负荷时间序列波动性的动态时变结构研究

采用广义自回归条件异方差(GARCH)族模型分析了负荷时间序列波动性的动态时变结构,提出了模型系的概念,使用滚动数据窗技术估计了指数广义自回归条件异方差(EGARCH)和幂自回归条件异方差(PARCH)模型系;在研究动态显著性水平线(DSL)的基础上,探究了时序波动性的动态时变结构,讨论了贯穿各子样本空间的波动不对称效应。算例分析中,将所建模型应用于短期负荷预测,比较了GARCH族模型的预测能力,得到了较高的预测精度。     

一种电力系统中长期负荷预测的新思路

近年来，全国大部分地区的电力需求情况发生了明显的变化，中长期负荷预测困难加大，传统的预测思路很难得到可信度较高的预测结果。文中首先阐述了传统预测思路的难点，并对人脑的预测过程进行了分析，进而提出了一种新的电力负荷成分划分方法，在此基础上提出一种简单、可靠、灵活的预测思路。具体算例表明，这种方法可以有效提高预测精度。     

基于小波软阈值的中长期电力负荷预测研究

由于中长期电力系统负荷数据相对较少，影响因素广泛，常用的负荷预测方法很难达到满意的精度，所以提出一种结合小波软阈值和广义回归神经网络的综合预测模型，该模型充分考虑了长期负荷数据相对较少和影响因素广泛的特点，把负荷预测看作一个信号序列，应用小波去噪原理，将信号与噪声分离，然后利用广义回归神经网络进行预测。实际应用证明，预测结果是令人满意的。     

基于GM(1,2)的中长期负荷区间预测模型

根据电力负荷预测中重视负荷成因和区间预测的指导思想,结合传统预测方法的优点,以灰色理论为基础,运用灰色GM（1,N）模型,分别将三个产业的GDP与用电量结合进行预测,并修正模型系数。同时结合二产GDP高、中、低三个水平进行区间预测。结果证明结合影响因素的预测效果较好,预测区间范围合理,可作为中长期负荷预测工具之一。     

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。     

基于广义回归神经网络的电力系统中长期负荷预测

在介绍广义回归神经网络（GRNN）基本算法、网络结构及平滑参数确定方法的基础上,提出将误差序列的均方值作为网络性能的评价指标并采用最小误差对应的平滑参数,建立了GRNN的预测模型。提出了确定输入神经元数目的方法：根据自回归模型阶次的选择经验初步确定输入神经元数目m;在m值附近进行搜索,对于每一个m值,确定平滑参数后,计算网络对学习样本的预测误差;根据BIC准则评价指标的最小值确定输入神经元数目。将模型应用于某地中长期电力网负荷预测,分别进行了单步预测和多步预测。与BP神经网络模型的预测进行比较,结果表明,采用该方法的预测精度明显高于BP模型,即使在训练集样本数据较少时,该方法的预测准确度仍然很高。     

基于不对称自回归条件异方差模型的短期负荷预测

研究了负荷时间序列的自回归条件异方差效应,提出了一种基于不对称自回归条件异方差模型的短期负荷预测方法。建立了广义误差分布假设下的不对称广义自回归条件异方差模型,借助模型的不对称参数,分析了不同冲击下的不对称机制,比较了各种广义自回归条件异方差模型的预测能力。其中,幂指数广义自回归条件异方差-广义误差分布模型的预测效果尤为突出。最后通过实际算例验证了上述方法的可行性和有效性。     

考虑城市化因素的中长期负荷预测模型

随着城市化进程的推进,部分大城市的负荷增长开始缓和,波动性逐渐凸显,加大了中长期负荷预测工作的难度。提出一种基于城市化特性的中长期负荷预测模型。首先分析城市化在人口、经济、地域三方面的特征,提取城市化影响负荷的主要构成要素;然后,利用层次分析法结合专家经验,实现各种城市化要素对电力负荷影响的主观赋权;最后,采用模糊聚类分析法预测多因素影响下的城市负荷。所提模型能够较好地解决负荷的波动性给中长期负荷预测带来的困难,适用于城市化背景下的中长期负荷预测。算例分析表明,相较于时序外推以及弹性系数等常规预测方法,所提方法具有较好的预测精度。     

应用模糊线性回归模型预测中长期电力负荷

针对负荷影响因素的复杂性和不确定性,结合模糊数学和线性回归模型,讨论应用模糊线性回归模型预测负荷的变化区间。推导了模糊线性回归模型参数求解的数学模型,详细讨论了隶属度的取值对模型参数的影响。应用该模型进行实际预测,分析结果表明该方法的有效性。对模糊预测结果的评判进行了探讨,提出了利用实际值在预测区间的隶属度之和判别预测结果优劣的方法。     

