基于偏最小二乘回归的中长期电力负荷预测

为了支持将来的经济发展和不断满足电力需求,负荷预测已成为电力部门的重要任务,而提高预测精度是负荷预测的关键问题。为此,判断了影响负荷的经济因素之间存在的多重共线性,用偏最小二乘回归方法消除其共线性影响,并建立了预测模型。结果表明,该方法能准确地估计出变量的回归系数,能避免使用普通最小二乘回归时出现的异常回归系数,预测的相对误差平均为9.83%,最小相对误差为-0.01%。     

基于加权偏最小二乘回归的中长期负荷预测

针对中长期负荷预测,考虑各历史样本在建立适用于预测对象的模型时处于不同的地位,应分配不同的权值,提出一种基于加权偏最小二乘回归(weighted partial least squares regression,WPLSR)的预测方法。利用相似离度计算历史样本与预测对象的相似度,判定样本是否含有异常值,自适应地为历史样本分配权值,进而采用偏最小二乘回归(partial least squares regression,PLSR)提取主成分和回归分析。算例结果表明WPLSR方法的预测精度比普通PLSR模型有显著提高,具有良好的可行性和有效性。     

基于偏最小二乘回归分析的中长期电力负荷预测

针对中长期电力负荷预测,介绍偏最小二乘回归分析方法的原理,推导该算法的简化建模步骤。该方法能在最大限度保留原有数据信息的前提下,将数据信息集中在几个互不相关的主成分上,因而能有效解决建立负荷预测模型时由于样本个数较少及自变量存在严重的多重相关性,难以通过多元回归分析建立预测模型的问题。通过算例对偏最小二乘回归分析方法、最小二乘法和逐步回归分析方法进行了比较,结果表明,将偏最小二乘回归分析方法用于中长期电力负荷预测时,计算快捷,准确性高,具有较强的实用性。     

改进偏最小二乘回归在电力负荷预测中的应用

多元回归分析是中长期电力负荷预测中的一个重要方法,其中偏最小二乘法因为可以有效解决样本数据偏少以及自变量多重线性的问题而得到采用。探讨了通过Bootstrap方法给偏最小二乘法筛选自变量后进行负荷分析预测的可行性,将计算结果与一般偏最小二乘法及经变量筛选的逐步回归法进行比较。算例表明,应用Bootstrap方法进行参数检验的偏最小二乘方法在变量关系的描述上更简明准确,同时提高了预测精度,具有一定的实用性。     

基于偏最小二乘法与BP神经网络的电力中长期负荷预测

用于考虑多个相关因素影响的负荷预测时,偏最小二乘法(partial least squares regression,PLSR)通过提取影响负荷的自变量集的主成分,克服了自变量间多重相关性对于负荷建模带来的不利影响,具有对模型解释能力强的优点。但PLSR也有其自身的弱点,如自变量系统中可能存在与因变量无关的正交数据信息,而影响模型的预测精度。基于PLSR算法和BP神经网络的特性,建立了一种PLSR-BP神经网络模型,该模型对原PLSR建模过程中产生的权值和回归系数进行修正,仿真研究结果证明了该方法的正确性和有效性。     

非线性偏最小二乘回归在电力负荷预测中的应用

非线性(二次多项式)偏最小二乘既能够解决线性偏最小二乘只能提取线性成分的问题,它又借鉴了偏最小二乘回归方法能够有效地解决自变量集合多重相关性的问题,因而它更具有先进性,其计算结果更为可靠.本文将二次多项式非线性偏最小二乘回归应用于泉州地区的电力负荷预测.文章还将二次多项式偏最小二乘的预测结果并线性偏最小二乘和logistic模型的预测结果进行比较,实例预测结果表明,非线性偏最小二乘具有较高的预测精度,它能满足实际工程的要求.     

