考虑气象因素的短期电力负荷预测研究

针对如何提高短期电力负荷预测精度的问题,提出基于核主成分分析法(Kernel principal component analysis,KPCA)和改进的回声状态网络(Echo state network,ESN)算法相结合的方法对短期电力负荷进行预测研究。通过卡尔曼滤波(Kalman filtering,KF)方法训练回声状态网络的输出权值,引入修正因子对卡尔曼滤波的协方差矩阵进行修正,从而实现回声状态网络结构参数的调整,获得理想的网络结构模型。采用Lyapunov理论验证了改进回声状态网络算法的收敛性。采用核主成分分析法对气象因素进行降维处理,获得能够体现数据信息的主元信息。通过UCI(University of California Irvine)数据集仿真对比,验证了该算法相比于ESN、SVM(Support vector machine)、BP(Back propagation)、GA(Genetic algorithm)等算法具有更高的预测精度。在考虑气象因素的前提下,对短期负荷预测进行仿真实验,实验结果显示在正常天气和存在气象突变的情况下,改进的回声状态网络算法较GA-ESN和GA-BP算法有更高的预测精度,验证了该方法的实用性。     

基于气象因素修正的短期负荷预测

短期负荷预测是电力系统运行与分析的基础。然而,许多负荷因素之外的因素也会影响负荷预测的结果,尤其是气象因素。在此背景下,首先使用回归分析的方法得到对某地负荷预测影响最大的气象因素——平均温度;然后在不考虑气象因素时,建立基于误差反向传播算法的多层前向神经网络(BP神经网络)短期负荷预测模型;最后,利用最小二乘估计来计算平均温度对负荷的修正系数,建立气象因素修正的负荷预测模型。分别采用上述两种模型对某地区负荷进行预测,对比负荷预测结果可知,考虑气象因素修正的负荷预测模型的预测准确率更高,达到了较高的预测精度。     

计及光伏及风电并网的电力系统短期负荷预测

为提升光伏、风电等分布式能源大量接入电网后短期电力负荷的预测精度,促进电网消纳能力提升,本文对光伏出力及短期用电负荷采用小波——径向基函数(RBF)神经网络预测方法;对风力发电首先利用总体平均经验模态分解(EEMD)方法对其功率数据分解,再采用BP神经网络、RBF神经网络、小波神经网络、ELMAN神经网络四种神经网络预测方法进行预测,并用粒子群算法(PSO)和灰色关联度(GRA)修正。最后,利用等效负荷的概念,分析光伏、风力发电并网对于短期电力负荷预测的影响,并将三种模型有效结合,得到了考虑光伏及风力发电并网的电力系统短期负荷预测的等效负荷预测模型。实例分析表明,本文所提方法相较于其他方法在该预测项目上具有相对更高的预测精度。     

基于利用BP神经网络进行Stacking模型融合算法的电力非节假日负荷预测研究

短期负荷预测尤其是非节假日负荷预测对提升电力系统整体调度、支撑电网运营工作起着十分关键的作用。目前针对非节假日负荷预测的理论、方法和应用层出不穷,但是预测精度和使用范围都受到一定限制,并且经济发展对短期负荷预测的精度提出越来越高的要求,传统的机器学习算法已经难以满足人们的需求。为了提高负荷预测的精度,本文提出了利用BP神经网络进行Stacking模型融合算法,它是基于集成学习的思想,首先挑选五种预测精度较高的单模型,然后利用Stacking模型融合方法将其集成为预测精度更高的综合模型。本文采用此算法预测某省2018年非节假日负荷,结果表明该算法可以有效提高预测精度。     

模糊规则控制的RBF短期负荷预测

影响电网负荷预测的因素很多，针对地区电网负荷易受气象因素影响的特点，把气象因素作为影响负荷的主要因素．采用模糊规则控制的径向基神经网络（RBF）算法，对某地区电网的日负荷数据进行预测．与实际负荷比较可见根据各地区实际气象变化，采用这种预测方法可以提高负荷预测的速度和精度。     

基于气象数据可视化降维和多模加权组合的短期负荷预测

针对短期负荷预测中数据预处理的必要性和单一预测模型的局限性,提出了一种基于气象数据可视化降维和多模加权组合的短期负荷预测方法。该方法将可视化降维、模态分解降噪、单一预测模型和权重确定理论相结合,构建了气象数据降维、历史负荷分解、模态分量降噪和多模加权组合的短期负荷预测模型。通过设置3种对比实验环境,对某地区供电公司所提供的电力负荷和气象数据进行分析。预测结果及误差分析表明,所提短期负荷预测方法在保留高维气象因素本质特征结构的同时,能有效结合数据预处理方法及单一预测模型的特点,有效提升该地区电网负荷的预测精度。     

