基于小波变换的支持向量机短期负荷预测

提出了一种基于小波分解和支持向量机的短期负荷预测方法.首先利用小波变换把负荷序列分解成不同频段的子序列,对高频序列利用软阀值消噪法去除负荷噪声;对降噪后的负荷序列利用不同的小波进行分解.然后用相匹配的支持向量机模型预测各子序列.仿真结果表明db4小波的预测精度最高,平均绝对预测误差为1.6692%.所得结果同直接用支持向量机预测结果进行比较表明,该方法是有效的.     

基于小波变换的支持向量机短期负荷预测

提出了一种基于小波分解和支持向量机的短期负荷预测方法．首先利用小波变换把负荷序列分解成不同频段的子序列，对高频序列利用软阀值消噪法去除负荷噪声；对降噪后的负荷序列利用不同的小波进行分解．然后用相匹配的支持向量机模型预测各子序列．仿真结果表明db4小波的预测精度最高，平均绝对预测误差为1．6692％．所得结果同直接用支持向量机预测结果进行比较表明，该方法是有效的。     

基于HHT的电力负荷组合预测模型研究与应用

为了进一步提高电力负荷预测精度,在对电力负荷影响因素分析的基础上,提出了一种基于HHT的负荷组合预测模型.该模型利用EMD算法将原始负荷序列分解,得到不同频率的平稳子序列,子序列比原始序列更具可预测性.根据不同频率的子序列特点选取RBF神经网络、BP神经网络和时间序列模型分别预测,同时考虑温度对负荷的影响,得到新的组合模型.算例表明,该模型能有效提高电力负荷预测精度.     

基于小波和神经网络的供热负荷预测

目的研究供热系统热负荷预测方法,使供热量及时跟随用户需热量进行控制.方法通过分析供热负荷特性及其变化规律,用小波包变换对热负荷序列进行分解,再结合Elman神经网络分别对各序列建立模型,进行单步预测,最后重构各序列,得出热负荷预测序列.结果仿真试验表明,与未采用小波分析的BP、Elman神经网络相比,该方法预测精度较高,跟踪能力强.结论基于小波和神经网络的供热负荷预测方法能较好地跟踪预测用热量,适合于短期供热负荷预测的应用.     

CEEMDAN组合DISPSO-LSTM的短期电力负荷预测

针对短期电力负荷预测精度低与准确性差的问题,设计了CEEMDAN-DISPSO-LSTM混合预测模型。运用自适应噪声的完全集成经验模式分解算法以获取平稳负荷序列,采用改进的动态个体-群体粒子群算法求解长短期神经网络参数的最优值,利用最优参数值构建的LSTM网络进行负荷预测。仿真结果表明:与其他模型相比,该混合预测模型取得了较低的电力负荷预测误差,其误差评价指标RMSE、MAE和MAPE分别为43.71 MW,28.53 MW和0.81%,有效地提高了短期电力负荷的预测精度和准确性。     

基于经验模态分解的短期负荷预测

提出了一种新的电力系统短期负荷预测混合模型,该模型将经验模态分解（EMD）、支持向量机与BP型神经网络有机结合在一起,充分利用了各方法的特点。利用经验模态分解将负荷序列分解成若干序列,根据各序列的变化特点,在考虑温度影响因素的基础上构建不同的支持向量机模型,然后利用BP网络进行非线性重构得到最终预测结果。仿真结果表明基于该方法的电力系统短期负荷预测具有较高的精度。     

基于多尺度小波分解和时间序列法的风电场风速预测

针对目前风电场风速预测精度较低的问题,提出一种基于多尺度小波分解和时间序列法的混合风速预测模型,通过小波分解将风速非平稳时间序列分解为不同尺度坐标上的平稳时间序列,然后把分解后的各层序列重构回原尺度,再应用自回归滑动平均模型对平稳时间序列进行预测,最后通过叠加合成得出原始风速序列的预测值。同时在验证时间序列模型有效性与模型选优过程中,采用基于贝叶斯理论的SBC定阶准则,改善了以往模型定阶准则的收敛特性。在算例分析中分别利用本文方法和常规预测法对实际风速分布特性进行预测分析,结果表明,本文方法对不平稳风速序列的预测具有更高的预测精度和更强的适应性。     

小波回归分析法在短期电力系统负荷预测中的应用

利用多分辨分析的小波变换对短期电力负荷序列进行了分解处理.将负荷序列投影到不同的尺度上,根据其在各尺度上子序列的特性分别进行回归预测.最后将预测结果叠加,得到最佳预测结果.结果表明,该方法能够取得较好的预测精确度.     

