基于随机波动模型的短期负荷预测

研究了负荷时间序列波动性,考虑方差时变特征,提出了基于随机波动(SV)模型的短期负荷预测方法。引入伪极大似然估计解决SV参数估计问题,进而将模型转换为状态空间方程,利用卡尔曼滤波获取标准SV模型参数。另外,还将模型推广为非高斯假设SV模型。利用动态波动曲线的构建,讨论了负荷时间序列条件方差的时变性特征。基于日用电量数据建立了SV族日负荷预测模型,并利用平均绝对百分误差、均方误差、TIC 3种指标将SV族模型预测结果与广义自回归条件异方差(GARCH)模型做了比较,得到SV族模型的前2种指标均小于GARCH模型,而且SV模型的TIC指标更接近于零。算例分析表明了SV族负荷预测模型的可行性和有效性。     

基于RBF神经网络和天气数据的负荷预测虚拟仪器设计

气温、气压等天气因素决定了人体舒适度。随着社会经济的快速发展,空调和取暖负载在总用电负荷中的比重日益增加,天气对负荷波动的影响越来越明显。提出了一种考虑风速、降水、气压、气温、湿度等天气数据的径向基(RBF)神经网络日负荷预测模型,用实际负荷数据和天气数据进行训练,将预测结果与BP网络模型得到的结果进行比较,表明了该模型的优越性,也介绍了基于该模型和LabVIEW、Matlab的负荷预测虚拟仪器的前面板和流程图设计过程。结果表明,提出的模型算法简单、精度高、稳定性好,用虚拟仪器进行电力负荷预测具有操作简单、直观、节省费用等优点。所介绍的方法可以用于其它类型负荷预测模型的虚拟实现。     

一种改进的小波-卡尔曼配电网短期负荷预测方法

为了解决已有的基于小波-卡尔曼滤波的短期负荷预测方法由于未考虑温度积累效应而在温度变化较大时预测误差偏大的问题,提出了一种改进方法:将日负荷表示为日平均负荷与波动部分的乘积,对日平均负荷和波动部分分别进行预测。提出了一种利用人工神经网络预测平均负荷的新方法:将日平均负荷表示为温度敏感分量与平稳的温度不敏感分量之和。温度不敏感分量根据温度不敏感季节同时期的若干负荷数据统计得出。根据前若干天的温度敏感分量值、温度信息以及预测日的温度信息,采用BP网络构成的负荷预测器,得出预测日的温度敏感分量的预测值。对于波动部分沿用基本的小波-卡尔曼滤波的方法,在对波动部分进行多分辨分析的基础上,将小波系数作为状态变量,利用卡尔曼滤波算法得出波动部分的预测值。实例分析表明,提出的改进方法显著提高了预测准确性。     

基于小时气象因子的神经网络短期负荷预测模型

目前在短期负荷预测模型中,气象因子的应用主要是其日特征值。负荷对气象因子的响应具有实时性的特点,因此,小时气象因子在负荷预测模型中的应用对提高负荷预测精度具有积极作用。通过分析小时温度、湿度、云量、降水、风等气象因子对电力负荷的影响,并与日气象因子的影响进行对比分析,结果表明:小时气象因子对负荷的影响与日气象因子对负荷的影响特征有很大不同,尤其是在天气发生突然变化时,小时气象因子对电力负荷的影响比日气象因子的影响更加显著。建立了基于小时气象因子的神经网络短期负荷预测模型,预测效果较好。针对目前气象部门对小时气象因子的预测能力及其在实际负荷预测中的应用情况,总结了应用中存在的问题并提出改进策略。     

基于粒子滤波算法的电力系统短期负荷预测研究

针对电力系统短期负荷随机性和偶然性较大,使得传统的卡尔曼滤波或者扩展卡尔曼算法不能发挥最优的滤波效果的问题,建立了基于粒子滤波算法的负荷预测模型,并讨论了参数选择对预测结果的影响,给出了优化的状态参数选择区间.通过对仿真验证了本文方法的有效性,最后将本文的方法与卡尔曼滤波算法进行了对比仿真,仿真结果证明本文提出的方法具...     

