基于短期负荷预测的超短期负荷预测曲线外推法（Only in Chinese）

针对短期和超短期负荷预测的特点，提出了一种基于短期负荷预测的超短期负荷预测曲线外推算法。该算法充分利用了短期负荷预测已取得的成果，解决了传统采用负荷历史数据进行超短期负荷预测时在拐点、天气剧烈变化和节假日期间负荷预测精度下降的问题。为了提高负荷预测精度，还讨论了在进行超短期负荷预测时，对历史坏数据的处理以及对短期负荷预测中对拐点预测不准的修正等实用性问题。通过在四川电网调度自动化系统中的应用结果表明，该方法速度快，精度高，运行可靠稳定，具有较强的适应性。     

基于改进倍比平滑法的节假日短期负荷预测方法

为了提高节假日短期负荷预测精度,提出了基值与归一化曲线结合并加入灰色关联度气象因素修正的负荷预测方法.基值预测时兼顾“重近轻远”的原则,将指数平滑预测改进后应用于节假日负荷预测中,并采用0.618优选法确定平滑系数,对关联日样本进行指数平滑处理;归一化曲线预测时考虑基于相同节假日负荷波动的相似性,引入灰色关联度法分析气象关联性.将该方法应用于广东省某市2011年96点节假日负荷预测,预测结果精度较好,验证了该法的可行性.本模型将正常日的基值与归一化曲线短期负荷预测方法用于节假日负荷预测中,克服了样本贫乏带来的预测精度不高问题,为电力部门节假日负荷预测提供参考.     

基于改进积温效应修正模型的负荷预测

针对积温效应会造成电力负荷异常增长,传统负荷预测方法精度较差的问题,基于积温效应对电力负荷影响进行分析,提出了基于改进积温效应修正模型与参数优化支持向量机的负荷预测方法。首先分析气象因素与气象负荷的相关性,确定积温临界值,对积温效应强度和温度之间的关系进行研究,提出了一种改进积温效应温度修正模型。然后利用PSO对支持向量机参数进行优化,利用优化支持向量机对日负荷进行预测。最后通过算例实例证明了该方法的有效性,可有效提高短期负荷预测的精度。     

考虑需求侧管理的负荷预测方法研究

为了提高负荷预测的精度,须在负荷预测当中考虑到需求侧管理因素。结合上海市电力公司常用的负荷预测方法,提出了基于模型参数修正的负荷预测间接修正方法和把需求侧管理量作为负荷形成直接输入变量的负荷预测直接法,算例验证了算法的有效性。     

基于遗传算法优化PNN的短期负荷预测

为提高短期负荷预测精度,提出了一种基于遗传算法优化概率神经网络(PNN)的短期预测模型。首先对负荷数据异常值进行辨识与修正,建立PNN短期预测模型,在此基础上引入遗传算法(GA),优化概率神经网络的平滑因子,改善了PNN模型的性能,优化后的PNN短期预测模型预测精度得到明显的提高。实例预测结果证实了该方法的有效性。     

基于负荷预测的变电站电压无功综合控制策略

目前的变电站电压无功综合控制方法对短期负荷波动的适应性差,为解决该问题,提出了一种变电站电压无功综合控制策略数学模型。该算法模型由启动判据、利用超短期负荷预测结果对控制量的修正算法、动作判据和区域配合算法几个数学模型构成,给出了这些模型的数学表达式和这些数学模型怎样与基于前一工作日和节假日负荷的超短期负荷预测结果相结合来实现地区变电站的电压无功综合控制的方法,并采用该算法研制设备的变电站的运行结果证实了该算法模型的正确性与优越性。     

基于自回归模型的超短期负荷预测方法

针对提前1小时的超短期负荷预测,在充分分析负荷特性的基础上,提出了基于自回归模型的超短期负荷预测,并利用拐点与负荷变化率的关系对预测结果修正。算例分析表明,该方法可以取得较高的预测精度。     

基于双修正因子的模糊时间序列日最大负荷预测

天气温度变化是影响短期电力负荷预测的主要因素.为提高预测精度,引入负荷变化影响因子和气温影响因子,提出基于双修正因子的模糊时间序列预测算法.根据负荷变化趋势,提出分段预测的思想,在拐点处用负荷变化因子进行修正,然后用气温影响因子对预测结果进行二次修正.将改进的算法用于某电网夏季最大负荷的预测.数值结果表明该算法具有较高的预测精度.     

