基于周期自回归模型的短期负荷预测

通常，周期自回归（ＰＡＲ）模型适于处理短周期时间序列。故进行电力系统短期负荷预测时，由于周期长度大，阶数高，待估计的参数剧增，难以实现。本文在一定的假设条件下，建立了短期负荷的周期自回归预测模型，提出了相应的算法，并编制了计算分析程序。对一实际系统的负荷预测表明，本文的模型和算法具有很高的预测速度和良好的预测精度。     

基于线性相关分析的周期自回归短期负荷预测

对配电系统短期负荷预测的周期自回归模型和配电负荷的周期性进行了研究。采用相关分析法对配电负荷的周期特性作了深入地分析,研究结果表明配电负荷的日周期性比周周期性更明显;基于配电负荷的时刻相关性分析,挑选出对预测结果起决定性作用的特征输入量,据此提出了改进的配电负荷日周期PAR预测模型。实例研究表明,该模型较常规PAR预测模型的预测速度更快、精度更高。     

基于线性相关分析的周期自回归短期负荷预测

对配电系统短期负荷预测的周期自回归模型和配电负荷的周期性进行了研究.采用相关分析法对配电负荷的周期特性作了深入地分析,研究结果表明配电负荷的日周期性比周周期性更明显;基于配电负荷的时刻相关性分析,挑选出对预测结果起决定性作用的特征输入量,据此提出了改进的配电负荷日周期PAR预测模型.实例研究表明,该模型较常规PAR预测模型的预测速度更快、精度更高.     

基于并联时序卷积神经网络的电力负荷短期预测

电力负荷的短期预测可以合理地确定机组运行方式,安排日调度计划,提高计量精准度,对实现系统功率平衡和保障系统的安全经济运行具有重要意义。在利用神经网络进行负荷短期预测时,若训练数据不足,模型的学习能力会大大降低。同时,由于电力负荷数据存在小时周期、日周期、周周期、季节周期特性,常规神经网络训练模型无法反映负荷的不同周期特性,对预测结果的准确性也会造成一定的影响。为此,首先提出一种数据增强方法,有效解决电力负荷预测中训练数据不足的问题。其次,针对负荷的周期性特征,进一步提出使用不同周期特征的并联时序卷积神经网络模型的融合方案,有效反映负荷数据的多周期特征,从而提升电力负荷短期预测的准确度。通过对某地市不同电压等级线路负荷数据的建模和训练,验证所提方法在短期预测方面的有效性和优越性。     

考虑负荷周期性和变化率的短期电价预测

为了提高电价预测精确度以提高其实用价值,在电价预测模型中引入负荷周期性和变化率因素.根据负荷对电价的影响建立基于系统负荷的短期电价预测模型,使用小波分解对负荷和电价数据进行分析处理,采用神经网络的预测方法对短期市场清算电价进行预测.考虑负荷和电价的周期特性,在预测模型输入侧增加了负荷的周期性因素.考虑负荷剧变引起的电价变化,定义综合负荷变化率影响因素并加入模型输入侧来提高预测精确度.预测实例采用实际负荷值为输入,其结果表明引入负荷周期特性和综合负荷变化率因素后预测相对预测误差和单点最大预测误差分别降低35%和28%,有效地提高了模型的预测精确度.     

一种考虑修正因素的短期负荷预报方法

介绍了一种考虑修正因素的短期负荷预报方法。它是以时间序列分析理论为基础,采用多重相关原理,用一阶线性回归模型建模并预测,最后对预测结果考虑周周期因素进行了修正。实例计算结果表明,提高了预测精度。这种方法为调度进行24小时在线负荷预报提供了一种有效的、实用的手段。     

地区电网日负荷在线预测及管理

研究了地区电网日负荷在线预测及管理问题，并全面考虑地区电网日负荷变化的特点和影响地区电网日负荷变化的各种因素，利用电网ＳＣＡＤＡ系统提供折实时数据，预测次日２４ｈ整点负荷，同时分析了影响地区电网日负荷预计准确度的原因，提供管理日负荷及相关资料的工具。     

