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。     

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。     

基于BP神经网络与时间序列的电力系统短期负荷组合预测

针对电力系统短期负荷预测问题,考虑了历史负荷对当前短期负荷预测的影响,同时结合气象及节假日等因素,提出了基于BP神经网络与时间序列ARIMA自回归综合滑动平均模型相结合的组合预测方法。通过实例计算表明,组合预测模型兼并了两种方法的优点,极大地提高了预测精度,具有较好的优越性及实用性。     

夏季短期负荷预测研究

近年来，气候异常，夏季温度异常高，尤其是经过数日的高温后，电力负荷往往会超出预期。因此考虑夏季高温的累积影响，建立了当天气温与近几天的气温之间的修正公式，采用人工神经网络法，利用修正后的气温去预测某天的负荷。算例表明，修正气温后，日最大负荷和日最高气温之间的相关性指数超过0.9，进一步地，夏季连续高温情况下的短期负荷的预测精度能够得到有效提高。     

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。     

基于动态反馈的多元参数回归空调负荷预测控制方法

针对目前常用的空调负荷预测算法中精度与实用性的问题,提出多重负荷预测的方法:负荷的趋势预测模型和精确预测模型。趋势预测模型用于预测24 h内各时刻的负荷,建立基于气象、历史和时间参数长期和短期多元参数回归模型,并引入预测控制方法中反馈校正和滚动优化的方法,并对误差采用一次平滑法。采用遍历搜索法,寻找最优误差,反馈给模型进行修正。每滚动一次,舍去旧值,引入新值,并重新寻优一次误差,直至完成预测。精确预测用于下一个时刻的负荷,利用相似日的历史负荷建立二阶ARX模型,对气象负荷进行第一次修正,再利用前一日的负荷建立一阶ARX模型,对预测负荷进行第二次修正,利用滚动优化进行动态反馈修正。利用某小区的实际数据进行测试,预测结果满足精度要求。     

电力负荷与气象因子因果关系分析及预测研究

短期电力负荷预测是电力部门生产调度的重要参考,不同地区影响电力负荷的因素有所不同,因此,为探索电力负荷与气象因子之间的因果关系,以某变电站逐小时电力负荷和气象要素数据为基础,采用格兰杰因果检验分析气象要素与电力负荷的因果关系。采用ADF检验验证气象因子与电力负荷数据的平稳性,将通过ADF检验的平稳性变量进行格兰杰因果检验。结果显示,温度、相对湿度和风速均是电力负荷的格兰杰原因,温度和相对湿度对电力负荷变化的影响是实时的,风速对电力负荷变化的影响具有1 h以上的滞后性。采用灰色关联度和余弦相似度建立综合相似性指标,基于相似日法提出一种短期电力负荷预测模型,以2018—2020年的气象数据和电力负荷数据作为样本库,采用2021年的数据对模型预测准确性进行检验。经验证,模型在天气因子变化不明显或变化缓慢情况下预测准确率为90%以上,可作为电力部门生产调度参考。     

基于Transformer模型的电力负荷预测

根据已知的历史用电需求来预测未来的用电需求是电网稳定且经济运行的重要一环。针对现有电力负荷预测方法存在无法准确长期预测的问题，提出一种新的基于Transformer模型的电力负荷预测模型。该方法在循环神经网络可以捕捉用电负荷短期依赖的基础上，通过编码器-解码器结构很好地捕捉了电力负荷的长期依赖特征；通过建立电力负荷数据集，训练得到了具备精准预测能力的Transformer模型。实验结果表明，Transformer模型具有较高的预测精度，随着预测时间巨幅增加，预测误差只出现了微小累积，该模型较好地预测了电力负荷可能出现的波动，且无时滞效应。     

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。     

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。     

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。     

基于改进的灰色理论在中长期电力负荷预测中的应用

面对中长期电力负荷预测“小样本”、“少信息”、“非线性”等特点[1],灰色预测模型在电力负荷预测中起决定性的作用。该文论述了基本GM（1,1）模型、一次平滑法的GM（1,1）模型。针对以上两种模型的缺点和不足,通过对初始数据的二次平滑处理,又提出了改进的灰色预测模型---二次平滑法的GM（1,1）模型。通过算例检验与典型的实例研究上述3种灰色模型在中长期负荷预测中的应用。结果表明,和前面两种预测模型相比较,二次平滑法的GM（1,1）模型在电力系统电量的实际预测中更精确,误差更小。     

混沌预测模型改进及在电力日负荷预测中的应用

针对电力日负荷预测中基于最大Lyapunov指数的传统混沌预测模型的缺陷,提出以下改进思想:采用微分熵法同时确定嵌入维数和延迟时间,改善相空间重构质量的同时,有效减少计算量;引入夹角参数,在与中心点距离最短的点中,筛选夹角最小的点作为最终邻近点;基于相似性原理,引入取舍规则,使得计算结果唯一确定。本文方法解决了传统预测模型计算量大、运算速度慢、预测精度不高以及正负号选取等问题。通过对典型混沌系统数值验证和某地区实际电力负荷系统的预测分析证明了本文方法的可靠性和高效性,为电力日负荷预测提供了一种新的有效途径。     

