基于负荷误差和经济发展趋势的组合预测模型在中长期负荷预测中的应用

针对组合预测未来预测期权重的确定,充分考虑电力需求与未来经济发展的关系,提出基于两个评价指标来计算各单一预测模型的权重,指标一是各单一模型预测值与实际负荷的误差,指标二是各预测值的年增长率与国内生产总值年增长率的误差.采用客观熵权法和主观G1法来确定两指标的相对重要性,最后综合得出各单一预测模型的权重.该改进组合预测模型解决了未来预测阶段权重的求解问题,通过对农网中长期电力负荷进行预测,结果表明该方法比常规方差优选组合预测模型更为准确和可信.     

层次结构下的中长期电力负荷变权组合预测方法

提出了一种基于层次结构的中长期电力负荷变权组合预测方法,借鉴层次分析法的思想,构造一个层次结构来确定组合权重:采用熵值法确定模型评价指标的相对权重;采用方差–协方差优选组合预测方法和灰色关联分析分别确定各单一预测模型在各评价指标下的相对权重,最终确定组合预测模型中的组合权重。在组合预测的整个过程中,根据负荷发展的"近大远小"原则,引入等维信息的概念,实现了变权组合预测,使预测结果能够更合理地反映电力负荷的发展规律。最后通过一个实例验证了该方法的有效性。     

基于递归等权组合模型的中长期电力负荷预测

针对电力负荷预测中单一模型不能充分利用数据信息和对其内在规律考虑不完全的问题,文中采用基于递归等权的组合预测模型,通过灰色关联度法对多个单一模型进行筛选,并确定参与组合的模型。再由递归等权法实现了对参与组合的各单一模型的变权重处理,有效地考虑各单一模型的预测好坏的变化。最后,通过对某地区最大负荷进行预测,对比单一模型与递归等权组合预测模型的预测误差。结果表明,递归等权组合预测模型比各单一预测模型的误差都小,从而验证了该模型能有效提高电力系统负荷预测能力,其精度高、结果可靠。     

电力中长期负荷模糊优选组合预测方法的研究

传统中长期电力负荷组合预测方法在确定权系数时,由于没能充分考虑各单一预测模型拟合值与历史实际值之间的多种误差信息,而使预测结果不够理想.为此,选取多种误差作为评价单一模型优劣的指标,引入多目标系统模糊优选理论,结合熵权法客观分配各种误差指标的权重,在全面考虑多种误差信息的情况下,通过求取各单一模型预测精度对“优”的隶属...     

用变权重组合方法预测中期电力负荷

变权重组合预测法集合了多种单种预测法所包含的信息,可使中期电力负荷预测的准确性不断提高。介绍了变权重组合预测法的基本原理,并进行了预测结果的误差分析及关联度分析。以上海市某区的历史电力负荷数据为实例,计算负荷预测值的误差指标以及预测曲线关联度分析证明,变权重组合负荷预测值与实际值具有很好的拟合度,可有效提高中期电力负荷预测的精度和可信度。     

灰色关联度组合权在电力负荷预测中的应用

电力负荷预测的复杂性、不确定性使传统的单一预测模型难以获得精确的结果.为提高电力负荷预测准确度,构建了一种组合预测模型.该模型综合灰色递阶模型、"S"曲线模型和逐步回归模型预测结果的过程中引入灰色关联度作为确定组合预测权重的依据,综合协调各个结果,得到更为合理的预测值.     

基于ARIMA-SVM模型的微电网短期负荷组合预测研究

在对比分析微电网负荷特性与传统电力负荷特性的基础上,针对微电网负荷不确定性和波动性强的特点,提出了一种基于预测误差指标的最优组合预测方法进行微电网短期负荷预测。方法中结合了自回归积分移动平均法和支持向量机模型的优点,以两种预测方法误差绝对值和最小为目标,分析确定预测方法在组合模型中的权重,进而得到组合预测中的最优权重组合。研究表明,与方差倒数法组合预测模型所得结果相比,该组合预测方法具有更高的预测精度,能满足实际要求。     