基于RBF神经网络的短期负荷预测模型设计

在分析了某地区日平均负荷曲线的年周期性、周周期性、日周期性的基础上提出了每日24个整点负荷值的分段预测模型。根据该模型建立相应的RBF神经网络进行预测。并将预测结果与实际负荷值、由传统的BP网络模型得到的结果分别进行了对比分析,表明这种模型结合RBF神经网络的预测效果具有较高的精度,具备了一定的实用价值。     

考虑多维时域特征的行业中长期负荷预测方法

中长期负荷预测是电力系统规划与设计的重要依据，准确的行业中长期负荷预测能为电网布局规划、检修计划制定等提供决策支撑。在此背景下，针对行业中长期负荷隐含的多维时域特征，提出一种基于分解和预测思想的行业中长期负荷预测方法。首先，构建了基于周期趋势分解算法的行业中长期负荷特征分解模型，以得到分别表征行业负荷变化趋势性、周期性以及随机性特征的趋势分量、周期分量及残差分量；接着，针对分解得到的各维度分量，分别构建了基于门控循环单元的行业负荷全局趋势特征提取与预测模型、基于卷积神经网络的负荷周期局部特征提取模型，以及基于改进自适应高斯核密度估计的负荷残差概率密度预测模型，由此形成考虑多维时域特征的行业中长期负荷预测方法。最后，以中国某市化工行业负荷数据为例，验证了所提预测方法的有效性。     

基于RBF神经网络的短期负荷预测模型设计

在分析了某地区日平均负荷曲线的年周期性、周周期性、日周期性的基础上提出了每日24个整点负荷值的分段预测模型.根据该模型建立相应的RBF神经网络进行预测.并将预测结果与实际负荷值、由传统的BP网络模型得到的结果分别进行了对比分析,表明这种模型结合RBF神经网络的预测效果具有较高的精度,具备了一定的实用价值.     

基于 Lyapunov 指数的电力系统短期负荷预测

采用非线性系统理论对电力系统历史负荷数据序列进行了特征分析,计算出Ｌｙａｐｕｎｏｖ指数,并利用该Ｌｙａ－ｐｕｎｏｖ指数模式进行短期负荷预测,进而提出短期负荷预测的时间尺度的概念。这种方法不利用气候和气温等数据,只利用电力系统一维峰值负荷历史数据计算出过去的变动模式进行负荷预测,就可以得到较高的预测精度。对东北电网实际负荷数据进行了预测,结果令人满意,从而为电力系统短期负荷预测提供了一种新的预测方法。     

基于神经网络和模糊理论的短期负荷预测

电力系统负荷预测是能量管理系统(EMS)的重要组成部分,它对电力系统的运行、控制和计划都有着非常重要的影响,提高电力系统负荷预测的准确度既能增强电力系统运行的安全性,又能改善电力系统运行的经济性,但负荷预测的复杂性、不确定性使传统的基于解析模型和数值算法的模型难以获得精确的预测负荷。为提高电力系统短期负荷预测准确度,构建了一种新型的负荷预测模型。该模型首先采用多层前馈神经网络,以与预报点负荷相关性最大的几种因素作为输入因子,以改进BP算法作为预测算法,来获得预报日相似日负荷曲线;然后引入自适应模糊神经网络,用于预测预报日的最大、最小负荷;针对模糊神经元的权值更新问题,采用一种新的权值更新算法———一步搜索寻优法,在获得预报日相似日各点负荷和最大、最小负荷的基础上,通过纵向变换,对预报日的负荷修正,进一步减小预测误差。用上述模型和算法预测某地区电网的短期负荷,取得了良好的预测效果。     

基于模式识别的自适应短期负荷预测系统

短期电力负荷预测是电力调度部门制定发电计划的依据,预测系的灵活适应性是实现电网经济运行的重要保证。在分析影响日电力负荷主要因素的基础上,给出了用于日荷预测的负荷模式定义,基于海明距离给出了负荷模式相拟度的计算方法,有效实现了预测负荷所需要的历史负荷模式样本的抽取。利用人工神经网络实现由历史负荷模式到预测负荷的映射。基于C＋＋面向对象的程序设计方法开发了一套灵活的智能自适应短期预测系统。多个用户的应用结果表明,本系统具有很好的实用性和满意的预测结果。     

