基于贝叶斯分类的电网系统短期负荷预测方法

随着改革的不断深化,市场对电力的需求也在不断的变化.现阶段对电力系统短期负荷预测的要求逐渐提升,传统负荷预测方法的精度并不能满足应用需求,因此,提出一种基于贝叶斯分类的电网系统短期负荷预测方法,首先要建立电网系统短期负荷预测指标,通过预测指标建立基于贝叶斯分类的预测模型,然后运用基于贝叶斯分类的预测模型,在模型计算之后对数据进行并行化处理,最终得到电网系统短期负荷预测结果.通过测试实验证明该短期负荷预测方法比传统方法预测的精度更高.     

基于时间卷积网络的短期电力负荷预测

准确的短期电力负荷预测对保证电网安全稳定运行、能量优化管理、提高发电设备利用率和降低运行成本等具有重要作用.传统时间序列分析方法难以学习短期电力负荷数据的非线性特征,因此论文首先将支持向量回归、高斯过程回归和前向神经网络等经典机器学习法应用于短期电力负荷预测的适用性和预测效果进行对比分析;预测评价指标表明机器学习方法能...     

基于预测误差分布特性统计分析的概率性短期负荷预测

现有短期负荷预测方法一般只能给出确定性负荷预测结果,难以满足电力市场中不确定性风险分析决策的要求。文中提出了一种基于负荷预测误差特性的统计分析的概率性预测方法。该方法首先从时段与负荷水平2个联合维度上建立了对预测误差分布规律进行统计分析的模型,并提出了检验该统计规律有效性的原则和方法;将验证后的预测误差统计分布规律与确定性的负荷预测结果相结合,即可得到概率性的负荷预测结果。基于该结果,还能求取某一置信水平下的预测负荷曲线的包络线。结合实际电网数据验证了所提出方法的有效性和实用性,为概率性短期负荷预测提供了一条可行的新思路。     

无迹卡尔曼滤波算法在短期负荷预测中的应用

电力系统短期负荷一般随着时间的变化呈现一定的范围性、非线性的波动。对于非线性短期电力负荷,传统的卡尔曼滤波预测方法难以取得令人满意的结果。为了快速准确高效地预测非线性电力负荷,研究了基于Unscented卡尔曼滤波的,以历史负荷数据、随机干扰因素作为输入的短期电力负荷预测方法。利用该算法对某地夏季9天电力负荷数据进行建模,采用基于脉冲响应序列的Hankel矩阵法辨识模型的阶。并将Unscented算法预测负荷数据与实测负荷数据及传统卡尔曼滤波预测数据进行对比分析,仿真结果证明基于Unscented卡尔曼滤波方法预测非线性负荷是实用而有效的,不仅预测精度较高,而且模型收敛速度快,滤波器稳定性高。为复杂的非线性负荷电力系统模型化提供了一条新途径。     

基于Attention机制优化CNN-GRU混合神经网络的短期负荷预测技术

电力系统负荷预测实质是对电力市场需求的预测,短期电力负荷预测是电力部门的重要工作之一。目前主要的负荷预测方法有传统预测、灰色预测、混沌理论预测、智能技术预测、优选组合预测等,其中智能预测中最典型的就是人工神经网络。人工神经网络是一个极其复杂的非线性动力学系统。它的自学习功能对预测有着重要的意义,能通过学习历史负荷数据来反映出输入变量和输出变量之间的非线性关系。由于很多因素都会对电力负荷造成影响,因此可以把神经网络算法引用到负荷预测中,提高电力负荷的预测精度。基于宁夏电网短期电力负荷预测的实际需求,提出了一种基于Attention机制优化CNN-GRU混合神经网络的短期负荷预测技术。该技术通过引入Attention机制对CNN-GRU模型进行改进,有效提升了预测精度和可解释性。在宁夏电网实际数据集上进行的仿真实验表明所提出的模型具有较高的预测准确性和可靠性。     

基于实时电价与支持向量分位数回归的短期电力负荷概率密度预测方法

智能电网环境下,实时电价对用户用电模式的影响较大,为了提高考虑实时电价的短期电力负荷预测精度,更好地反映电力负荷的不确定性。提出了支持向量分位数回归方法,通过引入松弛变量构造Lagrange函数,得出不同分位点下的未来一天任意时刻电力负荷的预测结果。同时采用Epanechnikov核函数,将SVQR与核密度估计相结合,进行短期电力负荷概率密度预测,可得到未来负荷准确的波动范围。以新加坡的历史负荷和实时电价数据为例,进行短期电力负荷概率密度预测,结果表明该方法能够较好地解决考虑实时电价的短期电力负荷概率密度预测问题。     