考虑不同发展情境的江苏省中长期电力需求预测

传统的中长期组合预测模型通常没有考虑不同发展阶段各个指标的不同权重,也没有在中长期的预测中考虑不同的发展情形。依据经济发展的周期特性及与电力的内在联系,将电力数据划分为不同阶段,利用电量误差指标和趋势误差指标计算各单一预测模型权重,利用客观熵权法得到各单个预测方法的综合权重。充分考虑未来经济发展的不同可能以及电动汽车、需求响应等用电技术改变因素,设定低速发展、高速发展和考虑其他因素的发展情境,并分别进行组合预测。将该组合预测方法应用于江苏省中长期负荷预测中,得到不同情境下的预测结果。     

基于最大信息压缩指标与层次分析法的电力负荷组合预测模型

提出一个基于最大信息压缩指标与层次分析法的电力负荷组合预测模型,采用最大信息压缩指标评价单个预测模型的精度,用层次分析法确定各个模型以权重。最大信息压缩指标越小,信息损失越少,权重越大.实例分析表明该组合预测模型预测精度高.     

等维新息熵值法在中长期负荷预测中的应用

针对电力系统中长期负荷预测会受到很多不定因素的影响,通过采用组合预测等维新息熵值法对中长期电力负荷进行建模,建立了基于等维新息熵值法组合预测数学模型。先是用最优加权几何平均法和灰色关联分析法算出单一预测模型的权重,接着由熵值法确定模型评价指标的相对权重,最终获得组合权重因子。在组合预测模型中引入了等维新息数据处理的思想,实现了变权重,使预测结果能够更加合理地反映负荷发展趋势;并通过寻找等维新息的最佳维数区,优化了等维新息熵值法组合预测模型,得到更高的预测精度。计算结果显示了采用等维新息熵值法对中长期电力负荷进行预测的有效性。     

Regression based peak load forecasting using a transformationtechnique

This paper presents a regression based daily peak load forecasting method with a transformation technique. In order to forecast the load precisely through a year, one should consider seasonal load change, annual load growth and the latest daily load change. To deal with these characteristics in the load forecasting, a transformation technique is presented. This technique consists of a transformation function with translation and reflection methods. The transformation function is estimated with the previous year's data points, in order that the function converts the data points into a set of new data points with preservation of the shape of temperature-load relationships in the previous year. Then, the function is slightly translated so that the transformed data points will fit the shape of temperature-load relationships in the year. Finally, multivariate regression analysis, with the latest daily loads and weather observations, estimates the forecasting model. Large forecasting errors caused by the weather-load nonlinear characteristic in the transitional seasons such as spring and fall are reduced. Performance of the technique which is verified with simulations on actual load data of Tokyo Electric Power Company is also described     

基于HHT及改进Shapley值模型的非平稳负荷短期预测

随着需求侧用户终端的智能化水平的提高,短期负荷数据具有非平稳性的特点,单一的负荷预测模型和常规的组合预测模型忽略负荷数据的时序性特点,难以达到满意的预测准确度.针对此种情况,文章提出一种基于HHT和改进shapley值模型的短期负荷预测方法,通过HHT变换对非平稳负荷进行重构得到随机、周期、趋势分量;通过改进shapley值模型确定组合预测各个预测方法的权重分配,并分别应用于随机、周期、趋势分量的预测,将得到的各个预测分量进行叠加得到最终预测值.算例采用单一预测模型、未改进的Shapley组合预测模型和改进后Shapley值的组合预测模型三种方案对非平稳负荷进行短期预测,从模型精确度和稳定性两个角进行对比分析.结果 表明,文章提出的预测方法具有更高的精确度和稳定性.     

基于最小一乘法的组合赋权法在中长期负荷预测中的应用

中长期负荷预测是电网规划的重要依据和前提,出现了大量的算法模型,但每种模型都有自己的适用条件,采用组合预测能有效地组织各种模型做到扬长避短。组合预测法的关键是确定组合模型的权重,最小二乘法是应用较为广泛的确定模型权重的方法,但研究表明,该方法在确定负荷有突变情况的权重时存在较大的误差,因此,提出基于最小一乘法的权重确定方法,与最小二乘法相比,该方法以误差绝对值之和最小为优化目标,而非平方和最小,避免了误差的缩放,残差可以真实反映与真值的偏离程度,有利于权重的确定,最后通过实例验证了该方法的有效性和优越性。     