基于改进数据流在线分割的超短期负荷预测

为同时提高超短期负荷预测的实时性和准确性,应对现代电力系统对实时负荷预测的更高要求,提出一种基于改进数据流在线分割的超短期负荷预测方法。该方法根据负荷发展的时间趋势,利用数据流实时处理技术进行超短期预测,然后结合蕴含天气因素和负荷周期特性作用的短期负荷预测结果,对分割点的实时预测结果进行修正;其快速分段预测能力,避免了重复建模,提高了预测速度;对分割点的实时修正处理有效地增加了历史信息利用率,降低了分割点误差,使预测精度稳定在一个较高的水平。采用实际负荷数据检验该预测模型的有效性,结果表明,基于该模型的预测精度和速度均优于几种常规超短期预测算法,同时降低了拐点预测误差,在天气突变时也具有稳定的适应性。     

基于优化稀疏编码的超短期负荷滚动多步预测

小时级的超短期负荷预测是调度部门制定日内滚动计划的基础。该文提出了一种基于优化稀疏编码的超短期负荷多步预测算法,对未来4h的负荷进行滚动预测。首先,将历史负荷功率序列组成具有时延的特征字典和目标字典,并利用稀疏编码算法建立多步预测模型;然后,基于负荷曲线的相似性特性,借助实时的负荷功率特征向量与特征字典中原子的拓展符号化距离对特征字典原子进行筛选,提高了稀疏编码的预测精度;最后,对预测结果进行误差分析。针对负荷爬坡时段误差偏大的问题,通过基于负荷增量预测值的修正模型进行优化,进一步提高了预测精度。采用实际负荷数据进行分析,验证了所提方法的有效性。     

基于小波包的马尔科夫方法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的精度,提出了一种基于马尔科夫模型的组合预测算法。该算法利用双正交小波线性相位的特点,对负荷时间序列进行小波包多分辨分解。针对短时电力负荷具有较强随机波动性,采用软阈值方法检测和处理不良信号,用去噪后的信号建立模糊马尔科夫预测模型,通过将各负荷序列的预测值加以组合得到最终预测结果。经实际算例验证,该算法能有效地提高预测精度,具有良好的抗干扰和容错能力。     

节假日短期负荷预测的一种实用算法

根据节假日负荷与周末负荷间的相似关系 ,以及节假日负荷受温度变化影响大的特点 ,提出了一种以周末负荷为基础 ,考虑温度修正的实用节假日负荷预测算法 ,实际预测证明了这种方法的有效性     

基于改进天牛须搜索算法优化LSSVM短期电力负荷预测方法研究

为提高短期电力负荷预测精度,提出了一种天牛须搜索算法优化的LSSVM短期电力负荷预测模型。引入模拟退火算法的蒙特卡洛法则对优化算法进行改进,提高了该算法的稳定性。将改进BAS算法优化后的LSSVM模型用于短期电力负荷预测问题。使用小波阈值去噪处理电力负荷数据,减少一些不确定性因素对负荷预测的影响,提高了预测精度。选择四川某地区电网实际历史负荷数据进行分析和预测,并与PSO-LSSVM、LSSVM预测模型进行对比分析。算例结果表明,所提出的IBAS-LSSVM预测模型与LSSVM相比预测精度提升了1.5%左右,与PSO-LSSVM相比算法运行时间缩短了70%,且算法稳定性更高,证明了该方法的实用性与有效性。     