基于变权缓冲灰色模型的中长期负荷预测

为解决传统灰色模型和缓冲算子在中长期电力负荷预测应用中存在的问题,提出了变权缓冲灰色模型。该模型将变权缓冲算子与背景值优化灰色模型相结合,实现对原始负荷数据的动态预处理。基于粒子群优化算法,以拟合值与实际值的灰色关联度最大为目标,选择最优缓冲系数,在提高模型精度的同时,使预测结果最大程度地体现原有负荷数据的内在发展趋势,提高拟合和预测的稳定性。为验证模型效果,使用2003—2008年全国全社会用电量数据建模,预测2009—2011年的用电量,预测结果证明了该模型在中长期负荷预测中的有效性和可用性。     

中长期电力负荷预测模型筛选与组合方法

将预测决策思想引入到中长期电力负荷组合预测中,并深入分析了现有预测模型筛选方法的优缺点,在此基础上,完善了以灰色关联度和预测有效度两类指标为基础的预测模型评价指标体系。依据提出的协调因子、综合有效性指标等概念,构造了基于综合有效性指标和模型冗余校验的预测模型筛选方法和基于综合有效性指标体系的中长期电力负荷变权组合预测模型。算例表明,文中提出的组合预测模型预测精度较高,实用性强。     

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...     

基于粒计算的电力系统中长期负荷动态聚类预测模型

结合聚类分析与时间序列数据挖掘技术,提出了基于粒计算的动态聚类预测模型。该模型有助于消除聚类结果与先验知识之间的主观不协调性,使聚类结果与客观实际相符。基于该模型得到的预测结果是区间值,这降低了预测风险。某地区需电量的预测结果表明,该模型能显著提高预测精度,适用于电力系统中长期负荷预测。     

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。     

基于误差叠加修正的改进短期风电功率预测方法

对风电功率进行较为准确的预测是合理调整含有风电的电力系统或微电网系统的调度策略,提高其运行稳定性与经济性的有效手段。在分析传统风电功率预测过程的基础上,从基本预测方法在功率预测过程中的使用策略角度出发,提出了不依赖于基本预测方法的新的改进预测思路。在这种改进方法中,增加了误差预测模型,对传统方法的预测值所包含的误差值进行预测,并将通过误差预测模型得到的预测误差与传统方法的预测值叠加作为改进方法的最终预测结果,并以反向传播(BP)神经网络作为基本预测方法对实际风电场进行实例验证分析。计算结果表明:提出的改进风电功率预测方法能够较大幅度地提高预测精度;提出的改进思路和传统改进思路不同,并不涉及基本预测方法内部特性且无需引入其他辅助方法,因而具有良好的通用性。     

基于功率波动过程的风电功率短期预测及误差修正

风资源因具有较强的波动性、随机性与间断性等特点而导致风电功率预测精度不高。为减小风电功率波动对电网的冲击,提高电力系统对风电的接受与消纳能力,提出了改进的风电功率短期预测方法与基于波动的误差修正方法。首先将风电功率按不同波动过程进行聚类划分,提取不同波动的特征曲线对功率值进行修正;采用引力搜索算法优化的反向传播神经网络(GSA-BP)作为基本预测方法进行预测;分析不同波动过程下的预测误差表现,建立预测误差与综合气象指标的映射关系。针对不同波动过程建立相应的风电功率误差修正模型,提出了线性模型和GSA-BP非线性模型相结合的方式对预测误差进行修正,最后以功率预测值叠加预测误差修正值作为最终预测结果。该风电功率预测误差修正方法不仅涉及风速风向等常规因素,而且考虑到了风电功率的波动性。     

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。     

基于灰色模型的电力系统负荷预测

基于灰色理论建立了1种新的电力负荷预测模型。该模型应用累加(GAO)和累减(IGAO)方法生成了等维递补模型。由定例计算表明,该模型具有良好的精确性和应用性。     

市场环境下负荷预测误差风险管理研究

负荷预测误差风险直接影响电网公司经营效益和供电的安全性和稳定性.通过金融风险管理工具VaR方法研究了电网企业负荷预测误差风险的问题.首先由灰色周期外延组合预测模型得出电量预测值,进而得到预测误差序列,在验证预测误差服从特定分布的基础上,在给定风险水平情况下,通过划分相应分位数求得VaR值,最后通过预测误差损失函数计算得出预测值在一定置信度和风险水平下的置信区间.本预测误差风险模型具有较高的普适性和灵活性,对任意给定的风险水平,都可以求出相应风险水平下的置信区间,满足不同风险偏好决策者的需要.实例分析表明该方法简单易用,且具有较高的精度,可以为电网公司负荷预测和风险管理提供参考.