基于季节性负荷自适应划分及重要点分割的多分段短期负荷预测

针对季节性电力负荷划分不准确及温度、湿度对电力负荷的动态性影响,提出一种基于季节性负荷自适应划分及重要点分割的多分段短期负荷预测模型。采用聚类与CART树相结合的方法,根据地区历史负荷数据自适应的确定当地季节性负荷划分规则;使用非参数核密度估计方法提取季节典型日负荷曲线,并基于划分结果对各季负荷曲线进行重要点分割;同时根据分割结果,采用基于皮尔逊相关系数加权的相似系数,对各时段负荷进行参考日的筛选,以确定预测模型的输入量,最后提出一种结合纵横交叉算法参数优化的鲁棒极限学习机进行多分段预测模型的建立。通过实例仿真分析,验证了所提方法提高预测精度的有效性。     

基于改进SLIQ算法及多粒度气象信息匹配的短期负荷预测

短期负荷预测容易受到气象等多种因素共同作用的影响,找到关键影响因素是提高短期负荷预测精度的必要手段。电力系统海量数据包含了巨量的运行信息,为挖掘有用信息,提高数据利用效率,提出了一种基于改进SLIQ算法及多粒度气象信息匹配的短期负荷预测方法。采用改进的SLIQ决策树算法对气象负荷信息进行聚类,提取同等气象条件下决定负荷波动的关键因素。由动态灵敏度方法建立短期负荷拐点预测模型,再由熵权法选择最佳预测参考日并预测曲线拐点,并在此基础上提出多粒度气象信息匹配算法进行负荷曲线预测。通过对我国南方某地区的多季节负荷进行仿真预测,计算结果表明在任意气象条件下曲线预测精度均能满足电网要求,证明了所提方法的正确性及普适性。     

基于自适应PFCM聚类的电力负荷数据预处理

考虑到电网实际运行过程中,负荷数据因各随机因素产生异常对负荷预测的准确性与负荷调度的有效性造成严重影响,提出一种自适应PFCM聚类算法以修正电力负荷异常数据。该算法首先利用新定义的PFCM聚类有效性指标函数与动态调节权重的PSO算法分别实现了负荷曲线最优聚类数目与聚类中心的自适应确定;然后利用改进的PFCM算法提取负荷特征曲线,实现了对负荷曲线的聚类;最后使用该方法对西北某市负荷数据进行聚类分析,并利用相关方法进行异常数据的识别与修正。验证性实验结果表明,改进算法样本距聚类中心的距离明显更小,且在相同异常值修正公式下,使用改进后算法聚类结果修正的异常值更接近于原始负荷数据,平均相对误差相比改进前降低1.99%。     

基于模糊推理算法的电力负荷预测系统的研究

针对时间因素、季节因素和随机因素对短期电力负荷的影响,以某一地区电力负荷历史数据为基础,利用模糊推理算法对短期电力负荷进行预测,实现电力负荷短期预测值的自适应调整,实时保证电力系统的供需平衡。对本地区进行短期电力负荷预测仿真试验,试验结果表明,使用模糊推理算法的短期电力负荷预测系统具有较高的准确度。     

基于空间密度聚类和K-shape算法的城市综合体负荷模式聚类方法

城市综合体作为新兴负荷种类,其负荷预测的精度直接影响电网的规划与安全运行。然而城市综合体负荷模式易受外部环境影响而出现异常变化,对其直接进行预测的精度不能满足实际运行的要求,需要对城市综合体负荷进行聚类以提取不同的负荷模式来提高预测的精度,因此提出了一种基于空间密度聚类和K-shape算法的城市综合体负荷模式聚类方法。首先利用自适应空间密度算法(DBSCAN)根据不同区域的密度大小来提取不同季节下综合体负荷的典型日负荷曲线。然后利用K-shape聚类算法在不同季节下对不同综合体的典型日负荷曲线进行聚类分析。最后将仿真结果与K-means、K-medoids的聚类结果进行对比。仿真结果表明,与其他两种方法相比,提出的DBSCAN-K-shape两阶段负荷模式聚类方法对城市综合体负荷进行聚类在不同的聚类指标下均具有较高的精度。     