Peak load forecasting using multiple-year data with trend data processing techniques

This paper presents a regression-based daily peak load forecasting method using multiple-year data with trend cancellation and trend estimation techniques. Daily peak load heavily depends on daytime temperature and is influenced by the other weather factors such as humidity. Since the characteristic of the load is varying, peak loads just before a forecasting day are more significant for the forecasting. The regression model can represent relationships between these weather factors and peak loads. However, the forecasting model is sometimes not adequate for precise load forecasting. The regression model is well matched with the late data, but the model causes large forecasting errors in transitional seasons because of seasonal change of load characteristics. In order to forecast precisely through a year, a method of using seasonal or whole year data from past years is proposed. In this paper, two kinds of trend data processing techniques are described. The first is trend cancellation. The second is trend estimation. The trend cancellation technique removes annual load growth by means of division or subtraction processes with morning load on the forecasting day. The trend estimation technique estimates the trend between the forecasting year's load and the past year's load by using the variable transformation techniques. The performance of both techniques, verified with simulations on actual load data, is also described. © 1998 Scripta Technica, Electr Eng Jpn, 124(1): 7–16, 1998     

基于灰色和偏最小二乘方法的年度负荷预测

将偏最小二乘方法应用于年度负荷预测,可以利用有限容量样本剔除冗余信息,建立线性回归方程,但其对随机因素影响的相对重要性提升会降低预测精度.根据年度负荷以及主要影响因素的趋势变化特点,采用灰色模型对其进行模拟,以经验风险最小的预测值代替原始数据进行偏最小二乘建模,从而削弱随机因素的影响,提高预测精度.试验证明该方法有效可行.     

Application of an innovative combined forecasting method in power system load forecasting

To fully integrate the advantages of several forecasting models and improve the accuracy of load forecast results, the application of the combined forecasting method to power system load forecasting is introduced in this paper. The evolutionary programming and fuzzy comprehensive evaluation methods are employed to deduce the weight coefficients of each model. Practical cases are studied using the two methods and tested to be feasible and effective.     

基于马尔可夫链筛选组合预测模型的中长期负荷预测方法

在负荷预测的模型组合过程中,主要是根据历史数据的趋势恰当选择模型,再根据模型特点选择权重分配方法。针对灰色关联度满足要求的几种模型预测值分化较大的问题,从负荷数据的增长率无后效性这一特点出发,通过对原始数据增长率的分析,采用马尔可夫链划分区间,从几种满足精度要求的模型中筛选出两种进行组合预测,通过方差—协方差方法分配权重。经过该种方法的筛选,不仅可以更准确地选择组合预测模型的类型,而且具有较高精度。     

混沌理论在年电力负荷预测中的应用

电力负荷预报是电力系统的重要工作之一。电力系统年负荷为非线性时间序列,针对电力系统负荷的复杂性及非线性,提出了结合混沌理论的思想,充分利用数据信息,在重构电力负荷相空间的基础上对负荷进行预测。通过对年电力负荷时间序列混沌理论的分析,进一步表明了电力负荷预报值的合理性,也预示了今后20—30年内电力负荷的持续稳定增长。     

基于近似熵的电力系统负荷预测误差分析

为深入探究负荷时间序列预测误差的影响因素,提高负荷预测精度,提出近似熵算法,用于定量刻画负荷时间序列的规律性,全面认识负荷预测误差的成因。采用近似熵算法对负荷时间序列进行分析,确定其规律性的强弱。在此基础上,针对负荷时间序列的规律性与预测误差之间的关系进行研究。算例分析结果表明,近似熵算法可以有效刻画负荷时间序列的规律性,且负荷时间序列的规律性与其预测误差之间有着较强的相关性,证明了方法的正确性和有效性。     

基于优化的VMD-mRMR-LSTM模型的短期负荷预测

随着智能电网技术的发展和电力市场的推进,用电模式的复杂性逐渐凸显,对短期负荷预测的精度和稳定性提出了更高的要求.针对传统负荷预测方法缺少对时序数据相关性、特征值的全面考虑等问题,提出一种基于优化的变分模态分解、最小冗余最大相关性与长短期记忆神经网络的组合预测模型.首先,将波动性高的负荷序列分解为一组相对平稳的模态分量,...