基于灰色关联分析与随机森林回归模型的短期负荷预测

针对人工神经网络和支持向量机存在的泛化误差大、具有局部最优以及参数选取困难等缺点,将随机森林回归模型引入电力系统短期负荷预测,提出了一种基于相似日与随机森林回归模型的短期负荷预测方法。利用灰色关联分析法计算原始训练样本与预测日各影响因素间的关联系数,选取相似度较高的历史样本构成相似日样本集,对随机森林回归模型进行训练。将预测日的特征向量输入训练好的模型中,取所有回归树输出结果的平均值作为最终的负荷预测结果。实际算例表明,与常规支持向量机法和常规随机森林回归法相比,该组合方法可以有效地提高短期负荷预测的精度。     

贵州省2015~2020年用电量预测及其比较

为给贵州省电力规划提供依据,以便制定科学、合理的发输电规划方案,基于贵州省1985~2009年用电量特点,选取趋势外推法、线性回归法和灰色模型法三种电力负荷预测方法预测了贵州省2015~2020年的用电量,并进行对比分析。结果表明,不同的电力负荷预测方法预测精度不同,灰色系统理论具有很强的通用性。     

基于BP神经网络灰色回归组合模型的年最大负荷预测

为克服单一电力负荷预测模型的局限性,改善预测结果,提出了一种基于BP神经网络灰色回归组合模型的年最大负荷预测方法。在BP神经网络预测模型中,采用Levenberg-Marquardt算法对参数迭代过程进行优化;在灰色预测模型中,采用加政策因子处理法对原始数列进行改造以强化数列的递增趋势;在回归预测模型中,采用逐步线性回归法剔除对因变量影响较小的自变量。最后利用方差-协方差法对三种预测模型进行加权组合。以广州市2007—2016年实际数据对组合预测模型进行验证,并对广州市2017—2019年的年最大负荷进行预测。结果表明:所提方法预测精度较高且误差在工程允许范围之内,具有一定的工程实用价值。     

基于SVM-STL-LSTM的区域短期电力负荷预测研究

针对区域电力负荷的时间序列数据随机性强、预测精度低及单一模型的数据特征提取能力差等问题,提出了一种支持向量机(SVM)、STL时序分解法、长短期记忆神经网络(LSTM)组合的电力负荷预测模型。该模型利用SVM对时间序列的电力负荷数据进行初始预测,并通过STL时序分解法对残差序列进行时序分解,从而提高残差序列的稳定性,减小其随机性,最后用LSTM对SVM的预测误差进行修正。试验结果证明,该方法利用误差修正可有效处理随机性强的数据,有利于预测结果的稳定性,提高预测精度。     

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。     

负荷预测的变权重灰色模型及其应用

针对传统灰色预测模型GM(1,1)在电力负荷预测中存在的局限性,提出了电力系统中期负荷预测的变权重灰色模型.以河北承德为例进行负荷预测,并与指教平滑法、动平均法、二项式预测模型和GM(1,1)模型四种方法的预测结果及实际用电量进行分析比较.结果表明,该模型预测精度较高、简捷、合理、实用,可作为中期电力负荷预测的工具之一.     

基于逆推理论改进模糊均生函数的短期负荷预测

为提高短期电力负荷预测精度,针对电力负荷序列的周期性、随机波动性等特点,提出一种基于逆推理论改进模糊均生函数的短期负荷预测模型。该模型先将模糊均生函数算法引入负荷预测领域,同时应用逆推理论改进模糊均生函数的构造过程,然后将其与最优子集回归算法相结合,建立短期负荷预测模型,最后使用该模型进行预测。以山东电网某市的负荷数据为例,对该模型进行了验证,并与实际负荷数据及传统均生函数模型的预测结果进行对比。结果表明,所提模型能有效提高短期负荷预测的精度,具有很好的实用性。     

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。     

基于最小二乘组合灰色模型的中长期电力负荷预测

电力负荷预测是实现电力系统管理现代化的重要内容,有效的中长期电力负荷预测可为电网运行方式、电源建设规划等提供可靠的决策依据。针对中长期电力负荷预测,综合考虑负荷的历史数据和未来可能走势,在对三种灰色预测模型分析的基础上,以其预测值为解释变量,实际负荷值为被解释变量,通过最小二乘法建立多元回归方程,并通过计量经济检验,以此构造了负荷预测组合模型。将该模型应用于北京市年用电量预测中,结果表明所构造模型具有较高的预测精度,有效可行。     

配电台区中短期负荷预测方法研究

配电台区的负荷预测是台区配电扩容规划的基础工作.但受到配电台区统计数据种类单一、数据质量差甚至无法获取等因素的影响,配电台区的负荷预测存在精度低、预测模型复杂等问题.根据台区配电负荷日峰值数据表现出的周期性和渐变性,建立基于温度-负荷回归模型残差的ARIMA模型的台区配变负荷峰值预测方法.建立温度-负荷回归模型,以日最...     