一种短期电力负荷预测方法

针对短期电力负荷预测中影响因素多、变化随机、非线性等特点,提出一种相似日的优化BP神经网络短期电力负荷预测方法。考虑到短期负荷波动的影响因素较多,相似日的选取综合了气象因素、日期因素和时间距离因素。同时,在负荷预测中常用的BP神经网络预测方法的基础上,引入遗传算法对BP神经网络算法的初始权值和阈值寻优进行改进。仿真表明优化BP神经网络算法与相似日结合的方法预测时在稳定性和精确度方面得到较大的提高。     

混合属性约简方法在电力负荷预测中的应用

影响电力短期负荷预测精度的因素众多,为了找到负荷值与各种外在因素之间的关系,提出了一种基于粗糙集理论的混合属性约简算法,并对与预测日相似性数据进行快速约简,讨论了基于混合属性约简和BP神经网络相结合的预测模型。实验结果表明,这种方法提高了短期电力负荷预测精度。     

改进粒子群—BP神经网络模型的短期电力负荷预测

为了准确、快速、高效地预测电网短期负荷,提出了改进的粒子群算法(MPSO),并与BP算法相结合,形成改进的粒子群—BP(MPSO-BP)神经网络算法,用此算法训练神经网络,实现了神经网络参数优化,得到了基于MPSO-BP算法的神经网络模型。综合考虑气象、天气、日期类型等影响负荷的因素,进行电网短期负荷预测。算例分析表明,与传统BP神经网络法和PSO-BP神经网络方法相比,该方法改善了BP神经网络的泛化能力,预测精度高,收敛速度快,对电力系统短期负荷具有良好的预测能力。     

一种基于气温因素的短期电力负荷预测模型北大核心CSCD

气温波动是影响短期电力负荷预测准确率的主要因素之一,为了提高预测精度,将气温因素引入一种新型的非线性自回归模型中,构建一种基于气温因素的非线性自回归短期电力负荷预测模型,并提出该模型的实验定阶方法。以气温作为模型的外部输入量,基于Weierstrass定理推导了该模型的表达式,采用最小二乘法估计该模型的参数,根据所提出的实验定阶方法对模型进行定阶。对实际电力负荷样本进行预测,结果验证了模型实验定阶方法的可行性,表明该负荷预测模型预测精度较高,可应用于负荷短期预测之中。     

基于随机森林的短期电量负荷精准预测方法

可再生能源并入电网后,电能供给量增加,短期电量负荷情况难以预测,无法制定准确的电能分配策略,由此,提出基于随机森林的短期电量负荷精准预测方法研究。深入分析短期电量负荷预测影响因素（气象、时间、电价与随机干扰因素）,选取适当的模型输入变量（历史电量负荷数据、温度数据与日类型）,结合随机森林算法构建短期电量负荷预测模型,并重复确定相似日的选取规则,采用粒子群优化算法寻找预测模型参数最佳值,将样本集输入至模型中,获得精准的短期电量负荷预测结果。实验数据显示:当输入变量数量达到一定值后,应用提出方法获得的短期电量负荷预测时延稳定在0.55s左右,短期电量负荷预测误差几乎为0,充分证实了提出方法应用性能较佳。     

基于进化神经网络的短期电网负荷预测算法

本文提出了一种基于进化神经网络的短期电网负荷预测算法。该算法使用了改进的人工蜂群算法与BP神经网络融合生成的进化神经网络,并且使用改进的人工蜂群算法对进化神经网络的偏置和权重进行优化。该算法将火电历史负荷数据作为输入,使用进化神经网络训练预测模型,预测未来一段时间内的电网负荷。首先获取历史负荷数据,然后将收集到的数据应用于进化神经网络模型训练。人工蜂群算法作为一种全局搜索算法,可以有效地探索模型参数空间,寻找最佳的模型参数组合以提升预测精度。为了验证所提出的负荷预测方法的有效性,本文使用了火电网负荷数据进行测试。实验结果表明,在短期电网负荷预测方面,本文提出的进化神经网络比传统方法预测结果更加准确可靠。     

