运用遗传规划法进行电力系统中长期负荷预测

运用遗传规划法进行中长期负荷预测,将预测模型作为遗传规划中的个体,根据"优胜劣汰"的原则,运用复制、变异和交叉三个主要的遗传算子操作,搜索最优预测模型.它根据历史样本数据自动生成负荷预测模型,包括模型的函数形式以及模型参数.同时在模型的实现上对遗传个体进行Read线性编码,用十进制编码来代替个体树,通过对编码的操作来实现各种遗传操作,极大地提高了程序运算效率.通过对某地的年用电量进行预测,同时与传统的多元线性回归模型进行比较,结果表明,GP模型可以显著提高预测精度.     

基于负荷空间分布预测的电网规划方法研究(II):电力系统负荷分区分布预测

对电力系统负荷的分区分布预测方法进行探讨。利用系统论中的整体与个体的关系,采用系统动力学建模的方法对各个分区建立统一的预测模型,并根据实际情况对预测模型进行修改,体现出个体间的差异。利用预测结果获得分配因子,对系统的总量预测结果进行分配,获得分区的预测结果。然后采用用地仿真法,建立负荷分布的运输模型,通过求解模型获得负荷的具体分布情况,通过自上而下的负荷细分,获得具体的负荷增长情况。这种预测结果对变电站的布点以及具体线路的规划具有重要的指导作用。     

基于负荷空间分布预测的电网规划方法研究(Ⅱ)电力系统负荷分区分布预测

对电力系统负荷的分区分布预测方法进行探讨.利用系统论中的整体与个体的关系,采用系统动力学建模的方法对各个分区建立统一的预测模型,并根据实际情况对预测模型进行修改,体现出个体间的差异.利用预测结果获得分配因子,对系统的总量预测结果进行分配,获得分区的预测结果.然后采用用地仿真法,建立负荷分布的运输模型,通过求解模型获得负荷的具体分布情况,通过自上而下的负荷细分,获得具体的负荷增长情况.这种预测结果对变电站的布点以及具体线路的规划具有重要的指导作用.     

区间组合模型在中长期负荷预测中的应用

由于年负荷的发展包含稳定增长趋势成分和随机成分,因此针对单一中长期负荷预测模型通常难以达到理想的预测精度,而组合模型可以对不同的预测模型进行优化组合和信息的综合利用,提出建立基于支持向量机的变权组合预测模型,实现了组合模型的结构风险最小化代替传统的经验风险最小化。同时针对以往预测模型仅仅实现点预测的不足,建立基于区间参数估计理论的中长期负荷区间组合预测模型,可以解决以往负荷模型预测的无精度范围的问题,对传统的中长期负荷预测模型进行了拓展。最后将该模型应用于实际负荷预测中,验证了该方法的有效性和可靠性。     

基于自适应滚动优化的电力负荷多模型组合预测系统的研究与开发

该文提出了多模型组合预测等预测策略，采用了包括非线性优化组合模型、逻辑预测模型、组合自适应指数平滑模型和综合模型等多种组合模型来进行短期电力负荷的预测；并使用自适应波动优化技术保证每种模型能随负荷特性变化，调整模型参数；同时根据对每种模型在一段时间内的预测误差分析，选取最优的组合模型。基于该文预测策略和预测模型所开发的预测系统的预测结果表明，组合预测模型的预测结果优于单一模型的预测结果。     

基于PCA-DBILSTM的多因素短期负荷预测模型

针对传统神经网络在短期负荷预测中预测精度不高、预测时间较长的问题,提出了一种基于主成分分析法和深度双向长短期记忆神经网络的短期负荷预测模型。该模型运用主成分分析法对原始多维输入变量组成的时间序列进行主成分提取,实现原始负荷的降维;然后通过深度双向长短期记忆网络结合Adamax优化算法,对提取的主成分序列和负荷实际输出序列之间的非线性关系建立网络模型。以中国某地区的负荷数据作为实际算例,验证该方法预测精度达到了99.44%,并与传统预测模型进行对比,在保证预测精度的同时,大幅降低了预测时间。     

基于D-S证据理论的短期负荷预测模型融合

在各种预测模型融合时确定各种模型的权重直接影响到预测精度.对3种不同的神经网络负荷预测模型分别建立了权重提取和权重融合的数学模型,并运用证据理论对3种预测模型的权重进行融合.通过对历史预测数据的分析,提取了证据理论的融合样本,并将信度函数的多重融合结果作为负荷预测模型权重,得到权重融合后待预测日的负荷预测结果.将权重融合模型的预测结果与单一模型的预测结果进行比较,结果表明权重融合后的模型具有更高的预测精度,提高了负荷预测的准确性.     

