基于子集自回归模型的短期负荷预测

介绍了自回归时间序列模型的一种特殊形式--子集自回归模型及其辨识方法,并研究该模型在电力负荷短期预报中的应用.由于子集自回归模型的自激响应可形成伪极限环,因此可复现电力负荷短期变化的主要特征--季节性趋势.实例分析结果表明,该模型用于负荷短期预测时具有较高的预测精度.     

基于联合模型的短期电力负荷预测方法

为了准确预测电力负荷并提高电力系统调节和调度的灵活性、准确性,提出了基于差分自回归滑动平均和长短期记忆神经网络的短期负荷联合模型预测方法,以避免单一预测模型可能难以满足预测准确需求的情况。首先,使用差分自回归滑动平均和长短期记忆神经网络单一模型对短期电力负荷开展预测;然后,使用改进的粒子群优化算法对联合模型权重进行寻优;最后,利用最优权重将单一模型预测结果进行合并得到最终的预测结果。验证结果表明,所建立的联合模型能够对短期电力负荷进行准确的预测,且联合模型的预测精度要优于差分自回归滑动平均、长短期记忆神经网络和BP神经网络等单一模型,具有一定的工程应用价值。     

非参数自回归方法在短期电力负荷预测中的应用

为了避免短期负荷预测中主观因素的影响,采用非参数核密度估计技术建立了基于数据驱动的非参数自回归模型,从而将短期电力负荷预测看作一个非线性时间序列预测问题,并从历史负荷数据本身出发挖掘负荷变动的内在随机分布规律.非参数自回归模型详细考虑了滞后阶数的选择、平滑参数(宽窗)的确定以及预测置信区间计算.通过对某一实际电力系统的...     

基于ARIMA模型的短期电力负荷预测

电力负荷时间序列不平稳和受噪声污染严重,直接对负荷进行预测准确度不高。针对此问题,提出了一种结合小波变换与累积式自回归移动平均(ARIMA)模型的短期电力负荷预测新方法。首先,将历史负荷数据进行小波变换,以去除噪声干扰;然后,建立ARIMA模型进行负荷预测。通过实际负荷数据实验,证明了该方法的有效性。     

基于改进高斯过程回归的短期负荷概率区间预测方法

电力市场改革和分布式能源的并网给电网的运行和规划带来了许多不确定性的因素。为获取更准确、更综合的电力负荷预测值信息,提出一种基于K-means特征提取和改进高斯过程回归的短期负荷概率区间预测方法。首先利用历史负荷数据建立候选特征集,然后通过K-means的特征提取方法先对候选特征集进行分类,再利用K邻域内特征变量之间的互信息来选取负荷最优特征子集,并实时更新最优特征子集。为了准确捕捉电力负荷的时变特性,利用改进的高斯过程回归算法进行电力负荷概率区间预测,主要包括动态更新超参数和滑动窗更新训练样本集两个部分。实例表明,所提方法相比分位回归、高斯过程回归而言预测精度更好,所形成的预测区间具有更窄的区间宽度和更高的覆盖率,能为电力系统的运行规划提供更全面、更有效的负荷信息。     

基于考虑气温影响的门限自回归移动平均模型居民日用电负荷预测

由于气温突变点的影响,负荷序列存在门限效应,导致传统线性时间序列模型的负荷预测效果较差。将气温突变点作为门限,建立了以气温为协变量的门限自回归移动平均(threshold autoregressive moving average with exogenous variable,TARMAX)模型,提高了预测精度。首先,应用马尔科夫链蒙特卡洛(Markov chain Monte Carlo,MCMC)方法对气温突变点进行搜寻得到模型参数。然后,采用随机搜索变量的方法快速选择出最优模型,有效降低选择时间序列模型的计算量。最后,对不同季节下的居民日用电负荷进行预测。实例表明,与线性时间序列模型、长短期记忆网络(long short-term memory network,LSTM)和多层感知机(multilayer perceptron, MLP)相比,TARMAX模型提高了电力负荷的预测精度。     

基于考虑气温影响的门限自回归移动平均模型居民日用电负荷预测

由于气温突变点的影响,负荷序列存在门限效应,导致传统线性时间序列模型的负荷预测效果较差。将气温突变点作为门限,建立了以气温为协变量的门限自回归移动平均(threshold autoregressive moving average with exogenous variable,TARMAX)模型,提高了预测精度。首先,应用马尔科夫链蒙特卡洛(Markov chain Monte Carlo,MCMC)方法对气温突变点进行搜寻得到模型参数。然后,采用随机搜索变量的方法快速选择出最优模型,有效降低选择时间序列模型的计算量。最后,对不同季节下的居民日用电负荷进行预测。实例表明,与线性时间序列模型、长短期记忆网络(long short-term memory network,LSTM)和多层感知机(multilayer perceptron, MLP)相比,TARMAX模型提高了电力负荷的预测精度。     

