基于熵值法的组合模型用电量预测方法研究

电力系统的中长期负荷预测是配电网规划的基础,对实现电网的安全经济运行起着重要作用。以年度用电量预测作为研究的对象,年度用电量预测采用4种主要方法,即分别按照年度、季度、月度和行业用电量预测得到对应年用电量预测值,在此基础上再按其发展序列预测结合起来,建立了一种线性组合预测模型。并采用熵值法对组合模型的权系数进行求解,实证分析表明该模型使预测精度得到了明显提高,具有良好的预测效果。     

基于改进数据流在线分割的超短期负荷预测

为同时提高超短期负荷预测的实时性和准确性,应对现代电力系统对实时负荷预测的更高要求,提出一种基于改进数据流在线分割的超短期负荷预测方法。该方法根据负荷发展的时间趋势,利用数据流实时处理技术进行超短期预测,然后结合蕴含天气因素和负荷周期特性作用的短期负荷预测结果,对分割点的实时预测结果进行修正;其快速分段预测能力,避免了重复建模,提高了预测速度;对分割点的实时修正处理有效地增加了历史信息利用率,降低了分割点误差,使预测精度稳定在一个较高的水平。采用实际负荷数据检验该预测模型的有效性,结果表明,基于该模型的预测精度和速度均优于几种常规超短期预测算法,同时降低了拐点预测误差,在天气突变时也具有稳定的适应性。     

GMDH和变结构协整理论在电力负荷预测中的应用

鉴于未考虑时间序列的非平稳性所得到的拟合方程可能出现“伪回归”而失去准确预测的能力,引入了协整理论与误差修正模型。考虑地区产业结构发生变化将导致地区用电量时间序列发生结构突变,影响平稳性检验结果的可信度,又引入了GMDH理论,自动搜索并确定结构突变点,以改进经典结构突变理论需要事先获知一些重大波动信息等主观性影响。结合上述两点,构建了基于GMDH理论的参数变结构协整模型。算例证明了该模型在电力系统的负荷预测中的适用性以及在处理“伪回归”和“样本数据结构突变”问题方面的有效性。     

突变期电力负荷预测方法及其应用

为提高天气突变期电力负荷预测的精确度,分析了气象敏感因素对突变期电力负荷的影响,提出了负荷-天气突变修正策略,结合数据挖掘模型,并利用组合预测方法相对于单一预测模型的优势,设计了一种基于组合预测的突变期电力负荷预测方法.统计结果表明该方法显著提高了突变期的负荷预测精确度,对安徽电网电力总负荷的预测结果证明了该方法的有效性和优越性.     

GMDH和变结构协整理论在电力负荷预测中的应用

鉴于未考虑时间序列的非平稳性所得到的拟合方程可能出现"伪回归"而失去准确预测的能力,引入了协整理论与误差修正模型.考虑地区产业结构发生变化将导致地区用电量时间序列发生结构突变,影响平稳性检验结果的可信度,又引入了GMDH理论,自动搜索并确定结构突变点,以改进经典结构突变理论需要事先获知一些重大波动信息等主观性影响.结合上述两点,构建了基于GMDH理论的参数变结构协整模型.算例证明了该模型在电力系统的负荷预测中的适用性以及在处理"伪回归"和"样本数据结构突变"问题方面的有效性.     

几种中长期电力负荷预测方法的比较

介绍了目前在电力系统常用的几种进行中长期负荷预测的方法,根据邯郸地区1990~1999年的用电量,用各预测方法分别预测出了2000~2003年的用电量,并与实际用电量作了比较和分析。证明组合预测模型总体上优于单一固定式模型,是提高预测精度简单而有效的方法。     

变结构协整理论在电力中长期负荷预测中的应用

采用基于变结构协整理论建立中长期负荷预测模型,并通过GMDH算法确定突变点,对2015-2020年辽宁省用电量进行预测,结果显示该预测方法预测精度较高。     

基于春节影响时期分析的中期负荷智能预测

针对传统春节效应影响时期按经验选取以及物理意义模糊的问题,提出了一种适于用电量春节效应调整新方案,以估计和消除春节效应对电量的影响。首先提出一种确定春节效应影响时期的方法;然后基于X-12-ARIMA模型形成一种春节效应调整新方案,对原始电量序列进行修正,以减小春节效应影响月份的预测误差;最后利用支持向量机模型, 进行某省月度负荷用电量预测算例分析,验证该春节效应调整方法的正确性和有效性。算例表明,所提出的春节效应调整方法可有效改善用电量数据质量,有助于对中期负荷用电量做出更为精准的预测。     

