应用变差模型对广西电网月负荷预测的研究

给出电力系统短期负荷预测的变差分析模型。将负荷分解为年度变差、月份变差和随机变差，通过对其进行分别估计便可得到负荷的预测值。并以广西电网在不同的采样年限下的负荷进行预测，实例分析表明了该方法的有效性、简易性和实用性。     

基于 VMDT-POA-DELM-GPR 的两阶段短期负荷预测

针对传统负荷预测方法精度不高的问题,为准确捕捉到负荷数据波动的规律,提出了一种两阶段负荷预测方法。第1阶段首先用变分模态分解(VMD)对原始负荷序列进行分解,得到分解处理后的残差分量,再采用时变滤波经验模态分解(TVF-EMD)方法进行特征提取;然后对全部子序列分别建立深度极限学习机(DELM)模型,同时利用鹈鹕优化算法(POA)进行参数寻优,叠加各子序列的预测值得到初始负荷预测值。第2阶段采用POA-DELM模型对误差分量进行预测;然后将第一阶段中所有子序列预测值和误差预测值作为特征输入到高斯过程回归(GPR)模型中,得到负荷最终的预测结果。结果表明,两阶段模型的均方根误差(RMSE)、平均绝对误差(MAE)分别为对比模型的4%～77%、4%～76%,而平均百分比误差(MAPE)仅为0.067 8%,可有效提高电力负荷的预测精度。     

基于EMD和相关向量机的短期负荷预测

为提高电力负荷预测的准确性,提出一种基于经验模态分解EMD(empirical mode decomposition)与相关向量机RVM(relevant vector machine)的短期负荷预测方法。该方法利用EMD将目标负荷序列分解为若干个不同频率的固有模态分量I MF(intrinsic mode function),通过分析各个分量的特征规律,构造不同的RVM模型对各分量分别进行预测,再将各分量预测值通过RVM组合得到最终预测值。仿真结果表明,通过EMD分解,预测效果有显著改善,而RVM模型较之BP神经网络模型与SVM模型具有更高的预测精度。     

基于VMD-ARIMA-DBN的短期电力负荷预测

针对短期电力负荷预测精度不足的问题,提出一种基于变分模态分解、深度信念网络、差分自回归移动平均模型的组合预测模型。首先选取电力负荷影响较大的相关参数,采用变分模态分解将负荷数据分解为低频和高频两种分量;然后利用差分自回归移动平均模型和深度信念网络分别对低频和高频两种分量进行预测,为克服深度信念网络参数随机化的缺陷,采用粒子群优化算法优化模型以进一步提高精度;最后组合各模型结果得到最终预测值。实验结果表明,该组合模型较其他模型具有更好的预测性能。     

基于短期相关性和负荷增长的中长期负荷预测

现有中长期负荷预测非线性模型存在预测困难及精度偏低且不稳定的问题。文中提出了一种基于短期相关性和年度负荷增长的预测方法,将非线性问题转化为线性问题来解决。该方法首先根据上一年相邻点和相邻周负荷之间的短期相关性构建线性回归模型;然后采用递归的方法计算出下一年各周所有负荷点的预测值;最后考虑年度负荷增长,对预测值进行修正得到最终预测结果。结合实际电网数据验证了该方法的有效性和实用性,为中长期负荷预测提供了一条可行的新思路。     

基于灰色模型和Kalman平滑器的多母线短期负荷预测

提出一种基于灰色模型和Kalman平滑器的多母线短期负荷预测方法。首先利用频域分解消去母线负荷序列的周周期分量,建立序列的灰色模型;利用系统负荷预测方法得到系统负荷预测值。然后基于灰色模型,将各母线负荷的累加序列作为状态,系统负荷的累加序列作为观测,建立线性离散随机系统模型,利用Kalman平滑器计算各母线负荷累加序列的最优估计值,最后经过累减还原并加上周周期分量得到母线负荷的预测值。Kalman平滑器利用高准确率的系统负荷预测结果对母线负荷预测进行调整,降低预测误差。在实际系统中进行了仿真验证,证明了该方法的有效性。     

基于小波分解的支持向量机母线负荷预测

为提高母线负荷预测的准确性,提出一种基于小波分解和支持向量机的母线负荷预测方法。该方法利用小波分解算法将目标负荷序列分解为若干个不同频率的子序列,通过分析各个序列的特征规律,构造不同的支持向量机模型对各分量分别进行预测,再将各分量预测值进行重构得到最终预测值。对某一区域内15条母线进行预测,采用平均日母线负荷准确率进行评价。与单独使用支持向量机方法相比,应用所提方法提高了962点的预测效果,占总预测点数的66.8%;全系统的准确率由93.5%提高到了95.1%。     

