基于模块化回声状态网络的实时电力负荷预测

电力负荷预测特别是实时电力负荷预测是电力系统规划的重要组成部分,也是电力系统可靠、经济运行的基础。针对回声状态神经网络在实时负荷预测中存在易受噪声影响、鲁棒性不强、不稳定的问题,提出了将基于模块化回声状态网络的方法应用于实时电力负荷预测中。根据输入时序数据所引起的储蓄池内部状态的相似性对储蓄池空间进行模块划分,将此高维空间划分为多个子模块,针对每一个模块训练一个读出器,最后把各个模块的输出结果集成输出。利用模块化回声状态网络模型,对大客户的实时负荷数据进行预测,并与几种短期负荷预测模型进行精度和稳定性的对比实验,结果表明,模块化回声状态网络在实时负荷预测中既提高了预测精度,又增强了预测的稳定性和泛化性能。     

基于相似日和回声状态网络的光伏发电功率预测

光伏发电功率预测对提高光伏电站控制、调度性能以及保证电网的安全稳定运行具有重要意义。提出一种基于相似日和回声状态网络（ESN）的光伏发电功率预测模型。首先运用相关性分析法对光伏发电功率的影响因素进行了深入分析,并筛选出其主要影响因素;再利用主要影响因素的历史气象信息建立气象特征向量,通过计算灰色关联度（GRA）寻找合适的相似日;最后运用ESN创建预测模型,利用相似日历史数据训练ESN,而后对预测日的输出功率进行逐时预测。算例表明,对比传统模型,GRA-ESN模型具有更高的预测精度和更好的可行性。     

基于NBA-SVR的日最大负荷预测

为进一步提高日最大负荷预测精度,提出一种基于新型蝙蝠算法和支持向量回归的日最大负荷预测方法,引入对回波中多普勒效应进行自适应补偿和栖息地选择的新型蝙蝠算法优化选取支持向量回归参数,采用电工杯数学建模竞赛提供的数据训练并建立NBA-SVR模型进行日最大负荷预测,结果表明NBA-SVR模型在预测精度上比BPNN、PSO-S...     

一种基于贝叶斯网络的电力负荷峰值预测方法

近年来,我国电力负荷峰值增长速度较快,尤其是华东地区,负荷峰值不断刷新。文章研究负荷峰值特性分布,基于向前逐步选择正则化提出两阶段法进行模型因素选择,并以实例验证选择出6个最佳影响因素组合。在两阶段法模型因素选择研究基础上,结合k-means聚类降低计算工作量,设计了基于贝叶斯网络的电力负荷峰值预测模型和分类预测算法,并以上海市浦东区为例进行验证,预测结果精度较高,验证了该方法的可行性及有效性。     

日最大负荷特性分析及预测方法

电力调度和市场营销部门对电力负荷数据的走势形态和预测方法十分重视。在实际应用中,电力市场对提前预测未来连续多天的日最大负荷提出了新的要求。本文根据电力系统中日最大负荷的历史数据,分法定假日与非假日两部分单独研究其特性。对于假日最大负荷的预测,设定假日因子;对于非假日,通过小波分解提取日最大负荷变化的周期特征,再分别建立相应的BP神经网络模型进行预测。通过对某市电力负荷数据的预测及结果表明:采用这种组合方法可行有效、预测精度满足行业要求。有较强的理论意义和广泛地应用前景。     

基于回声状态网络的电力市场电价预测

传统的神经网络算法在电价变化剧烈的情况下,精度较低并且所耗费的时间较长,难以满足电力市场发展的需求。为解决该问题,提出了一种基于回声状态网络(ESN)的短期电价预测方法。所提方法介绍了基于回声状态网络的预测原理,提出了电力市场短期电价的预测机制,包括参数选取、采样数据预处理和ESN训练及预测过程;并分别采用回声状态网络和反向传播算法(BP)神经网络进行短期电价预测。经过仿真验证,所提出的基于回声状态网络的电价预测具有较好的准确率和可行性。     