基于改进的SVM短期负荷预测研究

提出一种基于数据挖掘技术的电力负荷短期预测方法,将SVM方法引入到短期负荷预测研究领域。通过随机选取历史负荷数据来更新回归函数,这样可以充分保证计算速度和较高的预测精度。提出利用松原地区的历史负荷数据作为训练样本,通过与传统的BP神经网络预测模型进行对比,对预测结果进行比较,证明SVM预测方法在一定程度上能够保证短期负荷预测的精度。     

基于数据挖掘技术的短期电支负荷预测

负荷预测是电力市场技术支持系统的一个重要组成模块,对电网的安全、经济运行具有重要的意义。负荷预测主要综合考虑系统的运行特性、社会影响、自然条件以及增容决策等因素,在历史负荷数据的基础上,进行一系列数学计算,在满足一定精度要求的情况下,得出未来某特定时刻的负荷值。传统短期电力负荷预测方法易受随机因素的干扰,尤其在小水电分布众多的地区预测精度不高。文章针对短期负荷预测的特点,将数据挖掘技术引入短期负荷预测中,并给出了系统的解决方案,可应用于小水电众多的电网环境或类似环境。实例运算表明该系统可有效地提高预测精度。     

基于CEEMDAN-LSTM-CNN网络的短期电力负荷预测

短期电力负荷随机性和波动性较强，传统的负荷预测方法难以掌握短期负荷变化的规律。为提高短期电力负荷预测精度，提出一种融合自适应噪声完备集合经验模态分解(CEEMDAN)、长短时记忆(LSTM)网络、卷积神经网络(CNN)的短期电力负荷预测方法。从数据集中提取原始负荷序列，利用CEEMDAN将其分解为多个固有模式函数(IMF)，降低其非稳定性；采用LSTM网络分析各分量时序特征，获得多个预测结果 ；将各预测结果叠加后通过CNN和全连接层分别进行特征提取和数据特征学习，获得最终负荷预测结果。将所提方法分别与基准模型及其他文献方法通过实际算例进行对比分析，结果表明，所提方法能够准确掌握负荷变化的规律，且在一天负荷预测问题中精度达到97.32%。     

改进的遗传灰色RBF模型的短期电力负荷预测

为了在智能电网环境下提高短期电力负荷预测的精度,提出了一种考虑实时电价影响的遗传算法改进的灰色RBF模型。该方法利用灰色模型可以减弱数据随机性以及RBF神经网络的高度非线性的优点,弱化实时电价对短期电力负荷预测的影响,针对两种方法结合容易陷入局部最优和收敛性问题,采用遗传算法对网络进行了优化,得到最终预测结果。实例验证表明,与灰色RBF预测方法相比,该方法具有更高的负荷预测精度和较强的适应能力。     

基于PSO-WPESN的短期电力负荷预测方法

精确的短期电力负荷预测是电力生产优化调度和安全稳定运行的重要保证,是智能电网建设的重要一环。为提高模型的预测精度,提出了一种基于粒子群优化小波包回声状态神经网络的短期电力负荷预测方法。首先利用多分辨率小波包分解方法对负荷数据进行分解和重构,建立小波包回声状态网预测模型;然后,利用粒子群算法对预测模型储备池中的参数进行优化。实验结果表明:针对短期电力负荷动态时间序列数据,与BP、Elman、传统ESN等网络相比,PSO-WPESN网络的预测精度、稳定性和泛化能力都得到明显增强,尤其是能在一定程度上缓解由于输出矩阵过大造成ESN存在病态解的弊端。     

基于改进Apriori关联分析及MFOLSTM算法的短期负荷预测

电力负荷预测结果的准确性对电力系统安全稳定运行具有重要意义。针对多气象因素影响下的短期负荷预测任务,提出改进Apriori关联度分析及飞蛾火焰优化的长短时记忆神经网络算法的电力负荷短期预测新方法。首先,提出改进Apriori算法分析气象因素与负荷之间的关联程度。依据分析结果除去非必要气象影响因素,并在此基础上引入人体舒适度评价指标。其次,将降维后气象数据结合地区负荷数据作为模型输入。最后,基于长短时记忆神经网络进行短期负荷预测建模,并结合飞蛾火焰优化算法的全局寻优能力来优化模型。通过对某地区负荷数据协同气象数据进行对比预测试验,测试结果表明该负荷预测模型能有效提升地区电网短期负荷预测性能。     

智能配电网超短期负荷状态估计模型的改进

传统的电网负荷状态估计方法存在超短期周期下实时量测在线准确率低的问题,提出一种改进的智能配电网的超短期负荷状态估计模型,其将采集到的数据反馈到数据采集服务器中。采用配电网并行分层估计方法,解决超短期实时预测节点负荷的小周期问题。融合各层的超短期负荷预测结果,得到总体配电网超短期负荷预测值。将电网负荷预测值反馈给上位机,提高状态估计的效率。实验结果说明,所设计模型对超短期负荷预测具有较高的精度和效率。     

