Intrinsic Mode Function),并对每个IMF进行BiLSTM建模预测。为了提高BiLSTM的精度,采用ITSA算法对BiLSTM的隐含层节点数、学习率和训练次数等超参数进行参数寻优,建立CEEMD-ITSA-BiLSTM负荷预测模型。文中以实际负荷数据进行仿真实验,对比了单一BiLSTM和不同算法优化的BiLSTM模型,结果表明CEEMD-ITSA-BiLSTM模型的RMSE(Root Mean Square Error)、MAE(Mean Absolute Error)和MAPE(Mean ...     

基于灰色组合模型的装备故障间隔时间预测研究

针对装备故障预测模型难以精确建立的特点,为提高故障间隔时间预测的准确度,提出了一种基于灰色组合模型的预测方法。该方法首先简化装备故障的阶段与属性,形成合理的建模背景;然后在引入灰色预测模型的基础上,按阶段建立了灰色线性回归模型和灰色马尔可夫组合模型,对装备故障间隔时间进行预测;最后计算预测值与真实值的误差,根据预测值基本确定下次故障发生的时间。经实例计算表明,在样本数据有限的情况下,根据不同故障阶段的特点,选用与被预测数据属性相应的灰色预测组合模型,可以有效降低预测误差,提高预测精度,预测结果可以作为装备保障人员早期拟订维修决策之用。     

基于多尺度分析的电力月负荷预测

介绍了小波分析原理及多尺度分析法。根据月度负荷的增长和波动趋势，利用多尺度分析法将月度负荷序列进行分解，采用灰色理论法和神经网络法对序列进行预测，建立了优化预测模型，该模型优于只考虑单一发展趋势的负荷预测模型。计算结果表明，该方法可以明显提高月度负荷预测的精度。     

基于PSO-RBF的短期电力负荷预测模型

精确的短期负荷预测对电网经济运行至关重要。为了提高电力系统负荷的预测精度,提出一种基于相似日和PSO优化RBF神经网络的短期负荷预测方法。该方法以RBF神经网络为短期电力负荷预测的基础算法,结合灰色关联分析法、K-means算法,通过DBI指数筛选出相似日集合,进一步结合PSO对RBF神经网络的参数进行优化。结果表明,所提方法预测精度优于单一RBF神经网络方法,在K-means算法选取的相似日基础之上,PSO-RBF预测模型的MAPE仅为0.77%,能精准预测待预测日负荷值,使其具有更广泛的应用价值。     

基于灰色理论的电力监控数据多因素预测模型

电力是关系国计民生的重要基础产业和公用事业。电力系统负荷是重要电力监控数据,其作为电力规划、投资、生产、调度和交易等工作的基础,在电力安全和经济运行中发挥着至关重要的作用。随着大数据技术的发展,大数据技术被广泛的应用在电力负荷预测上,大数据技术的应用前提是需要海量的相关数据,对数据量要求较高。为分析处理缺少样本信息的灰色系统理论可以弥补大数据此方面的缺陷。我国电力负荷,既有逐年增长的确定性,又有随机变化的不确定性,可以视为典型的灰色系统,适合使用灰色模型建模预测。本文提出采用多因素的GM(1,1)优化模型,分析了10年的社会用电结构,并以不同结构的用电力监控数据为基础,建立并检验了基于有限电力数据多因素的灰色预测模型。全社会不同结构电力负荷预测结果表明,该模型预测的最大误差小于4.8%,预测结果证明了该模型的有效性和可用性。上述研究对于丰富电力负荷预测手段,弥补传统大数据技术在负荷预测方面需求数据量较高局限性均具有十分重要的现实意义。     

基于改进Leslie矩阵的人口灰色预测模型

在简要分析人口增长因素的基础上,尝试将出生率,婴儿死亡率和死亡率纳入Leslie矩阵预测模型的控制标量,不确定性因素纳入灰色预测模型中,两种方法的优点相结合得到合成模型即Leslie矩阵灰色预测模型。通过对南京市人口预测进行实证分析,结果表明:预测效果比传统Leslie矩阵和灰色预测效果要好,拟合精度最高,预测精度有效地控制在5%之内。该模型拓宽了灰色预测模型在人口学中应用,对人口的科学预测具有一定的意义。