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。     

基于随机森林与长短期记忆网络的电力负荷预测方法

电力负荷具有非线性和时序性的特点,为了深入研究各特征变量对于电力负荷预测的重要性,进而获得更高的电力负荷预测精度,提出了基于随机森林(random forest,RF)算法及长短期记忆网络(long short-term memory,LSTM)的混合负荷预测模型。首先根据时间日期因素及气候因素建立高维特征数据集作为随机森林模型的输入,通过随机森林算法筛选出重要特征量,并使其与历史负荷结合作为LSTM模型的输入,经过粒子群算法对LSTM模型进行参数寻优后得到RF-LSTM混合模型及负荷预测结果。使用该方法对河北电网某台区的电力负荷进行预测,结果表明该混合模型的预测精度比未经特征变量筛选的传统单一的随机森林算法、LSTM模型以及BP神经网络更为理想。     

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。     

基于相似日和SAE-DBiLSTM模型的短期电力负荷预测

提高短期电力负荷预测精度有助于电力公司高效地管理能源和更加经济可靠地运行。随着信息通信技术在电力系统的广泛应用,可获得的电力系统数据迅速增多,为数据驱动的电力负荷预测提供了数据基础,但这些数据通常结构性较差且特征不明确。由此,提出了基于相似日和SAE-DBiLSTM模型的短期电力负荷预测方法。首先,对获得的电力负荷数据进行预处理,并利用栈式自编码网络无监督提取由相似日、基准日负荷数据和天气信息构成的数据隐含用电特征;再将所得的隐含用电特征输入深度双向长短期记忆网络(Deep bi-directional long short-term memory,DBi LSTM)进行训练学习;最后用2016年全国大学生电工数学建模竞赛数据集,将所提模型与其他模型进行对比测试(包括DBiLSTM、SAE-ELM、SAE-DGRU、SAE-DLSTM和SAE-DBiLSTM)。试验结果表明,SAE-DBiLSTM组合模型在不同地区均具有更高的预测精度,该方法简单可靠且能更好地预测短期区域电力负荷。     

改进的灰色理论在短期负荷预测中的应用

针对短期负荷预测问题,以减少预测模型复杂度和提高预测精度为目的,提出了一种改进的灰色理论预测方法,并与传统GM（1,1）方法进行了对比。仿真算例结果表明,该方法预测精度较优,具有较好鲁棒性,适用于短期负荷在线预测。     

考虑日周期性的城市电力负荷短期自回归预测

为了解决城市电力负荷的短期预测问题,本文提出了一种考虑日周期性的短期自回归预测方法。该方法利用城市集体负荷的日周期性,采用自回归的方法进行预测,并对预测的结果进行评估。本文的原始数据来自北方某城市18 435个用户,数据间隔为15 min一个测点,一天96个测点,共28天的历史数据。通过使用前27天的数据对第28天的数据进行了预测。通过将预测的功率曲线与实测的功率曲线进行比对,该方法对城市电力负荷短期预测取得了良好的效果。该研究可以为政府和电力调度部门提供建议,为城市以及园区级综合能源规划提供参考,并为精细化售电服务的套餐制定提供支持。     

基于CEEMDAN+RF+AdaBoost的短期负荷预测

高精度的短期负荷预测不仅是电力系统运行稳定的关键,也是构建智能电网的必要保证。为提高电力系统短期负荷预测精度,提出了一种基于完整集成经验模态分解(CEEMDAN)、随机森林(RF)和AdaBoost的预测方法。针对传统分解方法不能完整分解原始负荷序列的问题,利用CEEMDAN分解方法为各个阶段的IMF分解信号添加特定的白噪声,通过计算余量信号来获得各个模态分量,然后针对前9个模态分量构建RF预测模型,针对残余量构建AdaBoost预测模型,并对结果进行重构预测,得出未来24h的负荷预测数据。最后将CEEMDAN+RF+AdaBoost方法应用于华中地区的短期负荷预测,在同等条件下,与预测模型CEEMDAN+RF、EEMD+RF+AdaBoost、EMD+RF+AdaBoost、RF及AdaBoost进行试验对比,结果表明所构建预测模型的精度优于其他对比模型,具有很好的理论指导意义和实际应用前景。     

