基于误差修正的短期负荷预测方法

目前常用的负荷预测方法主要是通过负荷自身和相关关系的研究建立模型,提出一种新的负荷预测思路,即从传统频域预测方法的误差入手,通过研究虚拟预测误差的历史分布规律进行误差预测,然后对传统方法得到的预测结果进行修正。建立负荷预测的误差修正模型,并通过算例验证了误差修正的短期负荷预测方法的可行性和实用性,达到了提高短期负荷预测精度的目的。     

基于规律性分析和误差修正的负荷预测方法

电力系统负荷成因复杂、影响因素多,在负荷水平相对较低、负荷波动较大的地区,精确预测具有一定的难度。考虑到在确定的时空范围内,负荷时序曲线的波动变化具有一定的规律性,采用经验模态分析法对负荷曲线进行解析,针对解析后得到的不同特性的分量选择适当的方法进行预测,求和得到预测结果。在该预测过程的基础上,提出对历史预测结果与实际负荷之间的虚拟偏差进行建模,分析其思路和方法,修正对未来负荷进行预测的结果,从而实现负荷预测流程的自动闭环全反馈,提高负荷预测精度。应用某地区夏季某日96个时刻点负荷时序曲线进行MATLAB仿真计算,实例验证了该方法在负荷波动较大时期进行精确预测的有效性和实用性。     

粒子群优化BP神经网络在短期负荷预测误差修正模型中的应用研究

短期负荷预测是电力系统安全稳定运行的前提与保证。误差修正模型是在考虑相关因素相似度识别的预测方法基础上,利用BP神经网络优秀的学习能力捕获相关因素与历史预测误差的非线性映射。针对BP网络存在的自身缺陷,采用改进粒子群算法优化BP网络参数,得到可靠的误差预测,建立误差修正模型对未来负荷进行修正预测。通过算例验证了其可行性和实用性,达到了提高短期负荷预测准确度的目的。     

应用向量误差修正模型的行业电力需求关联分析与负荷预测方法

近年来,国民经济发展与能源消耗之间的关系日益密切,产业结构变化与产业升级现象更加显著,使得电力需求的发展趋势与内部结构都出现了剧烈与频繁的变动。现有的研究工作缺乏对于电力需求的结构性分析,常见的中长期负荷预测方法在用电结构发生剧烈变化时往往会出现精度下降的现象。基于此,借鉴计量经济学的向量误差修正理论,从短期扰动和历史存续2个方面深入分析了不同行业间电力需求的关联关系,并在此基础上提出了一种新型的中长期负荷预测方法。该方法能够有效识别行业电力需求的关联关系,避免用电结构突变给负荷预测带来的不良影响。算例分析结果验证了该方法的有效性与适用性。     

基于Bootstrap误差修正的电力负荷短期预测深度学习模型

针对负荷数据非线性、强波动性等特点导致数据规律性较弱电力负荷预测模型不准确的问题,构建基于Bootstrap误差修正的TCN-WOA-Bi LSTM-Attention电力负荷短期预测模型。使用时序卷积神经网络（TCN）提取时序特征并通过注意力机制（Attention机制）对特征突出重要信息贡献度,通过鲸鱼优化算法（WOA）寻找双向长短时记忆（Bi LSTM）神经网络最优超参数以减少人工搜索超参数的负面影响后进行预测;基于Bootstrap分析预测区间误差分布,通过覆盖率（PICP）是否低于对应置信度判断对预测结果进行修正的必要性,并选取合理修正范围。仿真结果表明,基于Bootstrap方法进行误差修正避免了修正不足及修正过度的问题,对比将误差序列全部修正的方法更具有科学性,能最大程度提高模型预测精度。     

基于神经网络的短期负荷预测与误差纠正算法

提出一种基于模糊神经网络的电力短期负荷预测方法,并对其运行特点进行分析。提出通过改进数据样本从而改善模糊神经网络的方法,可以预测在一些不确定性条件发生剧变的情况下发生突变的负荷。还提出了一个关于误差整合的观点,根据此观点提出了减小误差的方法。实例计算表明,这一模型和方法应用于短期负荷预测能获得较高的预测精度。     

电力负荷预测误差的讨论

本文对电力系统负荷预测中人们十分关注的误差问题进行了讨论，并通过多年来大量的历史数据的搜集、整理及计算，提出了一种实用、快速帮助判断和选择相应预测方法的理论，可供预测、规划、运行部门参考。     

基于相似日负荷修正的台风期间短期负荷预测

在台风期间现有的负荷预测方法的预测精度一般不高.在此背景下,以广东地区为例,首先分析了气象因子与系统负荷之间的相关性,从总负荷中分解出趋势分量、周期分量和气象敏感分量,在此基础上提出了基于相似日气象负荷修正的适用于台风期间的短期负荷预测方法.同时,为克服台风日样本较少所导致的预测困难,将近期及往年同期气象因素相似的历史日扩充到相似日样本中,并引入趋势相似度因子、气象相似度因子和时间相似度因子来评估历史日的相似性.用广东电力系统的实际数据做了测试,预测结果表明采用所发展的修正模型时台风日的负荷预测精度较现有方法有了较大提高.     