基于改进自适应卡尔曼滤波的电力大负荷预测与计费研究

电力大负荷预测是电力公司进行高效电力系统规划和运行的重要基础;为了提高电力负荷预测精度进而更加有效地估计电力计量与计费,创新地提出了一种基于改进的自适应卡尔曼滤波(AKF)的电力大负荷计量计费预估方法;分析了电力负荷预测研究现状,针对传统卡尔曼滤波算法不足,引入自适应遗忘因子对卡尔曼滤波算法进行改进,建立数学模型、整定因子调整模型关键参数,得到电力大负荷数据的预测值,最终通过计量计费转换公式得用电量以及电费计量预估值;仿真结果表明：基于AEKF的电力大负荷计量预测方法的负荷预测结果与实际结果误差小于1.35%,电力计费预测结果与实际结果相对误差小于1.263%;应用实例证明：基于AEKF的电力大负荷计量计费预估方法,能够提高电力公司的调度效率12%,增加电费营收5.3%～12.2%。     

电网供电系统短期电力负荷预测优化仿真

对电网供电系统短期电力负荷预测模型进行优化,能提升预测结果的准确性和鲁棒性.虽然现有预测模型可以满足预测速度的要求,但预测结果的精确性和稳定性却无法保证.为了得到更加准确和稳定的预测结果,提出了细菌觅食算法优化极限学习机预测模型.首先在电力负荷样本数据中形成训练样本和预测样本集,利用细菌觅食优化算法对极限学习机预测模型中的不确定参数进行优化,然后利用改进后的模型进行电力负荷预测.新模型的优化仿真结果显示,利用细菌觅食算法优化极限学习机预测模型的预测精度和稳定性均优于传统预测模型的预测结果,该算法具有很好地实用性.     

基于大数据的分布式光伏接入配电网影响分析与功率预测研究

为提高分布式光伏发电功率预测的精度,满足电网调度和规划的高精度要求,本文利用光伏运行、电能量采集、电网调度等业务系统的海量数据,利用大数据分析方法研究大量分布式光伏接入对配电网负荷特性的影响,并提出基于气象相似日和粒子群算法优化BP神经网络的光伏电站功率预测方法.通过分析光伏发电功率随天气类型、温度、光照强度等气象因素...     

基于双图正则非负低秩分解的电力负荷短期预测

在智能电网背景下,准确估算和预测电力负荷已成为电网电力规划工作的重要先决条件,对电网安全、经济运行具有重要意义。针对电力负荷数据的周期波动与非周期影响,提出一种基于双图正则非负低秩分解的电力负荷短期预测方法。该方法利用历史数据构造电力负荷时空矩阵,并对该矩阵进行鲁棒非负低秩矩阵分解,以同时获取电力负荷的周期性模式与非周期影响。在此基础上融入电力负荷的空间和时间相关性以进一步优化矩阵分解结果,最终通过矩阵恢复获取电力负荷的短期预测。该方法从电网时空整体预测电力负荷趋势分析并填补缺失,同时导出了有效的学习算法。实验分析表明,与相关方法相比,所提方法在电力负荷短期预测的多项评价标准下均取得了更好的准确性和鲁棒性。     

计及行业间同时率的分区最大负荷预测方法及应用

电网规划发展由原来的粗放型向集约化转变,这使得设备利用率对经济性影响显著。为了提高设备利用率,本文从提高最大负荷预测准确性的角度,在对现有负荷预测众多方法的归纳总结,以及对行业间典型日特征曲线的分析,引入了行业间负荷同时率的概念,提出了计及行业间同时率的分区最大负荷调整的方法。该方法提出了不同行业之间的负荷高峰时段也存在着差异,即通过行业间同时率对最大负荷预测值进行修正即能得到更为精确的最大负荷预测值。结合文末对线路理论需求的计算的算例表明,计及行业间同时率的最大负荷预测方法可以提升最大负荷预测的准确性,提升设备的利用率以及电力系统经济性运行效益。研究成果对配电网经济性运行具有较大的指导性意义。     

基于时序分解的用电负荷分析与预测

在智能电网普及的大数据背景下,对电力数据进行精准的分析和预测对电网规划和经济部门的管理决策具有重要的指导意义,但大多数模型都只是在单一的时间尺度上进行研究。针对这一问题提出一种基于时序分解的后向传播算法的循环神经网络预测模型。通过对真实的居民用电消费数据以及外部因素数据统计处理,深入地分析了居民用电特点以及行为规律,并根据其数据的特征以及天气、节假日等外部因素对用户用电行为的影响建立预测模型,对用户未来时段的用电量进行预测。此外,考虑到居民用电消费数据的时序特征在不同时间尺度呈现不同的变化规律,通过时序分解建立预测模型来对用户用电行为的周期性和趋势性进行建模,并通过加权融合达到一起训练的效果,具有一定的协同性,提升预测精度。