基于VMD-LSTM模型的短期电力负荷预测研究

经典的电力负荷预测方法,例如回归预测法、时间预测法、指数平滑法等结构过于简单、拟合精度较差,预测效果不明显。为了提高短期电力负荷预测的精确度,建立了一种将变分模态分解（VMD）和LSTM算法相组合的短期负荷预测模型（VMD-LSTM）。使用VMD将原始负荷数据分解为数个有限带宽的模态分量,以降低原始负荷的复杂度,而且不会发生模态混叠现象,提高数据清晰度,然后每个模态分别构建一个LSTM模型进行预测,最后把每个分量的结果相加得到最终的预测值。通过仿真实验,将VMD-LSTM组合模型和其他几个单一模型进行比较,发现VMD-LSTM模型的预测精度更高,误差更小,能够更好地应用于短期电力负荷预测。     

一种简单实用的超短期负荷组合预测方法

超短期负荷预测是电力市场的重要组成部分。现结合淮安供电公司洪泽供电公司的大量电网历史负荷数据,提出了一种简单实用的最优组合预测方法,该方法结合了线性外推法和改进的负荷求导法的优势,对于最优组合预测模型中权重正负的问题,寻找到了一个有利于提高预测精度的新不等式约束。实例证明,该预测方法计算速度快,预测时间短,预测精度高,符合工程应用的要求。     

高阶灰色预测模型在短期电力负荷预测中的应用研究

考虑到电力负荷的指数性增长和周期性变化的特点,基于灰色预测理论,建立了三阶电力负荷短期预测模型,给出了电力系统短期负荷预测的主要步骤。通过算例分析,验证了该方法的有效性。     

BP算法在电力系统短期负荷预测中的应用

针对电力负荷短期预测问题,提出了一种基于相似日的神经网络预测方法,在建立具体模型时,对于24点负荷预测,采用24个单输出的神经网络来分别预测每天的整点负荷值,具有网络结构较小,训练时间短的优点,考虑了不同小时类型的负荷差异,具有较高的预测精度.分析了如何采用BP多层感知器的隐层数及隐层单元数.最后对四川省电力公司某区一条线路的供电负荷进行短期负荷预测仿真,仿真结果表明其具有较好的预测精度.     

基于支持向量机的短期负荷预测

提出一种基于支持向量机的电力系统短期负荷预测方法,将SVM引入短期负荷预测,通过不断输入新的负荷数据来更新回归函数,以获得更快的计算速度和较好的预测精度,利用佛山地区的历史负荷作为训练数据,结果证明了该方法能在一定程度上提高电力负荷的预测精度。     

基于决策树算法的短期电力负荷大数据预测模型

短期电力负荷预测结果,直接关联电力系统的规划、调度和运行安全,因此,研究基于决策树算法的短期电力负荷大数据预测模型,精准完成短期电力负荷预测。分析短期电力负荷,确定气象和负荷两种数据为预测所需数据,采用C均值模糊聚类算法聚类该数据后;采用低秩矩阵填充理论和奇异值阈值算法,填补聚类后数据中的缺失,基于梯度提升决策树模型预测短期电力负荷。测试结果显示：该方法聚类效果良好,气象和负荷两种数据聚类的综合相似度评价指标的最佳结果分别为0.014和0.011;数据填补性能良好,能够完成不同场景下的短期电力负荷预测,并获取不同气象条件下负荷的变化结果,应用后电力系统的运行风险值均低于0.0005。     

基于深度学习的矿井电力短期负荷预测方法

短期电力负荷预测能准确评估出煤矿的整体电力负荷变化情况,保证煤矿供电系统的安全与可靠运行。由于煤矿电力负荷预测受多种因素影响,难以实现精确预测,文章针对此问题,基于深度学习理论,提出了一种卷积神经网络(CNN)和双向门控循环单元(BiGRU)相结合的矿井电力短期负荷预测方法,并用于煤矿的实际电力负荷预测中。首先,构建了煤矿电力负荷预测的混合学习模型;然后,给出了数据处理方法,设计了模型评判指标,搭建了仿真平台并进行了多种算法的分析与对比;最后,基于组态软件开发了电力监控与预测系统,并应用于煤矿实际监控中。经现场试验表明,设计的方法可以实现对矿井短期电力负荷的准确预测,为煤矿电力系统的安全运行提供准确的决策支撑。     

