重庆地区中长期负荷特性和预测方法研究

对于存在多个影响因素的中长期电力负荷,采用常规灰色模型GM（1,1）进行中长期预测不能获得较好的预测精度。提取了中长期负荷主要影响因素之一的生产总值和年总用电量建立了多变量灰色预测模型MGM（1,2）。为进行比较分析,同时还建立了常规灰色GM（1,1）模型。预测结果显示,多变量灰色模型MGM（1,2）的预测精度优于常规灰色模型GM（1,1）。     

粒子群优化的神经网络模型在短期负荷预测中的应用

为了提高电力系统短期负荷预测精度,针对传统径向基函数（RBF）神经网络在负荷预测中存在的问题,提出一种新的预测模型：粒子群优化的RBF神经网络模型。粒子群算法是一种新的全局优化算法,有很强的全局寻优能力,用它来优化RBF神经网络的权值,并用优化好的RBF网络进行负荷预测。仿真在虚拟仪器LabVIEW和Matlab软件平台上进行,结果表明该预测模型精度高于传统RBF神经网络模型,具有一定实用性。     

非线性动态模型在电力负荷预测中的应用

根据电力系统负荷变化的特点,采用非线性GM（1,1）模型与动态GM（1,1）模型相结合的非线性动态GM（1,1）模型对其进行预测。通过实例分析与检验,证明NLDGM（1,1）模型比传统GM（1,1）模型与NLGM（1,1）模型精度更高、误差更小、预测效果更好。所以,该预测模型具有一定的应用价值。     

广西电网短期负荷预测及其数学模型

介绍一种适合广西电网短期负荷预测的数学模型,对广西电网普通日负荷预测采用时间序列分析预测模型（每日24个点,整点采集）进行预测,对于非周期性变化,或周期性变化趋势不明显的年,月,日的最大负荷,最小负荷,周末,节假日整点负荷,采用灰色理论中的GM（1,1）模型和GM（1,1）改进模型来进行预测。在广西电网电力负荷预测应用中取得了较好的结果。     

基于WD-LSSVM-LSTM模型的短期电力负荷预测

为了提高短期负荷预测精度,提出一种基于小波分析、粒子群优化(PSO)算法、最小二乘支持向量机（LSSVM）和长短时记忆网络（LSTM）的预测模型。该方法通过对用电负荷进行小波分解和重构得到与原始数据长度相同的分量,对低频分量建立LSSVM预测模型并利用PSO算法找出最优参数,对高频分量建立LSTM预测模型,将各分量预测结果组合实现最终的负荷预测。实验结果表明,该模型预测精度优于传统LSSVM模型、BP神经网络模型和WD-LSSVM模型,验证了其可行性。     

基于自适应粒子群优化的SVM模型在负荷预测中的应用

为了提高电力系统短期负荷预测精度,针对传统支持向量机(SVM)模型在负荷预测中存在的参数的选取问题,提出一种新的预测模型:用改进的自适应粒子群优化算法寻求SVM模型的最优参数。经典粒子群算法是一种全局优化算法,在此基础上提出改进的粒子群算法（FAPSO）并对其进行收敛性测试,将基于改进粒子群算法FAPSO优化的SVM模型用于短期电力负荷预测。实例仿真结果表明该预测模型精度高于传统SVM预测模型,具有一定实用价值。     

灰色理论在负荷预测中的应用与分析

根据各种应用实例分析原始数据量及原始数据的累积加次数对ＧＭ（１,１）,模型的影响,针对ＧＭ（１,１）模型在电力负荷预测中存在的问题,提出利用ＧＭ（１,１）,模型残差信息建模来缩小预测误差的方法,并指出依据原始数据的不同特点来选择不同的预测模型以期获得更佳的预测结果。     