区间时间序列向量自回归模型在短期电力负荷预测中的应用

电力负荷数据通常随着时间的不同而呈现一定的波动性。针对电力负荷随着时间波动呈现出一个范围波动的特点,采用区间时间序列估计与向量自回归相结合的方法对短期电力负荷进行预测,预测结果拟合良好,提高了电网公司对电力负荷的预测精确度,为电网公司制定负荷预报曲线提供精准数据信息,为电网公司编制电力负荷计划提供理论支持和有效的方法。     

基于优化的VMD-mRMR-LSTM模型的短期负荷预测

随着智能电网技术的发展和电力市场的推进,用电模式的复杂性逐渐凸显,对短期负荷预测的精度和稳定性提出了更高的要求.针对传统负荷预测方法缺少对时序数据相关性、特征值的全面考虑等问题,提出一种基于优化的变分模态分解、最小冗余最大相关性与长短期记忆神经网络的组合预测模型.首先,将波动性高的负荷序列分解为一组相对平稳的模态分量,...     

粒子群优化小波包回声状态网的短期电力负荷预测

精确的短期电力负荷预测是电力生产优化调度和安全稳定运行的重要保证,是智能电网建设的重要一环。为提高模型的预测精度,提出了一种基于粒子群优化小波包回声状态神经网络的短期电力负荷预测方法。首先利用多分辨率分析小波包分解理论对负荷数据进行分解和重构,建立小波包回声状态网预测模型;然后,利用粒子群算法对预测模型储备池中的参数进行优化。实验结果表明：针对短期电力负荷动态时间序列数据,与BP、Elman、传统ESN等网络相比,PSO-WPESN网络的预测精度、稳定性和泛化能力都得到明显增强,尤其是能在一定程度上缓解由于输出矩阵过大造成ESN存在病态解的弊端。     

海量数据下的电力负荷短期预测

该文研究海量数据下的短期电力负荷预测方法,基于局部加权线性回归和云计算平台,建立并行局部加权线性回归模型。同时,为剔除坏数据,采用最大熵建立坏数据分类模型,保证历史数据的有效性。实验数据来自已建的甘肃某智能园区。实验结果表明,提出的并行局部加权模型用于短期电力负荷预测是可行的,平均均方根误差为3.01%,完全满足负荷预测的要求,并极大地减少了负荷预测时间,提高预测精度。     

基于自组织映射网络和遗传算法优化Elman神经网络的全网短期负荷预测模型

电网数据具有海量、高维的特点,现有的短期电力负荷预测模型无法提取用户的用电习惯.提出一种基于负荷聚类的全网短期负荷预测模型,首先采用自组织映射网络对全网负荷进行聚类,将不同特性的用户负荷曲线作为子网;然后引入遗传算法对Elman神经网络的参数进行寻优,得到针对不同子网负荷特性的差异化预测网络;最后基于负荷综合稳定度得到全网负荷预测结果.将该集成模型用于某市电网进行算例仿真,预测结果表明,所提方法比传统预测方法的准确率更高,同时适用于部分子网数据缺失而需要得到全网结果的情况.     

基于改进天牛须搜索算法优化LSSVM短期电力负荷预测方法研究

为提高短期电力负荷预测精度,提出了一种天牛须搜索算法优化的LSSVM短期电力负荷预测模型。引入模拟退火算法的蒙特卡洛法则对优化算法进行改进,提高了该算法的稳定性。将改进BAS算法优化后的LSSVM模型用于短期电力负荷预测问题。使用小波阈值去噪处理电力负荷数据,减少一些不确定性因素对负荷预测的影响,提高了预测精度。选择四川某地区电网实际历史负荷数据进行分析和预测,并与PSO-LSSVM、LSSVM预测模型进行对比分析。算例结果表明,所提出的IBAS-LSSVM预测模型与LSSVM相比预测精度提升了1.5%左右,与PSO-LSSVM相比算法运行时间缩短了70%,且算法稳定性更高,证明了该方法的实用性与有效性。     

灰色神经网络在电力系统短期负荷预测中的应用研究

为了有效地实现电力生产和供应,对各电网的电力负荷进行准确预测就十分必要。传统的GM（1,1）预测模型有建模数据少、计算简单和良好的短期预测能力等优点,这使得其在电力负荷的短期预测中得到了很好的应用,但是它不能有效处理电力系统的非线性问题,所以这种预测方法的预测精度不是很好。文章根据电力系统的非线性和波动性提出用灰色预测模型和神经网络理论相结合的灰色神经网络模型对电力负荷的时间序列进行短期预测。实验结果表明这种方法是可行的、有效的。