基于CEEMDAN与回声状态网络的风速预测方法

为了对风速进行准确预测,结合分类与回归树(Classification and Regression Tree, CART)、自适应噪声完备集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN)、回声状态网络与非线性误差修正策略,提出了一种基于回声状态网络(Echo Sate Network, ESN)的混合期风速预测方法。其中,CART用于对原始数据进行重构,得到建模数据集。CEEMDAN用于提取输入特征信息。ESN根据输入特征建立风速预测建模。最后,利用误差修正策略对所得到的模型进行修正。基于国内某风电场的数据实验表明,所提出方法能够准确预测风速,可以指导风场生产,提高生产自动化水平。     

基于贝叶斯证据框架下WLS-SVM的短期负荷预测

提出了一种基于贝叶斯证据框架下加权最小二乘支持向量机(Weighted Least Squares Support Vector Machine,WLS-SVM)的短期负荷预测模型和算法.在对历史负荷数据进行完预处理基础上,分析影响负荷变化的重要因素,然后选择最佳的输入数据作为LS-SVM训练模型的输入向量.通过贝叶斯...     

基于贝叶斯证据框架下WLS-SVM的短期负荷预测

提出了一种基于贝叶斯证据框架下加权最小二乘支持向量机(Weighted Least Squares Support Vector Machine,WLS-SVM)的短期负荷预测模型和算法.在对历史负荷数据进行完预处理基础上,分析影响负荷变化的重要因素,然后选择最佳的输入数据作为LS-SVM训练模型的输入向量.通过贝叶斯证据三层推断寻找到模型的最佳参数:第一层推断确定LS-SVM的权向量w和偏置值b,第二层推断确定模型的超参数γ,第三层推断确定核函数的超参数σ.为了提高模型的鲁棒性,赋予了每个样本误差不同的权系数,建立了具有良好泛化性能的WLS-SVM回归模型,从而进一步提高了模型预测的精度.采用上述方法对黑龙江电网短期负荷进行了预测,结果证明了该方法具有良好的预测效果.     

基于隐含数据信息挖掘的贝叶斯电采暖负荷预测

冬季电采暖负荷的准确预测对电网安全稳定运行以及电力系统调峰和调频具有重要意义。为充分挖掘冬季电采暖负荷数据中隐含信息,提出基于贝叶斯网络的多变量冬季电采暖负荷预测方法。首先将隐含信息数据中的多变量数据分为可观测数据和隐含数据,依据变量之间的影响机制搭建贝叶斯网络结构,并通过EM(Expectation Maximization Algorithm)算法训练可观测数据信息,获取隐含数据分布,进而基于可观测数据和隐含数据实现冬季电采暖负荷预测。采用北京电力公司提供的冬季电采暖负荷实测数据进行验证,结果表明,采用贝叶斯网络进行电采暖负荷预测具有较高的预测精度。     

一种基于城市负荷运行状态的台区削峰填谷预测方法

随着我国经济发展进入新常态,电力供需形势发生深刻变化,各种负荷和分布式能源在台区侧相互交融、关联制约,使得对台区负荷进行预测削峰填谷,以支撑源网荷储协同服务变得尤为迫切.为此,提出了一种基于城市负荷运行状态的台区削峰填谷预测方法,综合考虑节假日及气候等短期负荷影响因素,通过对台区的负荷变化规律进行研究及精准预测,实现台...     