单元机组负荷非线性预测控制及其仿真研究

大型单元机组负荷控制系统存在着强耦合、非线性等特性,常规线性控制策略难取得满意的控制效果。为此,该文提出了一种新的基于模糊模型和免疫优化的非线性预测控制方法,将离线辨识到的全局模糊模型作为预测模型,然后利用实数编码的免疫优化算法在线实现非线性预测控制的滚动优化,给出每个采样时刻的最优控制量。该方法还可通过修正的遗传算子方便地解决控制量受限问题。通过对一个500MW单元机组负荷控制系统的仿真试验,验证了该非线性预测控制方法的有效性。     

基于深度学习的电网短期负荷预测方法研究

深度模型通过学习一种深层非线性网络结构以实现复杂函数逼近,具有很强的自适应感知能力。本文为了提高电力负荷预测精度,提出一种基于栈式自编码神经网络的深度学习预测方法。该方法结合自编码器和逻辑回归分类器构建一个多输入单输出预测模型,并将重构后的历史负荷、气象信息等数据输入到预测模型中,用栈式自编码器逐层学习并提取深层特征,最后在网络顶层连接逻辑回归模型进行短期负荷预测。实例分析表明,所提预测模型能够有效刻画日负荷变化规律,泛化能力较强,其预测精度达到96.2%,比支持向量回归和模糊神经网络两种浅层学习模型更高。     

基于数据状态驱动的电力用户智能负荷预测方法研究

提出了基于状态分析的变输入结构SVM预测模型。通过辨识负荷数据中辨识关键的负荷特征,通过存储负荷特征而非原始负荷数据,实现对用户负荷数据的精准高效处理。基于状态分析的变输入结构SVM模型,根据预测日各时段状态预测结果搜索历史相近时段的同状态负荷,并将其作为模型输入因素进行预测,有效克服了用户用电漂移效应给负荷预测造成的干扰,提高了预测精度。     

电力负荷预测的遗传规划方法

用遗传规划法建立负荷预测的数学模型。遗传规划法是模拟生物进化过程的一种搜索寻优方法,其实质是用能根据环境状况动态改变的广义的层次化计算机程序描述问题。在负荷预报应用中,遗传规划法能自动找出与负荷变化密切相关的因素,用其作为自变量,生成函数表达式来体现负荷的变化规律,建立负荷预报模型。通过实例计算并与传统预报方法相比较,验证了该方法的有效性。     

残差修正法在电力负荷预测中的应用

影响电力负荷的因素很多,而且这些因素都具有不确定性,即这些信息具有模糊性。因此,为了准确进行负荷预测,最好采用模糊预测来研究和处理电力负荷预测。一般对于电力系统中期负荷预测采用回归分析模型,但其预测结果往往有很大误差。为了提高电力负荷预测技术的水平,作者以其于实数输出值的模糊回归分析及用三角函数拟合残差的方法,提出了预测电力负荷的模糊线性回归－残差修正预测模型。该模型是在模糊线性回归模型的基础上推导出来的,它可以寻找最合适的线性函数使理想线性回归中的线差和达到最小。通过售电量模糊预测的仿真计算验证了所提出的预测模型的正确性和可行性。     

一种计及网络约束和禁止运转区影响的经济负荷分配算法

建立了考虑发电机禁止运转区和电力系统网络约束的经济负荷分配问题的数学模型,引入了GENOCOP遗传算法进行求解:初始种群由问题的可行解组成,遗传操作所产生的个体仍在约束条件定义的可行解空间内.采用直流潮流表示电力系统网络约束,将系统线路损耗处理成系统总负荷的线性函数,但在考虑禁止运转区时,问题的约束条件仍不能保持线性特性.定义机组在禁止运转区上的耗量特性是一个远大于机组正常耗量的常数,故在约束中不需考虑禁止运转区的影响,进而应用上述算法在含问题可行解空间的最小线性空间内寻优.算例分析表明,文中算法能有效求解具有复杂数学模型的经济负荷分配问题,提高了寻优效率与解的质量.     