基于偏最小二乘回归分析的短期负荷预测

对偏最小二乘回归分析在电力系统短期负荷预测中的应用进行了研究。该方法可有效地进行数据准备和样本预处理，并可以对输入因素进行成分提取，提出出的成分具有线性无关的特点，对日负荷有较好的解释能力，且利于建模和预测，此方法另一特点是可以消除输入因素的多重共线性，不需要大量样本作为输入，算例表明，该方法用于短期负荷预测建模速度快，预测精度高，是一种行之有效的方法。     

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。     

经济新常态下基于偏最小二乘回归的中长期负荷预测模型

经济新常态下,中长期负荷预测面临负荷趋势呈S形、可依赖数据样本少等问题,传统预测方法精度受限,因此提出一种基于偏最小二乘回归和情景分析法的中长期负荷预测模型。从经济新常态的速度、结构、动力3个宏观方面入手,建立一个宏观与微观相结合、层次化的电力负荷影响因素指标体系;采用偏最小二乘回归法获取电力负荷与各影响因素的关系方程;根据"十二五"及"十三五"期间经济和电力发展的特点,采用情景分析法设定多个情景及相应参数,获得不同情景下有区别的负荷预测结果,以降低预测风险。利用所提模型对某省"十三五"期间的逐年用电量进行预测,通过与现有成熟方法预测结果及官方公布数据的对比,验证了所提模型的有效性。     

应用折扣最小二乘法进行负荷预测

应用折扣最小二乘法进行负荷预测永康市供电局胡德源负荷预测是电网规划的基础。通过对现在和过去一段时阿负荷变化的数据分析，推测今后一段时期的发展趋势，以便为电网发展改造提供可靠的依据，使电网规划编制尽可能符合客观实际，这就是负荷预测的主要目的。负荷预测有...     

改进的灰色Verhulst模型在中长期负荷预测中的应用

针对中长期电力负荷预测小样本、贫信息、不确定、非线性等特点,提出了基于最小二乘支持向量机算法与等维新息技术的改进灰色Verhulst模型,并将该模型用于具有S型增长或处于饱和增长状态的中长期电力负荷预测。根据原始数据建立了灰色Verhulst模型,利用LS-SVM算法对模型中的参数进行了估计,基于等维新息递补预测法对负荷数据进行了预测。实例计算结果表明,基于该模型得到的预测结果相对误差在3%以内,与传统预测模型相比,采用文中的模型可获得更高的预测精度。     

基于组合预测模型的长沙市长期负荷预测

在长沙经济发展预测的基础上，采用回归分析法、趋势外推法、灰色预测方法和弹性系数法等多种方法预测长沙城区2005-2020年的负荷需求，并结合这些方法，提出了基于误差权重因子的多种方法组合预测的思路，对长沙市的长期负荷需求进行了优化组合预测．对预测结果的分析表明，该预测方法是合理、有效的．     

中长期电力负荷预测中的新思路

简要地介绍了中长期电力负荷预测方法的类型及局限,详细地阐述了如何用模糊聚类等方法模拟专家分析预测过程的新思路,并给出实例。     

电力中长期负荷模糊优选组合预测方法的研究

传统中长期电力负荷组合预测方法在确定权系数时,由于没能充分考虑各单一预测模型拟合值与历史实际值之间的多种误差信息,而使预测结果不够理想.为此,选取多种误差作为评价单一模型优劣的指标,引入多目标系统模糊优选理论,结合熵权法客观分配各种误差指标的权重,在全面考虑多种误差信息的情况下,通过求取各单一模型预测精度对“优”的隶属...     

基于局部形相似的超短期负荷预测

为了进一步提高超短期负荷预测的精度,特别是负荷曲线出现拐点时的预测精度,在选择相似日的基础上,提出了一种基于局部形相似的超短期负荷预测方法。通过西安地区实际负荷数据的仿真,验证了该方法既能保证负荷曲线拐点处的预测精度,同时又提高了总体的预测准确度。     

应用启发式最小二乘支持向量机的中长期电力负荷预测

针对中长期负荷预测,提出了基于年负荷总量、年负荷增长量、年负荷增长率、年负荷增长加速率、年国内生产总值等5个指标的启发式最小二乘支持向量机中长期负荷预测模型。首先,通过核函数将低维输入变量空间映射到高维特征空间,建立核偏最小二乘回归模型,拟合出单位国内生产总值电耗;然后以单位国内生产总值电耗为启发式算子,在历史负荷数据...