基于状态频率记忆网络的家庭短期电力负荷预测

家庭的短期电力负荷预测在智能电网中发挥着越来越重要的作用,为了进一步提高预测的精度,提出了一种基于状态频率记忆网络的家庭短期电力负荷预测模型。首先采用K均值聚类方法,将具有相同用电模式的家庭归为一类;随后采用小波降噪技术对负荷数据进行降噪处理;最后构建状态频率记忆网络模型进行批量的家庭负荷预测。该模型通过引入离散傅里叶变换将记忆状态分解为多个频率分量,并通过这些频率成分的组合来预测未来的用电量。使用均方误差、均方根误差和平均绝对误差来评估模型,与该领域上性能表现最好的长短期记忆模型相比较,文中的模型在未来一天的负荷预测中,3类误差分别降低了21.6%、11.4%、15.4%,充分验证了模型的有效性。     

基于模糊层次分析法的年最大电力负荷预测

针对电力负荷预测特点和人的判断所特有的模糊性,为了提高负荷预测精度,提出了基于模糊层次分析法的电力系统年最大负荷组合预测模型。此模型引入三角模糊数的一些基本理论,采用三角模糊数表征专家判断信息以充分考虑专家判断的模糊性;采用层次分析法对专家判断结果进行处理以得到方案层各方案的最优权重。该负荷预测模型综合考虑了影响电力负荷的多种不确定因素,并在综合不同模型预测结果的过程中引入专家经验。实际算例后校验平均百分比误差为2.039%。这表明该方法能有效提高负荷预测精度。     

基于卡尔曼滤波-SVR时刻峰值的短期负荷预测

以提高短期负荷预测中的时刻峰值精度为目标。为了给电力调度部门提供各时刻负荷分配的极限值,以一天中24个时刻的负荷峰值代替一天96点的负荷作为研究对象,并且在支持向量机的回归拟合(SVR)基本算法基础上,提出了一种SVR预测值经过累积式自回归—移动平均模型(ARIMA)的卡尔曼滤波调整的短期负荷预测模型。该模型利用ARIMA模型建立卡尔曼滤波方程;并将SVR预测值作为观测值,通过卡尔曼滤波的递推方程组,求得最终的负荷预测值,从而实现卡尔曼滤波-SVR预测。经过实例验证该模型可以有效提高短期负荷预测的精度。     

基于改进广义回归神经网络的日负荷曲线预测

提出了基于改进广义回归神经网络(GRNN)的日负荷曲线预测模型。对GRNN模型的输入元素进行分析筛选,并同时输出一天48点的负荷预测值,在保证预测精度的基础上大大提高了预测速度。采用烟台某变电站实际负荷进行预测分析,结果证明了该方法的有效性。     

基于双层贝叶斯分类的空间负荷预测

采用分类模型进行空间负荷预测。由于决定负荷密度的各属性之间并非完全独立，传统分类器分类效果并不理想。为此，该文采用双层贝叶斯分类模型，该模型是朴素贝叶斯分类模型的扩展，通过选取关键属性将单一属性集划分为强属性集和弱属性集，弱化了各属性间相互独立的假设，提高了对样本分类的正确性。给出了构建和训练该模型的方法，在正确分类的基础上，文中采用类内相似度方法进行负荷密度的修正。实践和算例证明，该文模型和算法适合进行空间负荷预测。     

基于多目标和贝叶斯优化的短期负荷区间预测

新能源并网后的供电体系存在具有较高的间歇性和随机性,这将为电力生产和调度的平衡带来巨大挑战,而如何量化电力负荷的不确定性对电力系统安全经济地运行起着重要作用。为此,提出一种基于多目标和贝叶斯优化(multi-objective optimization and Bayesian optimization, MOBO)的深度学习区间预测模型,能在给定的置信水平下描述电力负荷的变化趋势。在预测模型的构建过程中,依据分位数回归理论计算出电力负荷在不同分位点处的预测区间,再通过有效性检验,筛选出合理的预测模型。同时,采用多目标优化和贝叶斯优化算法理论对深度学习模型的超参数进行调优。使用美国纽约州米尔伍德的电力负荷数据集对所提出的模型进行验证,实验结果表明,与其他模型相比,模型在不同置信水平下均有着更高的预测区间覆盖率和更窄的区间平均宽度,更能精确地描述未来电力负荷的波动范围。