Reconstructing clusters for preconditioned short‐term load forecasting

This paper presents a new preconditioned method for short‐term load forecasting that focuses on more accurate predicted value. In recent years, the deregulated and competitive power market increases the degree of uncertainty. As a result, more sophisticated short‐term load forecasting techniques are required to deal with more complicated load behavior. To alleviate the complexity of load behavior, this paper presents a new preconditioned model. In this paper, clustering results are reconstructed to equalize the number of learning data after clustering with the Kohonen‐based neural network. That enhances a short‐term load forecasting model at each reconstructed cluster. The proposed method is successfully applied to real data of one‐step ahead daily maximum load forecasting. © 2007 Wiley Periodicals, Inc. Electr Eng Jpn, 161(1): 26–33, 2007; Published online in Wiley InterScience ( www.interscience.wiley.com ). DOI 10.1002/eej.20300     

考虑分时段负荷行为的短期负荷预测方法

随着电力大数据时代的到来,对电力负荷预测的精度提出了更高的要求,准确的电力负荷预测对电力系统安全稳定运行,降低成本开销具有重要意义.针对短期电力负荷在不同时间段下呈现不同的负荷运行规律的特点,在日范围内计算不同的时间段的负荷行为相似度.在考虑天气维度和时间维度的基础上,增加考虑行为维度,将不同时间段的行为相似度因素引入...     

电力系统短期负荷预测的高木-关野模型研究

电力系统短期负荷预测在电力系统的运行设计中有重要的意义，利用模糊神经网络的方法进行电力负荷预测是国际上近年来很热门的一个方向。本文在传统的BP神经网络基础上，提出了一种短期负荷预测的模糊神经网络模型一高木一关野模型，以某供电局2000年的负荷实测值建立模型，进行了负荷预测，与实际值进行比较分析表明，这一模型应用于短期负荷预测能获得较高的预测精度，具有一定的研究价值。     

广州电网负荷特性分析及短期预测模型设计

结合广州电网负荷短期预测系统的开发工作，设计了合理的预测模型。分析表明，该地区负荷表现出较强的以周为间隔和以日为间隔的周期性，民用负荷占据较大份额，日负荷分时段特性明显。的预测系统基于人工神经网络技术，针对性地分别建立了人工神经网络训练周模型和日模型，在对历史电网负荷和气象数据进行预筛选的基础上，结合对日负荷的分时段预测处理，开发短期预测系统。系统具有较高的预测效率和满意的预测准确度。针对该地区夏季高温季节出现的负荷饱和特性，设计了基于专家知识的预测检验环节，运行结果理想。     

采用分时段模糊技术处理实现的短期负荷预报

采用模糊理论对日负荷曲线预报中的天气因素进行了模糊处理 ,根据季节、气候的不同对天气因素做不同的模糊处理和不同数学模型 ,建立了专家处理系统 ,提高了短期负荷预测的精度。通过对河南省某市级电力系统日负荷曲线的模拟预测 ,虽然仅对天气做了模糊处理 ,但预测结果令人满意。     

基于联合模型的短期电力负荷预测方法

为了准确预测电力负荷并提高电力系统调节和调度的灵活性、准确性,提出了基于差分自回归滑动平均和长短期记忆神经网络的短期负荷联合模型预测方法,以避免单一预测模型可能难以满足预测准确需求的情况。首先,使用差分自回归滑动平均和长短期记忆神经网络单一模型对短期电力负荷开展预测;然后,使用改进的粒子群优化算法对联合模型权重进行寻优;最后,利用最优权重将单一模型预测结果进行合并得到最终的预测结果。验证结果表明,所建立的联合模型能够对短期电力负荷进行准确的预测,且联合模型的预测精度要优于差分自回归滑动平均、长短期记忆神经网络和BP神经网络等单一模型,具有一定的工程应用价值。