电力负荷组合预测权重的确定

由于电力系统负荷具有很多不确定因素，用单一预测模型进行预测时，其预测精度不高。为提高预测精度，完善预测方法，提出组合预测模型，对电力系统负荷预测的多种预测模型进行了组合优化，用最小二乘法确定其权重，得到权重的解析表达式，使组合预测理论进一步得到完善。     

组合预测法在电力负荷预测中应用

由于电力系统负荷具有很多不确定的因素,用单一模型进行负荷预测时,其预测精度不高。采用组合预测法对能很好反映负荷变化规律的模型赋予较大的权重,从而提高负荷预测精度,示例计算表明组合预测法的预测精度明显高于各单一模型的预测精度。     

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。     

基于TOPSIS和递归等权法的中长期负荷组合预测

中长期负荷预测是电力系统规划的重要环节。针对单一负荷预测模型预测精度不足、适用性有限等缺点,采用TOPSIS和递归等权法建立组合模型。以单一预测模型各个年份拟合的相对误差绝对值的倒数为属性集,单一预测模型的种类为方案集,通过TOPSIS法对单一模型的拟合精度进行排序和筛选,确定参与组合的模型;利用递归等权法确定参与组合模型的权重。通过对某省全社会用电量进行预测,并与单一预测模型进行误差比较,结果表明所提组合模型具有较高的实用价值。     

基于层次分析法的电力负荷组合预测

为提高电力系统负荷预测的预测精度,提出了一种基于层次分析法的中长期负荷预测组合预测的方法,依据层析分析法中要素权重求取原则,建立了阶梯层次结构,构建两两比较矩阵,分层次对权向量取值,实现了中长期负荷组合预测下各单一负荷预测的总权重的求取,提高了权重求解的准确性;利用组合预测的原理,按照层次分析法中求解出的权重系数,将多个预测模型的预测结果进行拟合,得到组合预测的结果,从而有效减小单一负荷预测中不确定性因素带来的误差,规避各单一预测方法的不足,减少单一负荷预测对电力系统负荷预测的预测风险,提高预测精度。最后利用某县2005-2010年的除大用户用电负荷作为算例进行实例分析并证实了所提方法的科学性、实用性。     

基于模糊层次分析法的年最大电力负荷预测

针对电力负荷预测特点和人的判断所特有的模糊性,为了提高负荷预测精度,提出了基于模糊层次分析法的电力系统年最大负荷组合预测模型。此模型引入三角模糊数的一些基本理论,采用三角模糊数表征专家判断信息以充分考虑专家判断的模糊性;采用层次分析法对专家判断结果进行处理以得到方案层各方案的最优权重。该负荷预测模型综合考虑了影响电力负荷的多种不确定因素,并在综合不同模型预测结果的过程中引入专家经验。实际算例后校验平均百分比误差为2.039%。这表明该方法能有效提高负荷预测精度。     

基于预测决策的组合短期负荷预测

以提高短期负荷预测精度为目的,首先选择五种预测模型分别对算例进行虚拟负荷预测,再利用决策理论知识,通过几率矩阵法来筛选预测模型,舍弃不符合要求的模型,最后以各时段残差平方和最小为目标函数确定各个模型权重系数.使用选中的模型进行组合短期负荷预测,并将预测结果与各单一模型的预测结果进行比较.说明了预测决策的可参考特性和实用特性,也说明了组合预测模型的拟合精度优于各种单一模型,得到了较好的预测效果.     

