模糊划分线性回归模型在电力负荷预测中的应用

针对电力负荷中长期预测中存在大量的不确定性因素及待预测的负荷变量与关联因素无法很好地满足整个样本序列上预测变量与解释变量间的线性相关性问题,引入了模糊划分理论,构建了基于模糊有序划分的线性回归预测模型。算例应用结果表明,该模型能在较少样本数据基础上实现对电力负荷较为准确的预测,且预测精度较高。     

基于数值分析的改进GM(1,1)负荷预测模型研究

针对传统GM(1,1)模型进行负荷预测存在的不足,采用数值分析算法求解GM(1,1)模型中的参数,直接建立灰微分白化响应方程,构建了一种基于数值分析的GM(1,1)改进负荷预测模型,并以山西省大同市10条10 kV配电线路为例,对模型进行了验证.实例结果表明,改进模型克服了差分方程与微分方程结合所造成的模型误差,预测精...     

基于数据变换技术和无偏NGM(1,1,k)模型的电力负荷预测

针对电力负荷数据以近似非齐次指数规律增长时采用GM(1,1)及其各类改进模型模拟误差较大同题,基于无偏NGM(1,1,k)模型的建模机理,采用函数变换方法作为数据变换技术处理负荷数据,并以预测精度作为数据变换技术优选条件.实例应用结果表明,该方法有效可行.     

IGM(1,1)幂模型在中长期负荷预测中的应用

针对GM(1,1)幂模型的固有缺陷,通过优化灰导数构建了IGM(1,1)幂模型,指出该模型可对呈S型曲线增长或增长处于饱和阶段的中长期负荷数据及增长型负荷数据建模,选取不同参数,可将GM(1,1)幂模型转换为GM(1,1)、verhulst及Gompertz模型,并采用不同测试数据及电网实际负荷数据验证,结果表明,该模型适用性广、精度高.     

改进的非等间距GM(1,1)模型在大坝位移预测中的应用

针对传统GM(1,1)模型在大坝位移预测中的缺陷,通过引入时间变量构建缓冲算子、重构背景值、优化残差等方式改进传统GM(1,1)模型。以某大坝测点径向位移样本为例,分别采用两种模型对观测值进行拟合预测。结果表明,改进的非等间距GM(1,1)模型预测精度有较大提高,更适用于大坝位移监控。研究成果可为大坝位移预测提供参考。     

优选移动平均与BP网络混合电力负荷预测方法

电力系统是一个受多种不确定因素如经济、人口、政治、市场等影响的复杂系统,这种特性也决定了电力负荷中长期预测是一个需要长期跟踪和动态管理的过程.对我国中部某地区电力负荷进行了月度预测,为解决中长期电力负荷预测精度不足、模型适用性不强、受客观因素影响较大的问题,考虑将复杂因素如温度、风速与历史区域用电负荷的时间序列进行因素耦合,利用优选移动平均法和BP神经网络混合改进预测模型,提高月度负荷预测模型的趋势预测能力,最后通过计算MAPE误差验证,经改进后的混合预测方法预测精度得到提升,适用于电力负荷的中长期预测.     

基于MGM(1,n,r)的主动配电网中长期负荷预测

针对主动配电网负荷长期发展的影响因素较多,而传统灰色预测模型只适用单变量、精度较低的缺陷,提出利用遗传算法对灰色模型的参数搜索最优解,构建多变量灰色遗传MGM(1,n,r)中长期负荷预测模型。仿真实例表明,相比传统灰色模型,遗传算法在主动配电网中长期负荷预测中应用性更强,具有显著的预测精度及优势。     

基于H-P滤波预测技术的年用电量预测模型研究

针对电力市场预测电力负荷受众多因素影响及各类预测模型模拟预测误差较大的问题,为提高负荷预测精度,基于H-P滤波预测法将等维信息法、指数回归模型及分布滞后回归模型引入年用电量预测中,通过双层预测降低预测误差,并结合实例比较。对比结果,滤波滞后回归模型的预测综合得分高于滤波指数回归模型。     

改进灰色模型在电力负荷预测中的应用

灰色GM（1,1）模型是一种较有效的负荷预测模型,然而由于电力负荷具有多样性,导致对某些变化规律的负荷预测误差较大,精度不能满足要求,在实际应用中具有一定的局限陛。对灰色GM（1,1）模型进行必要的改进,利用等维新信息递推模型进行负荷预测,通过实例分析表明,可提高预测的精度。     

基于改进灰色理论的主动配电网中长期负荷预测

摘要： 中长期负荷预测是影响主动配电网规划和调度的重要方面。从柔性负荷、分布式电源及电动汽车等主动配电网中特殊负荷入手,分析提炼负荷长期发展的影响因素;将灰色理论引入主动配电网负荷预测,分析了多变量残差修正灰色模型在计及多因素影响作用和消除累积误差方面的作用。通过具体实例计算,证实了改进灰色方法在主动配电网中长期负荷预测中的有效性和实用性。     

电网无功负荷预测方法研究

由于电网数据采集与监视控制系统(SCADA)中无功负荷历史数据有限以及其数据波动量较小的特点,采用传统单一预测方法不能满足精度的要求,考虑到时间序列与支持向量机对无功负荷预测的综合优势,建立了时间序列与支持向量机两种方法组合的模型。通过对某电力市场的实测值与预测值进行比较,验证了该方法的预测精度较高。     