基于GDP-电能消费耦合关系的中长期电量预测

建立了一种基于用电量和GDP之间耦合关系的中长期电量预测模型。首先利用协整检验和格兰杰（Granger）因果检验,剖析电能消费和经济发展之间的协整关系和因果关系,并建立中长期电量预测模型。然后采用误差修正方法对预测模型进行短期调节,以提高模型的鲁棒性以及预测精度。以某地区1991—2015年的用电量和GDP数据作为算例输入数据,结果表明：通过构建电能消费和经济发展之间的耦合关系,有助于提高预测模型的解释能力,同时含短期调节的中长期用电量预测模型具有更高的预测精度。     

基于多气象因素混合回归的重庆地区夏季日最高负荷预测

鉴于利用短期负荷对气象的响应进行负荷预测能部分反映负荷形成的物理机制,基于主要气象因子与负荷的强相关性,采用混合回归方法模拟不同星期类型日最高负荷,并考虑积温效应和降雨对负荷的特殊影响,建立相应的修正函数对模拟结果进行修正,从而得到完整的能用于短期日最高负荷预测的多气象因素混合回归模型。对重庆地区日最高负荷的模拟与预测结果表明,率定期模拟平均误差为4.35%,在积温效应和降雨修正后,平均误差分别降至4.19%、4.01%;率定好的模型预测平均误差为1.99%,验证了模型具有可靠性和有效性。     

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。     

基于温度近因效应的多元线性回归电力负荷预测

为分析负荷与温度的关系,充分利用有用的气象信息,以结构简单、解释能力强的回归预测方法为基础,提出基于温度近因效应的多元线性回归负荷预测模型。在构建回归模型时,引入虚拟变量描述负荷在年、周和日周期上的周期性变化规律,对周分类时兼顾考虑节假日负荷特殊性及与休息日负荷的相似性,对节假日及其邻近日做相应转换;在近因效应方面,采用滞后时温度和24h移动平均温度。研究结果表明,考虑温度近因效应可较大程度提升负荷预测精度。     

基于遗传算法的参数投影寻踪回归径流预报模型及应用

为提高径流预报精度,采用单相关系数法挑选预报因子,建立了基于遗传算法的参数投影寻踪回归径流预报模型,利用该模型对雅砻江二滩水电站月平均流量进行了预报。结果表明,与BP神经网络模型预报结果相比,投影寻踪回归模型具有更好的预报结果和更高的预报精度。     

基于BP神经网络的大伙房水库洪水预报

鉴于大伙房水库洪水预报模型为集总式模型,其参数不仅需要优选法选定或人工试错法确定,还需要实时校正,因此根据大伙房流域特点提出了一种半分布式BP神经网络洪水预报模型,实现了模型中参数的自动率定,且由于其半分布式的特点还规避了原集总式模型的部分劣势。即采用DEM和ArcGIS根据水文站及自然流域分水线划分流域,创建BP神经网络,然后应用于各子流域断面及入库断面,预报其流量值,并在每个网络中均运用逐步回归分析法对输入层数据进行筛选,以得到影响最显著因子。将所建模型应用于大伙房水库,预报精度较好,可用于大伙房水库的正式预报。     

基于多源数据的自适应电力负荷预测方法

为满足电力规划部门的实际需求,并充分利用海量开源数据,提出一种基于开源大数据,自主整理数据并自适应选择预测模型的电力负荷预测方法,该方法通过收集海量数据并归类,筛选得到多个与负荷预测强相关的数据源,并提出自适应负荷预测模型,该模型应用灰色预测函数、弹性系数预测函数、人均用电量预测函数、人工神经网络预测函数等多种数学方法,且可以根据数据来源进行相应拓展,并采用四种评价指标对多源预测结果进行修正。实例应用结果表明,该方法可以提高预测精度,工程实用价值较大。