基于小波-单神经元组合模型的电力系统负荷预测

小波分析是一种新兴的数学工具,它能任意地提取负荷序列的细节.通过使用小波分析,可以在任何水平上分析负荷序列,它对信息成分采取逐渐精细的时域与频域处理,尤其对突发与短时的信息分析具有明显的优势.为了将小波分析用于负荷预测,提出了一种基于小波分解和单神经元的电力系统负荷预测方法.通过小波变换把负荷序列分解为不同频段的子序列...     

基于小波变换和粒子群小波神经网络组合模型的有效停车泊位短时预测

基于停车场有效停车泊位短时变化特性,提出了一种小波变换和粒子群小波神经网络组合预测方法。首先,通过选择合适的小波函数对有效停车泊位时间序列进行多尺度的小波分解与重构,然后对重构后的时间序列分别采用小波神经网络进行预测,并利用粒子群算法对神经网络初始参数的选取进行优化,最后将各自外推的预测结果进行合成,得到最终预测结果。实例分析表明:与单独使用小波神经网络模型相比,小波变换-粒子群小波神经网络模型的预测精度提高了5~7倍,且预测稳定性较好。     

加权Markov修正模糊信息粒的电力负荷区间预测

针对电力负荷预测存在波动性且预测精度不高的问题,提出一种基于加权马尔可夫(Markov)修正模糊信息粒的电力负荷区间预测方法.该方法首先对电力负荷数据序列进行基于模糊信息粒化(FIG)的空间窗口重构,以此得到电力负荷模糊信息粒和电力负荷的各阶自相关系数;然后建立由基于FIG和长短时记忆网络(LSTM)组合的模型(FIG-LSTM),以此获得能够预测不同模糊粒的3组LSTM模型;最后建立加权Markov-FIG-LSTM模型,并通过消除3组LSTM模型中的预测误差得到电力负荷预测区间和趋势值.实例分析表明,Markov-FIG-LSTM模型的RMSE、MAE和MAPE指标比FIG-LSTM模型分别降低了4.78%、11.37%和11.72%,因此该方法可为电网调度提供有效的数据支撑.     

Short-term power load forecasting using integrated methods based on long short-term memory

The development of power system informatization, the massive access of distributed power supply and electric vehicles have increased the complexity of power consumption in the distribution network, which puts forward higher requirements for the accuracy and stability of load forecasting. In this paper, an integrated network architecture which consists of the self-organized mapping, chaotic time series, intelligent optimization algorithm and long short-term memory (LSTM) is proposed to extend the load forecasting length, decrease artificial debugging, and improve the prediction precision for the short-term power load forecasting. Compared with LSTM prediction, the algorithm in this paper improves the prediction accuracy by 61.87% in terms of root mean square error (RMSE), and reduces the prediction error by 50% in the 40-fold forecast window under some circumstances.     

基于最优输入径向基网络的风电功率预测方法

随着风电的大规模接入电网,对风电功率未来出力的把握显得尤为重要,而风电功率预测技术则是掌握出力特性的有力工具。基于实测历史数据,研究系统不同输入量对预测结果误差的影响,选取最佳输入量值;并在此基础上,构建基于RBF（径向基）神经网络的风电功率预测模型,对风电功率进行有效预测;预测结果表明,基于径向基神经网络的预测方法预测精度较高,可以为电网提供更加准确的风电预测出力信息,有助于为调度制定更加合理有效的计划。     

计及温度影响的短期负荷预测时间序列模型

时间序列模型在国际和国内的短期电力负荷预测中得到了广泛应用.然而,这种方法的一个主要缺点是无法将影响负荷预测的主要因素之一即气象因素考虑进去.在此背景下,首先基于负荷和气温数据建立了负荷预测的回归模型,然后构造了回归模型残差累积式自回归一滑动平均模型并对回归模型进行修正.最后,用广东电力系统的实际负荷数据说明了所发展的...     