针对气象因素的短期负荷预测修正方法

由于受气象因素的影响,目前的短期负荷预测方法的结果误差往往偏大,需要进行人工修正。文中通过分析多种气象因子与电网负荷的相关性,找出气象因素与电网负荷的对应关系。在此基础上给出了经验性的修正模型库的建立方法,并针对湿度、降雨、温度、气压等因素建立了相应的修正模型,编制出符合负荷预测要求的实用软件。测试结果表明,由于考虑了气象因素的影响,预测模型具有较好的精度。     

基于气象修正技术的辽宁电网负荷预测应用研究

分析了短期电力负荷预测模型,在线性外推法负荷预测的基础上,实现了基于气象因子修正技术的短期辽宁电网网供负荷预测,并成功应用于辽宁电网负荷预测工作中,电网负荷预测准确率得到明显提高,预测结果可用于指导电网调度运行。     

基于基因表达式程序设计及误差循环补偿的电力系统短期负荷预测

将基因表达式程序设计(gene expression programming, GEP)算法应用于电力系统短期负荷预测中,并提出误差循环补偿模型,得到了较高的预测精度。预测过程先对负荷样本进行常规和滤波处理,消除伪数据,然后运用基因表达式程序设计的灵活表达能力,把不同日、同一时刻的负荷序列作为样本,对未来时刻的负荷进行分时短期预测。得到预测模型后,计算其与样本数据的误差,再把误差值作为样本进行演化,并把误差模型补偿到原模型上,如果达不到预测要求,则循环计算模型误差进行演化,直到满足要求为止。结果表明基因表达式程序设计算法具有较高的效率,且误差循环补偿模型能够有效补偿演化过程中的误差。经比较,基于基因表达式程序设计及其误差循环补偿的预测模型比时间序列和遗传程序设计算法具有更好的预测效果。     

电力系统负荷预测新技术

系统阐述了负荷预测的基本概念和类型,介绍了混沌理论预测法、灰色模型预测法、人工神经网络法、支持向量机法和专家系统法等新技术。     

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...     

基于灰色模型的电力负荷短期预测

准确的负荷预测可以保证电网的安全稳定运行,提高电力系统运行的经济效益,为此,基于灰色理论建立了电力负荷预测模型,并结合陕西省汉中市区电力局某变电站2006年7月的实际负荷讨论了灰色模型在短期负荷预测中的应用,实例计算表明,该模型具有预测精度高、计算过程简单等特点。     

参照系统负荷预测的母线负荷预测修正方法

由于母线负荷预测结果的精确度相对系统负荷预测较低,提出了一种参照系统负荷预测值的母线负荷预测值修正方法。先根据母线负荷预测值之和与系统负荷预测值之间的差值确定需要修正的负荷点,再选择该点临近的连续数点系统负荷组成曲线,寻找系统负荷的相似曲线,对应相似日的各母线负荷组成样本、各样本修正值的期望和方差决定修正后的各母线负荷值的范围,采用最小二乘逼近建立二次规划问题,最后利用LINGO软件求解。算例表明了该方法从整体上提高了母线负荷预测的准确率。     

基于负荷频谱分析的电力系统短期负荷预测

电力系统短期负荷具有非常大的不确定性,而其日负荷信号的频谱具有连续变化的特性。从信号频谱分析角度,对日负荷信息进行建模分析,并通过小波变换,将日负荷数据分解为不同尺度上的投影子序列,用子序列作为小波神经网络的训练样本,然后用训练好的神经网络模型对电力系统的短期负荷进行预测。在Matlab仿真软件中,采用某市某线路的某日负荷数据对算法进行仿真验证,取得了较好的预测结果。     

基于ARIMA和LS-SVM组合模型的短期负荷预测

经实例预测分析发现,利用累积式自回归动平均法(autoregressive integrated moving average,ARIMA)进行电力短期负荷预测时所得误差序列有较明显的周期规律性,针对此现象及其原因,为提高预测精度,提出采用最小二乘支持向量机(least squares support vector machine,LS-SVM)对ARIMA预测误差进行修正的ARIMA-LS-SVM组合模型;利用该改进模型对哈尔滨电网负荷进行实例预测,结果表明:该方法能够提高短期负荷的预测精度,并且具有较强的推广性和应用能力。     

基于空间负荷预测的负荷预测软件

基于空间负荷预测的负荷预测软件采用VisualC++、SQLServer2000、ADO等通用工具开发。软件改进了区域电网预测方法和最大负荷指标选取方法,具有图形化操作界面和数据库管理功能,并结合大量负荷采样数据,生成了负荷特性曲线库。该软件应用于电力系统中,被证明了具有较高的预测精度,提高了电网规划的工作效率。     

GMDH方法在中长期电力负荷预测中的应用

在时间序列预测法的基础上,将数据处理组合方法GMDH应用于中长期电力负荷预测。介绍了GMDH的基本原理,根据历史数据建立GMDH模型,通过某地区电力负荷预测实例,对电力负荷值进行了计算分析,结果表明该方法可获得较高的预测精度。