基于神经网络和模糊理论的短期负荷预测

电力系统负荷预测是能量管理系统(EMS)的重要组成部分,它对电力系统的运行、控制和计划都有着非常重要的影响,提高电力系统负荷预测的准确度既能增强电力系统运行的安全性,又能改善电力系统运行的经济性,但负荷预测的复杂性、不确定性使传统的基于解析模型和数值算法的模型难以获得精确的预测负荷。为提高电力系统短期负荷预测准确度,构建了一种新型的负荷预测模型。该模型首先采用多层前馈神经网络,以与预报点负荷相关性最大的几种因素作为输入因子,以改进BP算法作为预测算法,来获得预报日相似日负荷曲线;然后引入自适应模糊神经网络,用于预测预报日的最大、最小负荷;针对模糊神经元的权值更新问题,采用一种新的权值更新算法———一步搜索寻优法,在获得预报日相似日各点负荷和最大、最小负荷的基础上,通过纵向变换,对预报日的负荷修正,进一步减小预测误差。用上述模型和算法预测某地区电网的短期负荷,取得了良好的预测效果。     

基于误差预测修正的负荷预测研究

电力系统负荷预测对电力系统的可靠和经济运行意义重大。国内外学者对负荷预测理论做了大量研究,提出了许多预测方法。基于这些方法,提出了一种有辅助和修正作用的措施——误差预测修正,即通过对预测产生的误差进行预测和分析,形成预测修正模型,再结合原预测模型预测负荷,以扩大原模型的适用范围和提高它的预测精度。最后通过算例,验证了该方法的科学性和实用性。     

Electricity demand load forecasting of the Hellenic power system using an ARMA model

Effective modeling and forecasting requires the efficient use of the information contained in the available data so that essential data properties can be extracted and projected into the future. As far as electricity demand load forecasting is concerned time series analysis has the advantage of being statistically adaptive to data characteristics compared to econometric methods which quite often are subject to errors and uncertainties in model specification and knowledge of causal variables. This paper presents a new method for electricity demand load forecasting using the multi-model partitioning theory and compares its performance with three other well established time series analysis techniques namely Corrected Akaike Information Criterion (AICC), Akaike's Information Criterion (AIC) and Schwarz's Bayesian Information Criterion (BIC). The suitability of the proposed method is illustrated through an application to actual electricity demand load of the Hellenic power system, proving the reliability and the effectiveness of the method and making clear its usefulness in the studies that concern electricity consumption and electricity prices forecasts.     

基于短时间尺度相关性聚类的负荷预测

负荷预测不仅是电力系统稳定、安全运行的基础,同样也是实现电力需求侧智能用电管理的基础。短时间尺度相关性分析能够挖掘一段时间内负荷的用电行为,相似用电行为分析有助于改善负荷预测效果,因此本文提出了基于短时间尺度相关性聚类的负荷预测方法。首先,根据短时间尺度用电时间序列之间的皮尔逊相关系数构造相关系数矩阵,并对相关系数矩阵进行去噪处理;然后,基于相关系数矩阵,利用模糊c均值聚类的方法来实现不同用电特性负荷之间的聚类,每类中负荷具有相似的用电行为;再分别对每一类中所有负荷数据求和并利用人工神经网络进行超短期负荷预测,基于每类的负荷预测结果计算系统的负荷预测;最后,通过对某110kV变电站10kV负荷馈线的实际数据进行分析,分析结果表明基于短时间尺度相关性分析的聚类提升了负荷预测的效果,从而验证了本文所提方法的有效性。     

基于行业聚类电量曲线分解的中期负荷预测

传统电量序列分解方法难以有效结合地区行业发展趋势分析,为此文章提出一种基于行业发展趋势的行业聚类电量曲线分解中期负荷预测模型.首先,采用动态时间规整算法计算行业电量周期性,从而分类发展趋势有无变化的行业;其次,通过k-means算法按照用电特性相似聚类预分类行业,并通过季节分解算法分解聚类行业电量序列;最后,针对各电量...     