基于改进的模态分解和组合预测模型的短期负荷预测

短期负荷预测是电网调度计划重要的支撑依据,同时短期负荷预测的预测精度也是电网系统安全稳定运行的基础和前提。文中提出了基于改进的模态分解和组合预测模型(EEMD-组合模型)的预测思想,实现对短期电力负荷的精准预测。首先利用改进的模态分解实现对历史序列分解,挖掘不同频段序列的负荷特性以及与影响因素的关联关系,然后针对不同频段的序列使用不同的预测方法,最终集成整体预测结果,并使用均方根误差和平均相对误差进行测后评价,同时与其他预测模型进行对比。结果表明EEMD-组合模型可以很精准地预测未来负荷变化情况。     

考虑经济效益的风储联合发电系统的最优功率预测

准确的风功率预测及经济效益最大化问题一直是电力系统关注的热点,同时也决定风储联合系统参与调度的积极性.因此,文中构建了考虑经济效益的风功率预测模型和风储联合调度模型.首先,分析不同损失函数下的最优预测理论,并选择基于成本导向的增强回归树建立考虑了预测误差成本的风功率预测模型,该模型通过降低预测误差成本提高风电场经济效益;然后,以风功率预测模型的实验结果为基础,构建风储联合调度模型,最大化风电场的经济效益;最后在两个风电场中验证文中所提方法的有效性和先进性.     

基于时序分解与误差修正的新能源爬坡事件预测

为了提高以风电、光伏为代表的新能源的爬坡预测的准确性,提出基于主成分分析、时序分解与修正长短期记忆（LSTM）网络预测误差的爬坡预测模型. 为了充分考虑功率的时序特性,采用时序分解方法将功率分解为周期、趋势和余项,结合多个特征因素的主成分建立基于LSTM的趋势和余项预测模型,实现功率的时间特征与影响因素主成分的映射关系刻画. 在采用LSTM对趋势和余项进行初步预测的基础上,引入误差修正算法计算拟合预测模型的动态误差并构建新的非平稳时间序列,获得准度性更佳的趋势和余项预测值. 通过加法模型融合趋势、余项以及利用朴素法获得的周期,得到最终预测功率. 结合风电和光伏爬坡事件定义,运用所提模型分别进行风电和光伏爬坡预测. 实验结果表明,与其他预测方法相比,所提模型在功率直接预测和爬坡事件间接预测上均具有更优的精度,能够为电网调度提供更可靠的依据.     

基于负荷分解的短期负荷预测传递函数模型

短期负荷预测主要用于预测未来几小时、1天甚至几天的负荷,对电力系统运行的安全性和经济性具有重要意义。时间序列模型在电力系统短期负荷预测中得到了广泛应用。然而,这种方法的一个主要缺点是无法将影响负荷预测的主要因素之一即气象因素考虑进去。在此背景下,首先基于历史负荷数据,采用传统的分解方法提取出负荷中的周期分量,得到剔除周期分量后的非周期分量。在此基础上,首先采用逐步回归法筛选出影响负荷非周期分量的主要因素,之后发展了预测负荷非周期分量的传递函数模型。最后,用广东电力系统实际负荷数据对所发展的短期负荷预测模型的准确性进行了验证。     

电动汽车充电负荷预测系统研究

根据规划的电动汽车在未来规模化的应用将对电网产生重要影响,电动汽车充电负荷预测是分析电动汽车接人电网的基础,目前还没有比较成熟的方法。综述电动汽车接人对电网的影响和电动汽车负荷预测的研究现状,分析充电负荷预测的影响因素,并基于分布函数的蒙特卡洛计算模拟,开发一套区域电动汽车充电负荷预测系统,可实现对不同电动汽车种类、不同电池容量、不同充电方式、不同充电频率等情况下的综合预测,为电动汽车接人电网的影响分析和调控策略制订提供理论和技术支持。     

多变量时间序列的短期负荷预测模型及其方法研究

电力系统负荷预测是日常生活中电力系统调度部门的一项重要工作,预测精度的高低直接影响到电力系统的安全性、经济性和供电质量.混沌理论中,负荷预测模型的建立通常由单变量时间序列的相空间重构来实现,但实际过程中往往难以确定是否包含了重构动力系统的全部信息,特别是在有限时间序列存在噪声时.因此,将单变量时间序列方法拓展到多变量时间序列中,进行多变量时间序列的相空间重构,计算了各时间序列的延迟时间和嵌入维数,建立了预测模型.研究结果表明多变量时间序列的预测效果有较大提高.