夏季短期电力负荷预测的MGM（1，n）建模及应用

在对浙江省嘉兴市的历史气象数据进行分析的基础上，提出了一种带气象因素校正的灰色短期负荷预测模型，称为MGM（1，n）模型。实例分析表明，这种方法能较大地提高夏季短期负荷的预测精度，是预测夏季短期电力负荷的一种行之有效的方法。     

基于净负荷预测的独立微电网协调控制策略

针对主从式控制结构的独立微电网中可再生能源发电及负荷随机波动的问题,提出了一种基于净负荷超短期预测的微电源协调控制策略,以保障独立微电网的稳定运行.介绍了独立微电网的结构,阐述了净负荷的概念.通过在线采集功率数据,运用最小二乘支持向量机（LS-SVM）方法分别对微电网内负荷及可再生能源出力进行了滚动预测,实现了对净负荷的超短期预测.在预测结果的基础上,主动修正了可控电源日前出力计划,提前响应系统净负荷变化,减轻主电源的调节压力,提高了独立微电网系统的可靠性.算例结果证明了该预测方法的精度,并验证了该控制策略的有效性.     

分布式协同网络用电负荷分层加权概率预测方法

先进计量体系(AMI)是智能电网中的分布式协同网络,其通过广泛布置的分布式测量计算节点对用电端的用户用电信息进行测量和协同分析。基于分布式协同网络测量得到的海量数据,针对短期用电负荷的概率预测问题提出一种分层特征加权概率预测方法。该方法采用核主分量分析提取用电负荷测量样本的非线性特征,根据提取的特征采用马氏距离判据对用电负荷数据进行特征加权,剔除权重低的不相关干扰数据;提出将经验模态分解与稀疏贝叶斯学习方法相结合的机器学习用电负荷概率预测方法,对用电负荷高频与低频分量进行分层概率分布预测。最后,将所提出的方法应用于某地区的短期用电负荷预测实验,实验结果表明该方法能够有效预测短期用电负荷的概率分布,预测精度高、可靠性好。     

电力系统短期负荷预测中小波函数的选择

针对应用小波分析进行电力系统短期负荷预测中小波函数的选择问题,以dbN小波系作为变换工具,通过最大李氏指数检测,比较了不同N所产生的预测精度,确定了一种db小波函数为短期负荷预测的核心变换工具。研究结果表明,采用db4作为短期负荷预测的小波函数,预测的结果具有较高的精度。     

短期负荷预测中气象因素的处理策略研究综述

介绍了气象因素的概念,分析了气象因素对电力负荷的影响,从多方面提出并总结评价了目前短期负荷预测中气象因素的处理策略,指出了今后短期负荷预测研究的方向和趋势。认为:考虑多个有合耦作用的气象因素和实时气象因素对短期负荷预测的影响的策略,预测效果较好;在今后的研究当中,需结合待预测地区的实际情况,优先合适的处理策略,保证预测结果可靠。     

短期台区电力负荷预测方法探讨

初步探讨了低压台区负荷预测问题的特点、内容和方法,根据目前的研究现状,指出了预测问题的研究方向,对目前的低压台区短期负荷预测工作提出了一些建议。     

面向智能物联的动态负荷预测量子进化方法

物联网与智能制造的结合导致大量制造数据的产生,为了实现基于大数据的智能制造电力负荷预测,提出并实现了一种智能物联云计算平台,实现用户与智能物联网之间双向通信控制的快速响应。提出一种基于改进外加输入的自回归滑动平均模型的短期动态负荷预测模型,结合平台中的智能传感设备和历史负荷、天气变化等综合数据,作为预测模型的外部输入变量,并利用改进的实数编码量子进化算法对预测模型进行参数估计以提高动态负荷预测的准确性。利用智能制造企业的实际负荷数据,采用所提方法进行预测并与实际负荷数据及传统方法的预测结果进行比较,实验结果表明,所提方案和算法能够有效提高智能制造过程中短期动态负荷预测的精度,同时通过并行化计算提升负荷预测的速度。     