电力负荷和供热负荷的灰色关联分析

电力负荷与供热负荷紧密相关，热电联产有利于节能和改善环境质量。文章对两者进行了灰色关联分析，以期对是否采用热电联产提供一个科学的依据。     

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TCN-LSTM和气象相似日集的电网短期负荷预测方法

为充分挖掘不同气象因素的相似日信息和输入特征蕴含的信息以提升负荷预测精度,提出一种基于时间卷积网络和长短期记忆网络组合（TCN-LSTM）和气象相似日集的电网短期负荷预测方法。首先通过Pearson系数和最大信息系数,选出与负荷强相关的气象因素;然后根据该气象因素,选取最佳相似日组成气象相似日集,以气象相似日集负荷、历史负荷、气象因素和时间因素作为预测模型的输入特征;最后,搭建TCN-LSTM预测模型,用TCN进行特征提取后,再用LSTM网络完成短期负荷预测。以中国某地区的实际历史数据进行仿真验证,结果表明所提预测方法可有效提升负荷预测精度。     

基于小波分解技术和随机森林算法的负荷概率预测

当前负荷概率预测受到越来越多研究人员的关注,其中多阶段预测系统已经证明了其在提高负荷概率预测整体性能方面的有效性.在使用分位数回归森林和随机森林建立概率预测之前,采用4种基于小波分解的方法预处理负荷时间序列,通过不同的模型对变换得到的负荷分量进行预测,以提高预测精度并减少计算工作量.以2014年全球能源预测竞赛期间公布...     

电力负荷灰色预测模型及性能分析（英）

本文将灰色模型GM（1,1）应用于电力负荷预测中,并对GM（1,1）模型的混沌特性进行了研究,指出了GM（1,1）模型的适用范围．     

正交设计灰色模型在年电力负荷预测中的应用

基于正交设计和灰色系统理论．提出一种预测年电力负荷的新方法。采用新陈代谢技术和加权最小二乘参数辨识法对标准GM（1,1）模型进行改进。以背景值系数OL、建模所需数据个数m和加权参数q作为可控因素,根据专家经验设计了三因素三水平正交表。以平均绝对百分比误差为输出目标,通过信噪比分析,得出最优参数水平组合,并通过方差分析,进一步得出各可控因素对预测效果的影响程度。对2个电网的负荷进行预测,结果验证了所提方法的可行性和有效性。     

基于灰色关联度分析的山西省PSO-SVR需水量预测模型

为准确进行需水预测,提出一种基于灰色关联度分析的PSO-SVR需水预测模型,该模型运用灰色关联度分析方法筛选出需水的主要影响因子,在此基础上应用粒子群算法优化支持向量回归机(SVR)模型中的参数,并利用此模型预测2015?2017年山西省需水量.结果表明,总需水量相对误差的绝对值分别为0.02％、0.08％、0.03％...     

基于人体舒适度日特征向量的PSO-NN短期负荷预测

摘要： 通过详细分析负荷特征,结合平均风速、最大风速等8项气象数据,引入风寒指数、炎热指数和人体舒适度用以综合考量气象对负荷的累加影响。同时,通过构建日特征性向量,分别对不同季节采用不同的特征向量选择相似日。利用粒子群（PSO）优化神经网络（NN）的权值和阈值,从而降低了计算规模和提高预测准确性。算例表明,该方法能够针对不同季节特点,选取较合适的相似日,算法收敛速度快、有较高的预测精度和较强的适用性。     

基于偏最小二乘法的支持向量机短期负荷预测

提出了一种基于偏最小二乘支持向量机的负荷预测模型.首先通过偏最小二乘(PLS)对负荷数据进行成分提取,提取的成分具有线性特点,并消除输入因素的多重相关性,然后采用支持向量机方法(SVM)对提取的成分进行预测.算例表明,该算法用于短期负荷预测建模速度快,预测精度高,是种行之有效的方法.     

杂草算法优化支持向量机的短期负荷预测

摘要： 针对支持向量机在短期负荷预测中的参数优化问题,利用杂草算法优异的搜索能力,构建了基于杂草算法优化支持向量机的短期负荷混沌预测模型（IWO-SVM）。该模型首先将支持向量机一组参数看作一个杂草种子,然后通过模拟杂草生存、繁殖过程实现支持向量机参数寻优,最后采用具体短期负荷数据对其性能进行分析。结果表明,IWO-SVM获得了高精度的短期负荷预测结果,能够满足短期负荷预测的实际要求。     

基于随机森林的中长期降水量预测模型研究

为解决降水预测中存在的非线性问题,避免传统人工智能方法的过拟合弊端,提高中长期降水预测精度,引入了随机森林算法,通过优选预报因子,分别构建了年、月降水预测模型,并应用南京市1951~2013年降水系列及水文气象因子系列,验证所建模型的适用性。结果表明,随机森林模型预测精度较高、稳定性好、泛化能力强,能有效预测年、月降水量;与BP神经网络模型和支持向量机模型相比,随机森林模型效率更高、性能更优,尤其适用于大样本的逐月降水量预测中。