基于参数迁移的节假日短期负荷预测方法

在短期负荷预测中,节假日负荷的相关数据通常较少且负荷规律和平常日差异较大,因此节假日负荷预测的精度往往较差。为此,提出了一种基于参数迁移的节假日短期负荷预测方法,采用深度神经网络结合迁移学习以提高节假日负荷预测精度,用某省电网的实际负荷数据进行了仿真分析。结果表明,方法能有效提高节假日负荷预测的准确性。     

基于卡尔曼滤波二次修正的短期负荷预测

针对卡尔曼滤波在短期负荷预测中只是进行一步预测的问题,提出了由预测协方差阵构建测量方差方程的方法,对测量新息做出估计,实现了一步预测基础上的二次修正。给定某一置信度,得出负荷相应置信水平下的置信区间包络线,以此为风险分析、可靠性评估提供数据支持,对修正结果进行了确认。通过对实际电网1周的负荷数据进行仿真分析,并与普通卡尔曼滤波及基于移动窗的滤波算法分别进行比较,验证了提出方法的有效性和优越性。     

模糊线性回归方法在节假日短期负荷预测中的应用

由于节假日负荷与正常日有较大差异,加之样本较少,节假日短期负荷预测一直是一个难点问题。为了降低节假日短期负荷预测的误差,创新性地引入了模糊线性回归方法对节假日短期负荷进行预测,结果表明,该算法预测精度较高,适用于节假日短期负荷预测。     

基于变化趋势和气象因子的加权负荷预测方法

针对采用趋势变化法预测电力负荷时,存在因未充分考虑气象因素而影响预测精度的问题,提出了一种基于变化趋势和气象因子的加权负荷预测方法。该方法综合考虑气温、湿度和天气类型3个气象因子,对基于变化趋势的电力负荷预测方法进行修正。分析了基于变化趋势的电力负荷预测方法存在的2个问题：未考虑外界因素对电力负荷变化趋势的影响和预测电力负荷时存在累计误差。在充分研究日内平均负荷变化率和点间平均负荷变化率的基础上,给出了算法的详细计算步骤,并将其应用于苏北某地区电力负荷的预测算例中。结果表明该方法的预测误差为3.42%,预测精度高且数据波动小,验证了该方法的有效性和可行性。     

基于相似日负荷修正的节假日短期负荷预测

针对短期负荷预测中节假日的特殊性,提出基于相似日负荷修正的算法。为了克服节假日样本较少所导致的预测困难,将近期周末扩充到相似日样本中。该算法评估相似性时综合考虑气象和时间因素。针对气象因素,采用灰色关联分析法来计算,而对于时间因素,兼顾到“近大远小”和“周期性”的原则,并以二者相似度的乘积量化总体相似性,选出若干相似日。考虑到类型日和年周期对负荷的影响,基于“历年节假日与周末负荷比例”和“负荷年增长率”分别修正相似周末和相似节假日的负荷。该算法应用到某地级市的预测中,平均相对误差为2.29%。     

基于人工免疫算法优化LSSVM的短期电力负荷预测

针对最小二乘支持向量机(LSSVM)中参数选取对电力负荷预测精度有着较大的影响,建立了一种基于人工免疫算法优化最小二乘支持向量机的短期电力负荷预测模型,该模型以历史负荷数据作为输入向量,选用高斯径向基函数作为核函数,利用人工免疫算法对LSSVM中的惩罚因子和核参数进行优化选取,极大地提高了LSSVM的训练速度和预测精度。仿真结果表明,该方法在短期电力负荷预测中具有较高的预测精度,证实了该方法的有效性和可行性。     

基于神经网络-模糊推理综合模型的短期负荷预测

针对由于神经元网络泛化能力不足等原因造成的预测精度不高甚至出现坏数据从而难以适用于负荷波动厉害的电网情况，提出一种基于神经网络-模糊推理综合模型的短期负荷预测方法。该方法结合了神经网络和模糊推理的优点，通过模糊推理来修正神经网络输出的预测结果，能有效地提高预测精度。特别是对于受天气影响比较明显而天气变化又比较剧烈的电网，能有效防止不合理预测结果的出现。在武汉电网的实际运行情况说明了本算法的有效性。