改进灰色模型在电力负荷预测中的应用

灰色GM（1,1）模型是一种较有效的负荷预测模型,然而由于电力负荷具有多样性,导致对某些变化规律的负荷预测误差较大,精度不能满足要求,在实际应用中具有一定的局限性。对灰色GM（1,1）模型进行必要的改进,利用等维新信息递推模型进行负荷预测,通过实例分析表明,可提高预测的精度。     

基于贝叶斯神经网络的短期负荷预测应用研究

针对标准反向传播(back propagation,BP)神经网络负荷预测精度不高的缺点,提出利用贝叶斯正则化算法来改善模型的泛化能力,根据河源电网负荷容易受天气影响等特点,给出一种分层的贝叶斯神经网络预测模型,预测结果表明,新的模型具有更好的泛化能力,应用效果良好,提高了负荷预测准确率。     

基于径向基神经网络和自适应神经模糊系统的电力短期负荷预测方法

针对实时电价对短期负荷的影响,建立了径向基（RBF）神经网络和自适应神经网络模糊系统（ANFIS）相结合的短期负荷预测模型.该模型利用RBF神经网络的非线性逼近能力对不考虑电价因素的预测日负荷进行了预测,并根据近期实时电价的变化,应用ANFIS系统对RBF神经网络的负荷预测结果进行修正,以使固定电价时代的预测方法在电价敏感环境下也能达到较好的预测精度,克服了神经网络在电力市场下进行负荷预测时存在的不足.某电网实际预测结果表明,该方法具有较好的预测效果.     

采用长短期记忆深度学习模型的工业负荷短期预测方法

工业负荷不同于其他电力负荷, 受气温、时间、人口等外部因素的影响较小, 其功率需求主要由相关企业的生产计划来决定。在电力市场环境下, 准确的负荷预测有助于工业用户更好地制定电力交易策略, 从而增加收益。在此背景下, 基于改进的长短期记忆（long short term memory, LSTM）深度学习网络模型, 提出了一种工业负荷短期预测算法。首先,在网络层次上构建层数更多即网络层次更深的LSTM深度学习负荷预测模型。接着, 在每个LSTM单元构成的隐含层中, 采用Dropout技术对神经元进行随机概率失活, 并通过正则化有效避免深度学习过拟合问题并改善了模型性能。然后, 采用真实的工业用户历史负荷数据对所提算法进行测试, 并与已有的短期负荷预测算法进行对比, 包括自回归滑动平均模型 （auto-regressive and moving average model, ARMA）, 最邻近回归算法 （K nearest neighbor regression, KNN） 以及支持向量回归算法 （support vector regression, SVR）。仿真结果表明, 所提深度学习工业负荷短期预测算法相比于一些现有方法, 其预测准确度有明显提升,预测结果的平均绝对百分误差（mean absolute percentage error, MAPE）在9%以下。     

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。     

负荷预报中负荷规律性评价方法的研究

负荷预报是一个历久不衰的研究课题,以往的研究主要集中于预报方法,而缺乏对负荷自身变化规律的分析和评价。这不仅导致了难以公允地评价负荷预报方法,也使运行部门对负荷预报所提出的精度要求缺乏客观依据,该文阐述了评价负荷规律性的必要性,并建立了相应的评价方法,文中分析了负荷历史数据,负荷预报以及预报误差之间的关系,构建了一种基于统计分析的负荷规律性评价方法。在此基础上,建立了预估负荷预报误差极限的分析方法,运用所提出的方法对负荷变化的规律性进行评价,不仅可以客观地评价负荷预报方法的优劣,还可以根据不同负荷的规律性确定切实可行的负荷预报精度要求,文中给出的算例说明了方法的有效性。     

基于条件熵的电力负荷组合预测模型

每个电力负荷预测模型各有特色,又有其局限性。针对单个模型的局限性,提出一个基于条件熵的组合预测模型,以便结合各个模型的优点,克服其不足。该模型用条件熵度量各个电力负荷预测模型的精度,条件熵越小,表明预测精度越高。然后对条件熵进行模糊评判,对条件熵小的模型赋予较大的权重,条件熵大的模型赋予较小的权重,以此建立一个电力负荷组合预测模型。实例应用表明,就6个误差指标而言,该文提出的组合模型可以进一步提高预测精度。     