基于LSTNet模型的配电台区短期电力负荷预测研究

短期电力负荷预测作为电力系统运行规划的重要依据，对电力系统的安全经济运行有重要意义。提出一种长期和短期时间序列网络（LSTNet）模型对配电台区的短期负荷变化进行预测。该模型用卷积神经网络（CNN）提取负荷数据间的局部依赖关系，用长短时记忆（LSTM）神经网络提取负荷数据长期变化趋势，再融合传统自回归模型解决神经网络对负荷数据极端值的不敏感问题，最后将某一配电台区的电力负荷数据用于网络的训练和预测过程中。通过仿真实验案例发现，相较于以往LSTM、双向长短时记忆神经网络（Bi-LSTM）和CNN-LSTM的预测模型，LSTNet模型在短期负荷预测方面更具优势、预测精度更高。     

基于“分层-汇集”模型的短期电力负荷预测

针对目前短期电力负荷预测方法未充分利用电力用户用电特征,以及预测精度不高等问题,提出了"分层-汇集"模型。首先,对电力用户按用电特征"分层",得到表征不同类型电力用户用电特征的层负荷特性曲线,并将层负荷特性曲线作为构造总负荷曲线的属性因子;之后,"汇集"不同日的层负荷特性曲线,结合实时负荷训练模型;最后,进行回归预测。以某区域实际电力负荷数据为算例,基于所提出的预测方法进行负荷预测。结果显示,基于"分层-汇集"模型的短期电力负荷预测在平均百分误差(mean absolute percentage error,MAPE)、均方根误差(root-mean-square error,RM SE)以及Pearson(皮尔逊)相关系数3项评价指标上均优于一般的回归预测方法,验证了模型的有效性;在"分层"和"汇集"阶段采用不同算法组合,"分层-汇集"模型均具有较好的预测效果,验证了模型的鲁棒性。使用"分层-汇集"模型可以提高负荷预测的精度,为短期电力负荷预测提供了一种新思路。     

海量数据下的电力负荷短期预测

该文研究海量数据下的短期电力负荷预测方法,基于局部加权线性回归和云计算平台,建立并行局部加权线性回归模型。同时,为剔除坏数据,采用最大熵建立坏数据分类模型,保证历史数据的有效性。实验数据来自已建的甘肃某智能园区。实验结果表明,提出的并行局部加权模型用于短期电力负荷预测是可行的,平均均方根误差为3.01%,完全满足负荷预测的要求,并极大地减少了负荷预测时间,提高预测精度。     

基于Shapley值的电力负荷预测结果溯源分析方法

针对由于机器学习的黑盒特性导致负荷预测结果不可溯源的问题,提出一种基于Shapley值的电力负荷预测结果溯源分析方法.阐述利用机器学习技术构建负荷预测模型的一般形式和基本过程;基于负荷预测模型,利用合作博弈论中的Shapley值计算各类负荷影响因素对负荷预测结果的影响;对利用梯度提升决策树算法训练的负荷预测模型的预测结果进行溯源分析.实验结果表明,利用所提方法可以洞察负荷预测过程,从而实现负荷预测结果的溯源分析以及考虑复杂非线性的负荷影响因素分析,也可以在构建负荷预测模型时指导特征选择提升模型的泛化能力.     

灰色Verhulst模型在中长期负荷预测中的应用

灰色系统预测模型用于中长期负荷预测是一种有效的方法。但是，当负荷按照“S”型曲线增长或增长处于饱和阶段时，采用灰色模型进行负荷预测的误差较大，预测精度不能满足实际要求。将灰色Verhulst模型引入到负荷预测中，可以很好地解决这个问题。作者通过典型的实例介绍了灰色Verhulst模型在中长期负荷预测中的应用。结果表明，此模型在负荷预测中是适用的，尤其对于负荷按“S”型曲线增长的情况，不但具有较高的预测精度，同时保留了灰色预测方法的优势和特点。     

区域电网年最大负荷概率预测

针对电力负荷预测中年最大负荷受多种因素影响的难点问题,提出了区域电网年最大负荷的概率预测,对年最大负荷概率模型中的均值和均方差分别建立了灰色模型和回归模型并对其作出预测.通过实例计算表明,该模型具有较高的精度.     