基于配用电大数据的短期负荷预测

受限于数据信息的不完整和粗粒度,短期网供负荷预测的准确率一直难以进一步提升,而配用电信息系统数据的积累和大数据技术的快速发展为开展基于配用大数据的短期负荷预测提供了数据基础和技术支撑。本文首先针对配用电大数据的特征分析了"脏数据"的来源与类型,并提出了相应的数据清洗方法;其次基于大量的历史负荷、电量和气象数据,构建了行业负荷温度影响模型和行业电量节假日影响模型;最后基于上述用电影响模型开展了江苏电网短期网供负荷预测,实际计算结果验证了预测效果的有效性和准确性。     

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。     

基于遗传灰色神经网络模型的实时电价条件下短期电力负荷预测

在智能电网条件下,用户的用电模式将会发生重大变化,其中一个显著的变化就是用户可以根据电能需求结合实时电价调整其消费模式。这使得用户负荷预测更为复杂。在对影响短期电力负荷特性的各种因素进行分析的基础上,综合考虑了实时电价的影响,提出了一种用遗传算法优化改进的灰色神经网络方法,利用灰色模型可以弱化数据的随机性以及神经网络的高度非线性,对短期负荷进行预测,采用遗传算法对网络进行优化,从而提高了预测的精确度。实例证明该算法能较好地解决实时电价下的短期负荷预测问题。     

基于LSTM循环神经网络的短期电力负荷预测

为了保障电网安全稳定和电力市场高效运行,电网调度人员和电力市场参与者对电力负荷预测准确度提出了更高要求,分布式电源和间歇性负荷是影响负荷精准预测的关键因素。针对传统负荷预测方法无法同时对负荷本身变化规律及其影响因素进行建模的问题,提出基于长短期记忆单元(LSTM)的负荷预测方法。利用具备时序记忆功能的LSTM构建深度循环神经网络(RNN),综合考虑历史负荷和各类负荷影响因素建立负荷预测模型。该方法利用神经网络的特征提取能力和LSTM的时序记忆能力,能在更长的历史时间范围内辨识负荷内在变化规律及各类影响因素对负荷的非线性影响。基于实际负荷数据对不同历史时间窗口、不同网络架构的负荷预测性能进行验证,并与其他负荷预测算法进行比较,结果表明所提方法能有效提升负荷预测准确性。     

经济因素对电量的影响分析与预测

以某市2000-2005年上半年的GDP增长数据,第一产业、第二产业、第三产业的经济增长数据,用电量数据为基础,重点分析GDP变化和产业结构的调整与电力需求量的关系。根据电力系统中长期负荷的特点,提出了一种基于主成分分析的预测方法,通过对影响电力负荷的相关因素数据进行主成分分析,减少负荷预测系统的输入量,提高了系统预测的效率,实际应用表明该方法有效、可行。     

经济新常态下基于偏最小二乘回归的中长期负荷预测模型

经济新常态下,中长期负荷预测面临负荷趋势呈S形、可依赖数据样本少等问题,传统预测方法精度受限,因此提出一种基于偏最小二乘回归和情景分析法的中长期负荷预测模型。从经济新常态的速度、结构、动力3个宏观方面入手,建立一个宏观与微观相结合、层次化的电力负荷影响因素指标体系;采用偏最小二乘回归法获取电力负荷与各影响因素的关系方程;根据"十二五"及"十三五"期间经济和电力发展的特点,采用情景分析法设定多个情景及相应参数,获得不同情景下有区别的负荷预测结果,以降低预测风险。利用所提模型对某省"十三五"期间的逐年用电量进行预测,通过与现有成熟方法预测结果及官方公布数据的对比,验证了所提模型的有效性。     

Daily peak electricity demand forecasting based on an adaptive hybrid two-stage methodology

This paper describes daily peak load forecasting using an adaptive hybrid two-stage methodology. Because the time series of electricity consumption is mainly influenced by seasonal effects, the double seasonal Holt–Winters exponential smoothing method is firstly used for next-day peak electricity demand forecasting. In the second stage, the secondary forecasting model is applied taking into account the benefits of Fuzzy c-means clustering; K-nearest neighbors algorithm; Wavelet packet decomposition; and Adaptive Neuro-Fuzzy Inference System, for further improvement in forecasting accuracy. The whole architecture of the proposed model will be presented and the results will be compared with neural networks and stand-alone adaptive neuro-fuzzy inference system based approaches by using a gathered data from the Algerian power system. The results show that: (1) the proposed methodology is the best among all the considered schemes, (2) the FKW-ANFIS has satisfactory performance in both normal and special daily conditions.