基于专家评分机制的模糊综合评判法在电力系统负荷预测中的应用

针对目前电力系统单一负荷预测模型的不足之处,研究了结合各种单一预测模型优点组合预测方法。对基于模糊综合评判的组合预测模型进行了改进,从不同评价因素出发,把专家评分机制和模糊隶属函数结合起来用于各个单项模型的综合评价,可以充分利用专家的知识和预测人员的经验,有效地处理电力系统负荷预测的不确定性和模糊性,提高电力系统负荷预测的精度。最后用一个某地区的实例验证了该方案的可行性和正确性。     

地区电网日负荷特性分析及预测方法研究

夏季负荷波动大,预测难度较大。如何提高日负荷预测精度,成为调度部门迫切需要解决的一项重要任务。为有效提高夏季日负荷预测精度,对成都电网日负荷特性进行了深入研究。借鉴电力系统分析中的标幺制理论,将日负荷曲线解析为标幺负荷曲线与最大负荷。针对两者不同的变化特征和影响因素,分别引入与之匹配的自适应指数平滑法和基于模糊聚类的径向基函数(RBF)神经网络法,为负荷预测精度的提高提供了有效的解决途径。实例计算证明,该方法可获得理想的预测效果,能为调度部门提供负荷预测的决策依据。     

基于Prophet与XGBoost混合模型的短期负荷预测

准确有效的预测电力负荷对电网的安全稳定运行具有重要的参考价值.通过对Prophet框架和XGBboost(eXtreme gradient boosting)机器学习模型的深度分析,提出了基于Prophet与XGBoost的混合电力负荷预测模型,针对大量的历史电负荷数据、日期信息、气象数据,分别构建Prophet电力负...     

基于最大信息熵原理的短期负荷预测综合模型

引入了信息理论来研究和处理负荷变化的不确定性，提出了基于最大信息熵原理的短期负荷预测综合模型，该模型将各种单一预测模型的预测结果以及历史预测误差分布作为约束信息，利用最大熵原理得到预测结果的分布。文中阐述了新模型的应用背景、思路和理论，给出了具体的实现方案和算法，并在实际电网中得到了应用。针对实际电网的算例研究表明，对于随机性较大的电网负荷，传统综合预测模型存在明显的过拟合现象，而新模型则有效地提高了预测精度。     

基于不对称自回归条件异方差模型的短期负荷预测

研究了负荷时间序列的自回归条件异方差效应,提出了一种基于不对称自回归条件异方差模型的短期负荷预测方法。建立了广义误差分布假设下的不对称广义自回归条件异方差模型,借助模型的不对称参数,分析了不同冲击下的不对称机制,比较了各种广义自回归条件异方差模型的预测能力。其中,幂指数广义自回归条件异方差-广义误差分布模型的预测效果尤为突出。最后通过实际算例验证了上述方法的可行性和有效性。     

计及模型综合指标评价的西南电网中长期负荷变权组合预测

为解决单一预测模型难以适应西南电网不同区域的负荷变化问题,针对西南电网各区域年负荷变化的特点,提出采用计及综合指标评价的负荷变权组合预测模型。首先引入改进灰色关联度指标、预测有效度指标和模型冗余检验指标作为模型选择依据,形成适合不同区域的历史负荷变化的基模型库。然后引入自适应变权重算子对基模型进行组合预测,获得西南电网区域年负荷预测值。算例利用四川省、重庆市以及西藏自治区2006—2019年的电力消费量进行测试,结果表明所提预测方法能够有效预测西南电网负荷变化,相比最优权重模型、等权模型和最优单一模型算法具有更高的预测精度。