基于小波分解模糊灰色聚类和BP神经网络的短期负荷预测

提出基于小波分解、模糊灰色聚类和BP神经网络的短期负荷预测方法.通过小波分解将负荷序列分解成低频分量和高频分量,找出负荷各频率分量的规律;通过模糊灰色关联聚类方法选取待预测日的负荷相似日;针对不同频段负荷的规律采用相对应的神经网络模型进行负荷预测,获得不同频段的待预测日负荷各分量,将各分量的预测结果叠加得到负荷预测值.采用所提方法对某地区2010年实际负荷进行预测,并与已有的负荷预测方法比较,结果表明所提方法可提高负荷预测的精度.     

小波分析及其在短期负荷预测中的应用

利用小波分析把原始负荷分解成受国民经济影响的经济负荷部分和受气象因素影响的气象负荷部分,然后分别对两者建立相应的模型进行预测,最后把两者的预测值合成得到最终预测结果.小波分解尺度通过建立气象数据和不同分解尺度下得到的气象负荷部分之间的相关系数序列来确定,从而把经济负荷和气象负荷合理分开.实例表明该方法是可行和有效的.     

基于熵值法的组合模型用电量预测方法研究

电力系统的中长期负荷预测是配电网规划的基础,对实现电网的安全经济运行起着重要作用。以年度用电量预测作为研究的对象,年度用电量预测采用4种主要方法,即分别按照年度、季度、月度和行业用电量预测得到对应年用电量预测值,在此基础上再按其发展序列预测结合起来,建立了一种线性组合预测模型。并采用熵值法对组合模型的权系数进行求解,实证分析表明该模型使预测精度得到了明显提高,具有良好的预测效果。     

基于最优可信度的月度负荷综合最优灰色神经网络预测模型

月度负荷具有增长和波动二重趋势.作者首次提出以纵向历史数据为原始序列,用灰色预测模型进行增长趋势预测;以横向历史数据为原始序列,用人工神经网络模型进行波动趋势预测的方法,并在此基础上,引入最优可信度的概念,同时考虑了月度负荷的两种趋势,建立了综合最优预测模型.该模型兼顾了前两种模型的建模特点,优于只考虑单一发展趋势负荷预测的模型.对电力负荷预测应用实例的计算结果表明,该方法明显地提高了月度负荷预测的精度,也同样适用于进行周、季负荷等具有二重趋势的负荷序列的预测.     

电力系统中长期负荷预测软件包的开发

作者开发了基于Windows操作平台的电力系统中长期负荷预测软件包。该软件包分为原始数据处理、负荷预测、预测结果处理三个模块，各模块相互独立，易于扩充。在该软件包预测结果处理三个模块，各模块相互独立，易于扩充。在该软件包建立的负荷预测的模型库具有分析、计算快速，检验方法多、结果输出形式多样的特点。模型库具有智能化的专家系统，可以针对不同地区的具体情况进行调整，适用范围广泛。最后以某地区的需电量历史数据为例，选择了5种不同模型进行了预测，并与综合模型的预测结果进行了分析和比较。分析表明该软件包人机界面友好、选用模型合理、预测结果精度较高，能够满足当今快速发展的电力市场对于电力负荷预测的精度的要求，并解决了当前电力系统中一些负荷预测软件可操作性不强，模型适用范围小的问题。     

考虑数据周期性及趋势性特征的长期电力负荷组合预测方法

为解决长期电力负荷预测精度不足及模型适用性不强等问题,考虑将区域经济发展、社会发展等多项宏观指标与区域用电负荷的时间序列数据进行因素耦合。利用BP神经网络与差分整合移动平均自回归方法(ARIMA)整合改进预测模型,提高年度负荷预测模型的趋势预测能力。采用函数型非参数方法预测月度负荷数据中周期性负荷数据,将年度负荷预测与月度负荷预测相结合以提高模型整体预测精度。最后通过灰色预测等模型数据比对及MAPE误差分析方法验证,考虑数据周期性与趋势性组合的模型方法预测精度显著提升,适用于区域电力负荷的长期性预测。     