变权重组合应用于短期电力负荷预测的研究

依据变权重组合预测理论,提出了一种新的适用于电力系统短期负荷预测的变权重组合预测法。这一方法建立在最大信息利用的基础上,集多种单一模型所包含的信息。介绍了变权重组合预测模型,样本点组合预测优化模型,预测时样本点组合预测权系数的确定。并通过实例分析说明在多数情况下,这一方法可以提高短期预测的精度和可信度。     

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。     

基于条件熵的电力负荷组合预测模型

每个电力负荷预测模型各有特色,又有其局限性。针对单个模型的局限性,提出一个基于条件熵的组合预测模型,以便结合各个模型的优点,克服其不足。该模型用条件熵度量各个电力负荷预测模型的精度,条件熵越小,表明预测精度越高。然后对条件熵进行模糊评判,对条件熵小的模型赋予较大的权重,条件熵大的模型赋予较小的权重,以此建立一个电力负荷组合预测模型。实例应用表明,就6个误差指标而言,该文提出的组合模型可以进一步提高预测精度。     

月度用电量灰色预测改进模型

灰色模型是年度电量预测的有效方法。引入季节指数平滑法改进灰色模型,使其更适合具有季节周期性的月度用电量预测;并提出了一种基于马尔科夫过程的残差修正法,以提高月度电量预测的准确率。最后,以某市月度用电量进行实际预测为例,通过与其他模型的比较,验证了改进模型在月度用电量预测中的有效性。     

基于双维度顺序填补框架与改进Kohonen天气聚类的光伏发电短期预测

为提高部分数据缺失情况下智能电网光伏发电功率预测精度,提出一种基于双维度顺序填补框架与改进Kohonen天气聚类的光伏发电功率预测模型。采用双维度顺序填补方法补齐缺失数据,基于完整数据分析光伏发电功率影响因素,建立改进Kohonen天气聚类模型,并利用S-Kohonen实现预测日天气类型识别,将聚类历史日数据与预测日气象数据作为输入,采用多种群果蝇优化广义回归神经网络(MFOA-GRNN)模型对预测日光伏发电功率进行预测。仿真结果表明,所提方法能有效提高预测精度,为实现数据缺失情况下智能电网光伏发电功率的精准预测提供了一种思路。     

基于可信度加权组合的电价波动模式日前预报方法

准确的日前电价预测对电力市场参与者的优化决策具有重要意义。目前,大多数日前电价预测方法并不区分每天电价的波动模式而采用统一模型进行预测,当被预测日的波动模式与历史数据出现较大差异时无法保证预测的准确性。根据不同的日波动模式采用相似历史数据进行分类建模是解决此问题的有效途径,这就需要建立针对历史数据不同波动模式的分类识别模型和针对未来波动模式的日前预报模型。为此,文章提出一种针对分类预测的电价日波动模式日前加权组合预报方法。第一,采用K-means算法对日电价序列进行聚类分析,在分析聚类结果特性的基础上提取反映每日波动模式差异的特征向量,利用支持向量机分类（support vector machine for classification, SVC）方法建立电价数据日波动模式的识别模型;第二,利用多种常规方法建立日前电价预测模型对日前电价进行预测,并将预测结果输入日波动模式识别模型得到对应的模式识别结果;第三,根据多个方法波动模式预测结果对历史数据表现出来的不同精度,设计了基于可信度的组合机制,实现考虑预测准确性的加权组合预测,从而得到最终的日波动模式预测结果。利用美国PJM电力市场电价数据进行的仿真分析表明,提出的日前电价波动模式预测方法能得到较为准确的模式预测结果;利用电价波动模式日前预报进行分类预测的精度相对统一预测有显著提高。     

人工鱼群神经网络在电力系统短期负荷预测中的应用

短期负荷预测结果对电力系统的经济效益具有重要影响.人工鱼群算法是最新提出的新型寻优策略,具有良好的克服局部极值、获得全局极值的能力.文章建立了一种新的人工鱼群神经网络预测模型,利用人工鱼群算法训练神经网络的权值,再将该神经网络用于短期负荷预测.对某电力系统进行的负荷预测结果表明,该方法与传统的BP神经网络预测方法相比具有较强的自适应能力和较好的预测效果.     