灰色系统理论在负荷预测中运用综述

灰色理论广泛运用在负荷预测中。该文分析了灰色预测模型,指出模型存在的缺陷,并对负荷预测应用中的传统灰色预测模型的改进方法进行分类介绍,同时对灰色负荷预测技术的发展趋势进行展望。     

基于弹性网降维及花授粉算法优化BP神经网络的短期电力负荷预测

电力负荷预测为电力系统规划和运行提供可靠的决策依据。随着智能电网的全面发展,数据采集与监视控制系统(SCADA)获取数据量增加,数据的结构也更加复杂,负荷的频繁变化以及地区性的气象因素等都将影响负荷的预测的准确性。提出一种弹性网(EN)进行大数据降维以及花授粉算法(FPA)优化BP神经网络的短期电力负荷预测方法。首先采用弹性网对负荷和气象等高维大数据进行选择和降维。弹性网通过在惩罚项中添加L1范数和L2范数,兼具了最小绝对值收缩及变量选择(LASSO)和岭回归的优点,克服了LASSO降维时因为数据内部存在共线性和群组效应而影响降维效果的问题;然后,考虑到BP神经网络权值和阈值容易受到初值的影响、收敛速度慢以及容易陷入局部最优,引入花授粉算法(FPA)优化BP神经网络,通过与粒子群算法(PSO)对比得出花授粉算法寻优速度更快,效果更好。本文方法应用于实际电力负荷预测,结果表明能有效提高预测精度。     

计及楼宇综合能源规划系统中负荷预测方法研究

提出一种计及楼宇综合能源规划系统负荷预测的方法,研究楼宇系统中空调冷热负荷的预测方法,对指标法、动态负荷算法、逐时负荷系数法等方法进行了详细阐述,在此基础上提出了综合能源系统负荷预测模型并进行了仿真验证.给出了楼宇综合能源规划系统不同建筑物的冷热负荷系数曲线,不同建筑物的冷热负荷系数曲线有所不同.通过建立模型,验证了楼...     

小波时间序列在空调负荷预测中的应用

提出将小波分析和时间序列应用于空调负荷预测;利用小波分析可以将空调负荷序列通过小波分解一层一层分解到不同的频率通道上,分解后序列的平稳性比原始序列好得多.其小波分解后的序列用时间序列模型来预测,最后再合成得到原时间序列的预测值.预测结果表明,该模型应用于空调负荷预测具有较高的预测精度,而且明显优于传统的时间序列模型.     

专家系统在电力预测负荷中的应用

电力负荷预测是一项重要但又非常复杂的工作．因为它受到大量不确定因素的影响．因此预测过程需要考虑多种因素。为了充分考虑这些因素，文中提出利用专家系统来修正决策树的修正结果。预测过程为先利用决策树建立预测模型，对待测日负荷进行初步预测．然后再结合专家系统中的修正模型对初步结果进行修正，得到最终预测结果。统计分析结果表明该方法满足实用标准，具有有效性和实用性。     

Discharge forecasting using an Online Sequential Extreme Learning Machine (OS-ELM) model: A case study in Neckar River,Germany

Flood forecasting in natural rivers is a complicated procedure because of uncertainties involved in the behaviour of the flood wave movement. This leads to complex problems in hydrological modelling which have been widely solved by soft computing techniques. In real time flood forecasting, data generation is continuous and hence there is a need to update the developed mapping equation frequently which increases the computational burden. In short term flood forecasting where the accuracy of flood peak value and time to peak are critical, frequent model updating is unavoidable. In this paper, we studied a new technique: Online Sequential Extreme Learning Machine (OS-ELM) which is capable of updating the model equation based on new data entry without much increase in computational cost. The OS-ELM was explored for use in flood forecasting on the Neckar River, Germany. The reach was characterized by significant lateral flow that affected the flood wave formation. Hourly data from 1999–2000 at the upstream section of Rottweil were used to forecast flooding at the Oberndorf downstream site with a lead time of 1–6 h. Model performance was assessed by using three evaluation measures: the coefficient of determination (R²), the Nash-Sutcliffe efficiency coefficient (NS) and the root mean squared error (RMSE). The performance of the OS-ELM was comparable to those of other widely used Artificial Intelligence (AI) techniques like support vector machines (SVM), Artificial Neural Networks (ANN) and Genetic Programming (GP). The frequent updating of the model in OS-ELM gave a closer reproduction of flood events and peak values with minimum error compared to SVM, ANN and GP.