基于CEEMDAN-SE和DBN的短期电力负荷预测

为提高短期负荷预测精度,提出一种基于自适应噪声的完全集合经验模态分解(CEEMDAN)-样本熵(SE)和深度信念网络(DBN)的短期负荷组合预测模型。利用CEEMDAN-样本熵将原始负荷序列分解为多个特征互异的子序列,计算各子序列的样本熵,将熵值相近的子序列重组得到新序列,降低了原始非平稳序列对预测精度造成的影响并减小计算规模;综合考虑各新序列的周期特性和影响因素对每个新序列分别构建不同的DBN预测模型,利用DBN克服了浅层神经网络特征提取不充分及初始参数难确定的问题;最后将预测结果叠加得到最终预测值。仿真结果表明,该组合预测模型的平均绝对百分比误差和均方根误差分别为1.18%和87.91 MW,相比于BP、DBN、EMD-DBN负荷预测模型具有更高的预测精度。     

基于气象成分分解的夏季短期负荷预测

夏季负荷受温度等气象因素影响大,表现出随机性强、波动性大的特点。针对现有短期负荷预测模型在夏季预测精度不高的问题,提出在负荷成分分解的同时,将温度分解为日周期分量和波动分量,以此准确把握短时气象波动对夏季短期负荷预测的影响。在充分分析负荷各分量变化趋势及对整体负荷预测精度影响的基础上,针对各个负荷分量特征分别选择预测方法。在预测气象敏感负荷分量时引入温度波动分量,基于XGBoost智能算法构建预测模型。选用我国中部某市夏季历史负荷建立训练样本,对2017年8月份日96点负荷进行预测,预测结果验证了所提模型和算法的有效性。     

基于变分模态分解和复合变量选取的短期负荷预测

精准的短期负荷预测是实现电网精益化运行和管理重要保障,但存在短期负荷波动性强、负荷预测关键影响因素选取困难等精准预测难题。本文利用变分模态分解将原始电力负荷数据分解为多个子序列,挖掘短期负荷波动特征的同时避免模态混叠问题,提出复合变量选取算法分析筛选影响负荷波动的关键因素,有效去除预测干扰信息并进一步简化预测模型的复杂度,通过兼顾数据短期依赖和长期依赖的长短时记忆神经网络对各子序列进行预测,并将各子序列预测结果进行叠加实现最终的短期负荷预测,据此建立基于变分模态分解和复合变量选取的短期负荷预测方法。选取2019整年长沙市实际数据验证结果表明,本文提出算法在复杂外部影响因素下,能准确筛选负荷预测的关键影响因素,相比传统预测模型,提出模型结构更简单、预测精度更高。     

电力系统短期负荷预测的混合模型神经元网络方法

提出了一种将线性模型方法和神经元网络方法相结合的负荷预测方法－－混合模型神经元网络方法。该方法将一部分线性变化的负荷分量用线性模型描述,其它发量用神经元网络建立,国而同时具有线性模型的优点和神经元网络的优点。交过一方法用于江苏省连云港市超前２４小时负荷预测,取得了比单纯的神经元网络模型高的预测精度。     

基于机器学习的混合模型在电力负荷预测中的应用

从电力负荷的变化特点入手,提出基于机器学习的混合模型,该模型采用具有自适应噪声的完整集合经验模式分解技术对电力负荷进行分解,剔除高频噪声影响后,对负荷序列进行重构,采用多目标花授粉优化算法对极限学习机进行优化,分析认为该模型可提高极限学习机预测的准确性和稳定性,结合江苏省月度负荷预测案例验证了模型的有效性.     

基于神经网络的负荷组合预测模型研究

给出了电力系统负荷的变权系数组合预测模型,即基于神经网络的组合预测模型。该模型利用多种方法的预测结果与实际负荷数据的非线性关系,建立相应的神经网络模型。该网络为单输出的三层网络,其中输入层为各种预测方法的预测值,输出层为实际负荷值。文中用变动量因子和变学习率的BP算法对其训练,训练后的网络便具有预测能力。同时,文中对基于遗传算法的固定权系数组合预测模型进行了简要的介绍。对几个实际系统的年、月、时负荷预测表明,该模型具有很高的预测精度。     

电力系统负荷预测研究综述与发展方向的探讨

负荷预测是电力系统规划、计划、用电、调度等部门的基础工作。讨论了年度负荷预测、月度负荷预测和短期负荷预测的特点、成熟方法，分析了负荷预测问题的各种解决方案，并指出未来的主要研究方向。根据国内电力系统负荷预测的实践和国外的经验，对我国开展电力系统负荷预测工作提出了一些建议。