基于EEMD-ACS-SELM的弃风电量组合预测模型

风电已在电力系统中得到了有效利用,因此,弃风电量的准确预测对于电网的安全、经济运行至关重要。文章提出了一种基于集合经验模态分解(EEMD)和t分布自适应变异布谷鸟算法(ACS)优化改进极限学习机(SELM)的弃风电量组合预测方法(EEMD-ACS-SELM)。该方法先采用集合经验模态分解,将原始弃风电量序列分解为一系列不同频率的分量,基于模糊熵理论计算各分量的熵值,并将熵值相似序列重构为新的子序列。然后,将新序列分别建立改进极限学习机预测模型,利用ACS优化算法对SELM算法的输入权值和阈值进行优化。最后,将各序列预测值叠加求和得到原始弃风电量序列的预测值。以新疆某风电场实际运行数据进行算例分析,结果表明,文章所提方法对弃风电量的预测具有较高的精度。     

基于分位回归鲁棒极限学习机的短时负荷预测方法

针对短期负荷预测对电力系统运行管理和优化调度的影响,提出一种基于分位回归鲁棒极限学习机的短时负荷预测方法,即先对所收集的历史负荷数据进行归一化处理,然后利用自相关分析提取最相关的历史负荷数据作为模型的输入变量,再融合鲁棒极限学习机和分位回归建立负荷预测基本模型,最后利用某电力公司2016年采样频率为30min的数据进行实例分析,试验数据表明相比极限学习机(ELM)、分位回归(QR)和分位回归支持向量机(QR-SVM),所提模型预测精度更高,验证了所提模型和算法的可行性和有效性。     

含分布式能源区域电网月最大净负荷概率预测

负荷预测在电网规划和运行中十分重要,大规模分布式能源接入电网参与能量交换,可使电网用户优化其用电模式,但造成区域电网月最大净负荷特性发生根本性改变,增加了月最大净负荷预测的不确定性。为此,结合BP神经网络算法与分位数回归模型,构建了区域电网月最大净负荷的非线性概率预测模型;并利用核密度估计算法计算得到了月最大净负荷概率预测分布曲线;最后,以上海某含分布式能源区域电网为例,验证了该方法的可行性与可靠性。结果表明,该方法可准确刻画月最大净负荷波动特性,为电网规划与负荷管理提供依据。     

基于混沌时间序列的电力负荷短期预测方法

针对加权一阶局域法单步预报计算量大且存在累积误差的不足,在相空间重构技术基础上提出了一种加权一阶局域法多步预报模型。通过对统一混沌系统的预测仿真,证明该模型对混沌时间序列多步预报的有效性。采用加权一阶局域法对四川省电力系统日负荷进行了短期预测,实际结果说明加权一阶局域法的预测精度能满足要求。     

基于熵值法的组合模型用电量预测方法研究

电力系统的中长期负荷预测是配电网规划的基础,对实现电网的安全经济运行起着重要作用。以年度用电量预测作为研究的对象,年度用电量预测采用4种主要方法,即分别按照年度、季度、月度和行业用电量预测得到对应年用电量预测值,在此基础上再按其发展序列预测结合起来,建立了一种线性组合预测模型。并采用熵值法对组合模型的权系数进行求解,实证分析表明该模型使预测精度得到了明显提高,具有良好的预测效果。     

基于信息融合和堆叠模型的超短期风电功率预测

针对超短期风电功率预测,准确捕捉功率变化因素和建立混合预测模型是提高预测精度的有效手段之一。为了能够继承和整合单个模型的优点以及增强历史信息的表示和利用能力,文章提出了一种基于信息融合和堆叠模型的超短期风电功率预测模型。首先,利用相关性方法选择历史功率序列和历史测风塔数据的特征,作为预测模型的输入;然后,建立两层堆叠的集成模型作为预测模型,并使用交叉验证和超参数优化以增强预测模型的泛化性能;最后,以每个基学习器的输出作为元学习器获得最终预测值的新输入。通过东北某风电场真实数据的验证,以及与单一模型、深度神经网络模型和集成学习模型的对比,验证了所提模型的可行性和有效性。     

太阳能光伏发电预报网站系统设计与实现

基于中尺度数值预报模式,以原理预报法、动力—统计预报法等太阳能光伏发电量预报方法为理论基础,构建了太阳能光伏发电预报系统,并根据太阳能发电预报的产品显示需求,设计了太阳能光伏发电预报网站的总体功能,基于ASP.Net 4.0和Silverlight 4.0技术开发了太阳能光伏发电预报网.预报结果在预报员确认后经网站采用不需要终端用户部署的B/S模式展示和分发.     

含高比例分布式光伏的母线负荷预测方法

高比例分布式光伏的大规模接入对母线辖区的负荷预测产生了较大影响,导致母线辖区内负荷偏离用户用电负荷的真实状况。文章考虑了高比例分布式电源对负荷形态的影响,提出了基于互信息与混合模型的母线辖区内负荷预测模型,对分布式电源相关输入因子采用互信息系数进行相关性分析,并通过由XGBoost算法与极限学习机算法组成的混合模型对数据进行训练。最后,使用某地母线辖区内负荷数据进行实例验证,结果表明,考虑分布式电源接入后的母线辖区负荷预测精度高于常规预测方法,文中所建立的预测模型具有良好的预测精度。     

基于IFOA-GRNN的电力系统短期负荷预测

考虑到电网负荷与诸多因素有关,设计了一种带有温度、气象、日期类型的广义回归神经网络（GRNN）负荷预测模型。为了提高该模型的预测精度,提出了一种改进果蝇优化算法优化广义回归神经网络（IFOA-GRNN）的方法,即在利用果蝇优化算法（FOA）进入迭代寻优时,通过改进搜索距离优化该算法的性能和稳定性。利用改进的FOA优化GRNN的光滑参数,然后利用训练好的预测模型对甘肃省某地区进行了短期负荷预测,并与FOA-GRNN和误差反向传播神经网络(BPNN)模型结果进行了误差比较。结果表明, IFOA-GRNN具有较高的预测精度,能够满足电力系统短期负荷预测的要求。