基于改进Apriori关联分析及MFOLSTM算法的短期负荷预测

电力负荷预测结果的准确性对电力系统安全稳定运行具有重要意义。针对多气象因素影响下的短期负荷预测任务,提出改进Apriori关联度分析及飞蛾火焰优化的长短时记忆神经网络算法的电力负荷短期预测新方法。首先,提出改进Apriori算法分析气象因素与负荷之间的关联程度。依据分析结果除去非必要气象影响因素,并在此基础上引入人体舒适度评价指标。其次,将降维后气象数据结合地区负荷数据作为模型输入。最后,基于长短时记忆神经网络进行短期负荷预测建模,并结合飞蛾火焰优化算法的全局寻优能力来优化模型。通过对某地区负荷数据协同气象数据进行对比预测试验,测试结果表明该负荷预测模型能有效提升地区电网短期负荷预测性能。     

基于灰色马尔科夫预测模型的中长期电力负荷预测

中长期负荷预测在电网发展规划编制中占有重要地位,而其关键是数学模型的建立。本文建立了基于马尔科夫修正的灰色负荷预测模型,利用灰色预测模型对未来负荷进行预测,对预测结果采用马尔可夫链预测方法进行改进,提高其预测的准确性。采用灰色马尔科夫模型对某市用电需求负荷建立预测模型,预测了2006至2008年的用电负荷,与实际用电负荷进行对比,结果验证了灰色马尔科夫模型在对电力负荷进行长期预测时具有较高的精度。     

计及需求响应的主动配电网短期负荷预测

随着分布式电源、电动汽车及储能等广义需求响应资源的接入,用户在电力市场各种激励影响下进行需求响应,将改变负荷特性并影响负荷预测。根据需求响应计划信号的可预知性及季节性基础负荷的独立性,利用小波分解等方法对主动配电网负荷在不同层面上进行了分解,形成季节性基础负荷和需求响应信号及各种气象因素作用的负荷部分,利用时间序列模型对季节性基础负荷进行预测,利用支持向量回归模型对需求响应信号及气象因素影响的负荷部分进行预测,形成组合预测模型,两部分预测负荷叠加得到总负荷。利用线性时变模型仿真的主动配电网负荷数据算例,进行了预测测试与分析,通过与其他方法相比较,证明了所提方法预测计及需求响应的主动配电网负荷的有效性及精确度。     

电力系统短期负荷预测模型研究

给出电力系统短期负荷预测的两种模型——变差分析模型和年度分解模型。变差分析模型将负荷分解为基准值、年度变差、月份变差以及随机变差,通过对其分别估计便可得到负荷的预测值;年度分解法先通过预测年度负荷,再预测每月的负荷贡献率,即可得到负荷预测值。实例分析表明,这两种方法都是有效的、实用的     

基于卡尔曼滤波的短期负荷多步预测修正模型研究

提出了一种短期负荷多步预测的修正方法。首先采用BP神经网络法建立短期负荷的分时多步预测模型,对于每一个初始预测值,采用卡尔曼滤波模型进行修正,以减少模型的累积误差,提高多步预测的效果。算例结果证明了所提方法不仅能够提高单步预测的预测效果,而且能够有效降低多步预测的误差,对于实现连续日短期负荷预测具有现实意义。     

基于结构化负荷模型的电力负荷概率区间预测

为了考虑电力负荷的不确定性,概率和区间预测成为电力负荷预测的重要方式之一。针对传统的负荷概率及区间预测方法没有考虑不同负荷成分的不确定性对电力负荷影响的问题,在分析电力负荷成分的基础上,基于结构化电力负荷模型提出一种电力负荷概率及区间预测方法。首先,对电力负荷的成分进行分析,针对不同负荷成分分别进行建模,构成结构化电力负荷模型;然后,基于历史负荷数据采用变分贝叶斯估计算法训练模型参数的后验概率分布;最后,基于训练完成的模型对未来负荷的概率分布进行预测,从而实现电力负荷概率区间预测。采用实际电力负荷数据进行验证,并与其他方法进行对比。实验结果表明,所提方法取得了较高的预测区间覆盖率和较窄的预测区间宽度。     

相空间重构和SVR耦合的短期电力负荷预测

电力系统的短期负荷预测精度对智能电网安全运行有着重要影响,其中预测精度和训练步数至关重要,目前当地气象因素逐渐成为负荷预测中的关注点。以某市短期电力负荷为研究对象,建立了考虑日特征相关因素的支持向量回归机短期电力负荷预测模型,随后对某市考虑气象及日期类型的电力负荷做出预测。研究表明:利用考虑实时气象因素的SVR预测模型对短期电力负荷进行预测精度较高;考虑气象及日期类型的预测误差比不考虑气象及日期的预测误差小;嵌入维数和时间延迟对负荷预测模型精度具有重要影响。