基于遗传算法的短期负荷组合预测模型

给出电力系统短期负荷的固定权系数组合预测模型－－基于遗传算法的组合预测模型。为增加样本的多样性、避免陷入局部极小,中对遗传算法每代的相同或相近个体作等适应值变换,改进后的遗传算法具有更好的全局优化特性。利用改进的遗传算法确定组合预测模型的权系数,然后进行负荷预测。计算结果表明,该方法是实用和有效的。     

经验模态分解和遗传程序设计算法在短期负荷预测中的应用

负荷预测精度的高低关键因素之一取决于预测技术。为此,提出将经验模态分解和遗传程序设计算法相结合用于电力系统的短期负荷预测。具体预测过程是对负荷样本进行经验模态分解,然后对分解后的各本征模态分量分别利用遗传程序设计进行分时预测,并通过对各本征模态分量的预测结果进行重构来得到最终预测结果。预测结果的误差基本都在4%范围内,说明此方法能够满足实际预测要求,具有一定可行性。     

一种简化的电力系统负荷线性组合预测法

负荷是电力系统运行和规划的依据，精确的预测可提高系统运行的可靠性和经济性。作者将电力系统负荷预测的三种主要方法，即外推法、灰色预测法和人工神经网络法结合起来，建立了一种线性组合预测模型。在组合模型的权重系数求解中，首先对目标函数和等式约束使用拉格朗日乘子法来求解权重系数。当出现小子零的系数时，改为只使用误差矩阵的对角元素来计算，这种近似对预测精度影响较小，但简化了计算，且保证了组合系数大于零的条件。由于组合模型的总平均误差要小于各单一预测方法的平均误差，这就提高了预测精度，尤其组合模型的最大预测误差要小于单一模型的最大预测误差，从而降低了预测的风险性，实例证明这种组合模型具有较好的实用性。     

基于基因表达式程序设计及误差循环补偿的电力系统短期负荷预测

将基因表达式程序设计(gene expression programming, GEP)算法应用于电力系统短期负荷预测中,并提出误差循环补偿模型,得到了较高的预测精度。预测过程先对负荷样本进行常规和滤波处理,消除伪数据,然后运用基因表达式程序设计的灵活表达能力,把不同日、同一时刻的负荷序列作为样本,对未来时刻的负荷进行分时短期预测。得到预测模型后,计算其与样本数据的误差,再把误差值作为样本进行演化,并把误差模型补偿到原模型上,如果达不到预测要求,则循环计算模型误差进行演化,直到满足要求为止。结果表明基因表达式程序设计算法具有较高的效率,且误差循环补偿模型能够有效补偿演化过程中的误差。经比较,基于基因表达式程序设计及其误差循环补偿的预测模型比时间序列和遗传程序设计算法具有更好的预测效果。     

聚类分析法在短期负荷预测中的应用

短期负荷预测是指预测未来24 h内的电力负荷需求,这是一项非常重要的工作。目前,负荷预测的实用计算方法有很多,线性回归法、时间序列法、人工神经网络法等等,但是,这些算法的预测精度欠佳。现根据相似日负荷的相似性,提出利用聚类分析法来进行短期负荷预测,为此,介绍聚类分析的步骤、方法及验证算例。实际运行结果表明:利用聚类分析法进行负荷短期预测,短期负荷预测的精度大大提高。     

基于条件生成对抗网络的短期负荷预测

精准的短期负荷预测对电力系统制定合理生产计划、提高经济效益、保证电网安全运行具有重要意义.为学习非线性负荷数据中隐含的深层关系,提高短期负荷预测精度,文中提出一种基于条件生成对抗网络的短期负荷预测模型.所提模型使用卷积神经网络构建生成模型和判别模型,以负荷影响因素作为条件,并引入特征损失函数作为判别模型部分隐藏层的损失...     

基于卡尔曼滤波的短期负荷多步预测修正模型研究

提出了一种短期负荷多步预测的修正方法。首先采用BP神经网络法建立短期负荷的分时多步预测模型,对于每一个初始预测值,采用卡尔曼滤波模型进行修正,以减少模型的累积误差,提高多步预测的效果。算例结果证明了所提方法不仅能够提高单步预测的预测效果,而且能够有效降低多步预测的误差,对于实现连续日短期负荷预测具有现实意义。