基于诱导有序加权调和平均算子和马尔科夫链的电量组合预测模型的研究

将诱导有序加权调和平均算子和马尔科夫链相结合,提出一种基于诱导有序加权调和平均算子和马尔科夫链的组合预测模型,该模型可以克服传统的组合预测方法赋予不变的权系数和以单一误差指标作为预测精度衡量的缺陷,同时采用马尔科夫链推出各单项预测模型在各个预测时间点预测精度的状态,从而得到组合模型的权系数。文中首先采用回归法、指数平滑法及灰色预测法分别建立了陕西省某市年用电量单项预测模型,随后引进诱导有序加权调和平均算子和马尔科夫链的概念,建立了年用电量的组合预测模型,并对年用电量进行了实证分析。实例分析表明了新模型能有效地提高组合预测精度,降低预测的风险性,从而证明这种组合模型具有较好的实用性。     

基于虚拟预测与小波包变换的风电功率组合预测

为了提高风电功率的预测精度,针对风机功率不稳定性和非线性强的特点,使用小波包变换将风机出力分解成多个频率的子序列,然后运用组合预测方法分别对各子序列进行提前24 h预测,叠加各子序列的预测值,得出实际预测结果。其中组合预测方法权系数是通过虚拟预测的方法由方差倒数法确定。选择广东某风电场实测数据作为案例,对连续7天风电功率进行了预测。结果表明:小波包变换能有效把握风电功率变化规律,对小波包变换后的各子序列的预测结果表明组合预测效果优于单一预测方法。     

采用正交信号修正法与偏最小二乘回归的中长期负荷预测

介绍正交信号修正法的基本思想并详细推导该算法的实现步骤,将一种改进后的正交信号修正法(orthogonal signal correction,OSC)与偏最小二乘法(partial least square method,PLS)相结合,对原始数据通过OSC消除正交分量,利用PLS建立中长期负荷预测模型。该方法能有效地去除自变量系统中与因变量无关的正交数据信息,增强自变量、因变量之间的相关性,在有限的成分中提高成分解释能力。通过算例将PLS与OSC-PLS进行比较分析,结果表明,运用OSC-PLS进行中长期负荷预测,尽管预测模型提取的成分个数变少了,但模型成分的解释性却大幅度增强, 预测精度明显提高,具有较强的实用性。     

基于Prophet与XGBoost混合模型的短期负荷预测

准确有效的预测电力负荷对电网的安全稳定运行具有重要的参考价值.通过对Prophet框架和XGBboost(eXtreme gradient boosting)机器学习模型的深度分析,提出了基于Prophet与XGBoost的混合电力负荷预测模型,针对大量的历史电负荷数据、日期信息、气象数据,分别构建Prophet电力负...     

基于数据驱动理念的电力日负荷曲线预测方法研究

针对短期日负荷预测的精度问题,本文提出一种基于数据驱动理念的电力负荷预测方法。在建立预测模型前对所给数据采取一定的预处理:首先提取所收集的海量数据的负荷特征,对负荷特征进行分析,然后进行负荷数据与影响负荷值的因素之间的相关性分析,以此确定对负荷影响较密切的因素,随后建立分类器得到各主要影响因素与各负荷类别之间的关系为后续预测模型奠定基础。对预处理后得到的不同类型的负荷数据采用最小二乘支持向量机方法建立不同的负荷预测模型。以南方某发达城市2008年的负荷数据作为算例验证数据,将本文所提负荷预测方法所得结果与未经数据预处理的负荷预测方法所得结果进行比较,结果表明本文提出的方法得到的预测结果精度较传统方法提高约6%。     

基于二分群体决策的水文预报择优组合方法

针对多种水文预报的组合问题,提出一种基于二分群体决策的水文预报择优组合方法。通过决策群体、决策断面、能力向量、预报收益等模型的建立,将水文预报择优问题转化为一个二分决策问题;根据决策质量给出择优求解和参数初值的率定方法,并将各参数对预报精度的影响加以分析。实验表明：该方法能够有效的从两种预报方案中选择出更加接近实测值的预报结果,且具有76%以上选择正确率和更高的预报精度。