基于最优动态功率补偿的电力负荷预测方法

电力系统负荷主要由全社会综合经济状况和气象条件这2个关键影响因素决定,为了提高短期和中远期负荷预测的精度,提出一种基于最优动态功率补偿的负荷预测方法。首先,按照时间顺序将负荷数据划分为分段1和分段2,通过相似性矩阵计算,分别提取分段1和分段2最优的训练体感温差曲线和目标体感温差曲线;其次,利用构建的径向基神经网络分别实现分段1和分段2最优动态补偿功率的预测;在此基础上,利用推导的基于最优动态功率补偿的负荷预测通用公式进行修正,实现短期和中远期负荷曲线的有效预测。实例分析结果表明,所提方法具有可行性、有效性和通用性,预测精度较高。     

基于FFT，DC-HC及LSTM的短期负荷预测方法

针对电力负荷序列非线性、随机性等特点引起的电力负荷预测精度低问题,提出一种基于快速傅里叶变换（FFT）、密度层次聚类算法（DC-HC）与长短时记忆（LSTM）神经网络相结合的短期负荷预测方法。首先,采用FFT计算出所有原始电力负荷序列对应的期望频率,并以之作为负荷聚类的特征量。然后采用DC-HC算法对负荷进行聚类,将原始数据分拆成具有特征属性的数据分量组;运用LSTM模型对各分量组进行负荷预测,再将各分量组预测结果进行叠加,得到最终负荷预测值;最后,采用爱尔兰实际电力负荷数据进行算例分析,结果表明所提方法能够有效提高负荷预测精度。     

分区支持向量回归及其在负荷预测中的应用

为解决局地短期电力负荷预测问题,给出了一种基于自适应聚类分区和支持向量机回归的多模型变结构负荷预测新方法.首先根据局地电力负荷的特点,使用模糊C均值聚类方法给出预测时间点的自适应分区;然后利用支持向量回归方法对不同分区分别构建预测子模型;最后提出一种基于仿真分析的模型评估和参数优化方法,在测试评估的基础上优化确定各子模型的参数,并适当调整各分区的结构.实验表明该预测方法比常用的神经网络预测方法具有更高的准确率和更强的鲁棒性.     

基于解耦机制的短期母线负荷预测方法

准确的短期母线负荷预测是实现节能降耗与调度精细化管理的基础,提出了一种基于解耦机制的预测方法。首先研究划分样本集最优簇结构的AFS（AP,FCM,Silhouette）聚类算法。利用AP聚类（affinity propagation clustering）计算样本集聚类数的搜索区间;从大到小排列各样本点的密度指标,得到初始化矩阵;通过Sil—houette指标进行有效性检验,获取最优聚类结果。将预测过程分为负荷水平预测和标幺曲线预测两部分,并制定适应其各自特点的预测策略。采用改进的灰色关联分析计算各日特征相关因素关联负荷水平的权值,并将该权值赋予相似选择的目标函数,由最小二乘支持向量机训练相似集进而做出预测;划分标幺曲线样本集的最优簇结构,利用逐步判别分析建立的Bayes判别函数将目标日归类,并根据相似度加权平均该类历史标幺曲线。实例分析验证了该预测机制及模型的优越性。     

基于K-Medoids聚类与栅格法提取负荷曲线特征的CNN-LSTM短期负荷预测

高效准确的短期负荷预测是电力系统安全稳定与经济运行的重要保障。针对峰荷与谷荷预测误差较大的问题,提出一种基于栅格法提取负荷曲线特征的卷积神经网络和长短期记忆网络(convolutional neural network and long short term memory network, CNN-LSTM)混合预测模型。首先,采用K-Medoids算法对日负荷曲线聚类,将各聚类中心作为典型代表日负荷曲线。采用栅格法将典型代表日负荷曲线划分为若干个区间并依次编号,提取负荷曲线的特征。然后,将各典型代表日负荷曲线特征与对应负荷类型历史数据重构成新的特征集输入到CNN-LSTM混合神经网络中。利用CNN挖掘数据间的特征形成新的特征向量,再将该特征向量输入到LSTM中进行预测。最后,以美国新英格兰地区2012至2013年电力负荷数据集为例进行仿真验证。结果表明,所提方法在不同日期下的负荷预测精度均有所提升,并且在提升日负荷平均预测精度的同时,有效提升了峰荷、谷荷的预测精度。