基于功能小区方法的电力系统负荷预测

电力系统负荷预测是电网规划的基本工作。介绍了回归预测模型、灰色系统理论预测模型、空间负荷预测法、曲线法、最优组合预测法等中长期电力负荷预测的方法,讨论了功能小区的划分及功能小区的功能分析,通过对功能小区负荷预测的实际计算,结果充分证明了功能小区负荷预测与湖南省衡阳市城区发展的实际情况相符合。说明了基于功能小区方法的电力系统负荷预测具有重要的现实意义和广泛的应用前景。     

考虑时段负荷特性差异的日前综合负荷预测方法研究与应用

综合预测模型可以整合不同预测方法优势,从而大大提升负荷预测准确率。然而不同时段负荷特性不同,简单的以1天为单位构建综合预测模型,难以充分发挥综合预测模型的优势。为此,首先深入研究了当前电力系统中不同类型短期负荷方法的优势,充分考虑时段间负荷特性差异,科学划分负荷差异时段,在此基础上提出了日前负荷综合预测方法,最后介绍了本成果在烟台电网的实际应用效果。     

基于变分模态分解和FABP的短期电力负荷预测

针对电力负荷序列非线性、随机性等特点引起的电力负荷预测精度下降等问题,提出了一种基于变分模态分解(VMD)和萤火虫算法优化BP神经网络(FABP)的短期负荷预测方法。利用VMD将原始电力负荷序列分解为若干个子序列,能够降低原始数据的复杂度和不稳定性同时克服模态混叠;萤火虫算法优化传统BP神经网络模型,能够克服其极易陷入局部最小的缺陷。最后通过样本熵(SE)对各子序列进行重组得到两个新分量,将其分别输入神经网络模型进行预测并叠加预测结果,实现短期负荷预测。应用于实例,结果表明,该方法能有效提高预测精度。     

基于错位样本的电力系统负荷预测

针对短期负荷预测的特点,通过各因子与负荷数据的分析来评价各因子对于负荷预测的影响,选取最合适的影响因素。考虑了气温的积累效应提出了错位样本概念,将其加入到训练样本中提高了预测精度。最后利用实际数据建立LSSVM模型进行对比仿真。实验结果表明,通过样本选择的的基于错位样本的电力系统负荷预测方法的精度明显高于普通的预测方法,测试表明该预测方法是有效可行的。     

基于BP神经网络的短期小水电电力负荷预测

电力系统短期负荷预测在企业的调度运营和服务管理等方面都起着不可或缺的作用,其预测精度的高低直接影响着电力系统运行的安全性、经济性和稳定性,因此短期负荷预测方法的研究一直为人们所重视。基于电网实际运行数据建立一个BP神经网络模型,利用神经网络高度非线性建模能力,探讨含小水电地区电网的负荷情况。实例计算表明,该方法精确有效,收敛性好,运行速度快,对提高多小水电地区网供负荷预测的准确度有较高的实用价值。     

改进人工蜂群优化神经网络的短期负荷预测

准确的短期负荷预测能够减少发电机组停机备用和旋转备用,其预测效果直接影响电网的安全稳定和经济效益.针对BP神经网络初值敏感、易陷入局部最优的缺点,提出了一种改进人工蜂群算法优化BP神经网络的负荷预测方法.首先融合负荷数据与温度、湿度等天气数据并进行高斯滤波处理,再采用搜索位置更新实现人工蜂群算法的改进,利用其算法完成BP网络权值和阈值的优化,最后建立用于短期负荷预测的优化模型,并通过实例进行仿真验证.结果 表明:该改进预测模型与传统BP算法相比预测精度及收敛速度均有大幅提高,具备工程实用价值.