Analysis and evaluation of five short-term load forecastingtechniques

A review of five widely applied short-term (up to 24 h) load forecasting techniques is presented. These are: multiple linear regression; stochastic time series; general exponential smoothing; state space and Kalman filter; and a knowledge-based approach. A brief discussion of each of these techniques, along with the necessary equations, is presented. Algorithms implementing these forecasting techniques have been programmed and applied to the same database for direct comparison of these different techniques. A comparative summary of the results is presented to give an understanding of the inherent level of difficulty of each of these techniques and their performances     

Forecasting daily peak load by a deterministic prediction method employing Gram-Schmidt orthonormalization

A technique for forecasting daily peak load in a utility power system is presented. After embedding time series data of daily peak load into a reconstructed state space, a nonlinear mapping is constructed by a local approximation method based on the orthonormal Gram-Schmidt bases. This method utilizes only the past load data for short-term prediction of the daily peak load, while many conventional methods make predictions with various kinds of data such as temperature and weather. The quality of prediction by the proposed method is as good as those with other prediction methods. Moreover, the results of short-term prediction by this method are satisfactory even with data as small as 250 points.     

融合历史数据和实时影响因素的精细化负荷预测

随着智能电网技术的飞速发展,对负荷预测的精度提出了越来越高的要求。融合负荷、天气等多源数据,提出了一种基于数据融合的支持向量机精细化负荷预测方法。首先对负荷历史数据进行聚类分析,将运行日分成六类。然后将负荷数据和温度、湿度等天气数据进行融合,针对六类聚类结果分别建立基于数据融合的支持向量机精细化负荷预测模型,并对模型参数进行全局优化。采用不同的预测模型对浙江省某地级市2013年的负荷进行预测,结果表明所提出的负荷预测方法的预测精度明显高于传统的负荷预测方法的预测精度。     

短期负荷预测中气象因素处理的费歇信息方法

在能提供大量实时负荷数据和气象数据的智能电网大数据环境下,挖掘合适的气象因素处理方法对提高短期负荷预测精度尤为重要。针对一个或多个气象变量,解决一维或多维费歇信息计算问题。在此基础上,提出基于费歇信息的气象因素建模方法及新预测模型。实际测试结果表明:采用所提模型可以获得更精确的预测结果,解决了短期负荷预测中对气象因素处理的主观随意性问题。     

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。     

负荷功率模型的最优特征选择研究

负荷功率呈现时空多样的变化特性,其影响因素众多,构建负荷功率模型的关键之一是确定模型的输入特征量。文中着重研究短期负荷功率模型的特征选择,旨在从历史负荷、气象、日期等众多特征中选出最优特征集。首先,采用最大信息系数、基于支持向量机的递归特征消除法和随机森林3种不同特征选择方法分别对输入特征集进行选择;然后,根据对比分析结果提出基于遗传算法的最优特征集搜索策略,选定XGBoost预测模型的误差指标作为适应性函数进行迭代优化搜索;最终,确定负荷功率模型的最优特征输入集。采用某地区220 kV变电站母线负荷数据进行算例分析,对比各方法所选特征集作为功率模型输入得到的负荷预测效果,验证了文中方法的有效性和准确性。     

基于分区逐时气象信息的全网负荷预测研究

负荷与气象是密切相关的,尤其在夏冬两季。以省网负荷预报为例,在传统的电力负荷预测中,所采用的气象信息一般是全省、全天的气象信息,比如全省最高温度、最低温度等等。当前,气象预报技术已经可以做到分区、逐时预报。该文总体思路是将分区逐时气象预测数据应用于负荷预报,以进一步提高负荷预测精度。指出了按照行政区域和气候区域相结合来分区,定义了基于负荷的综合气象因素,提出了根据网供电与综合气象因素进行预测的策略,给出了将相似日方法与支持向量机相结合的负荷预测方法。最后给出在河南电网应用的实际结果,对比表明采用逐时气象信     

卡尔曼滤波理论在电力系统中的应用综述

现代电力系统中,由于可再生能源输出功率、负荷变化以及其他随机过程的存在,使得系统状态参数中往往混杂着噪声,因此有必要采取适当的方法,从随机干扰的观测信号中提取有效的系统状态参数。首先对卡尔曼滤波基本理论进行了介绍,给出了卡尔曼滤波的基本过程。然后主要综述卡尔曼滤波及其扩展形式在电力系统短期负荷预测、动态状态估计、电能质量分析、继电保护、风电场风速预测、电机状态和参数估计等方面的应用。最后给出了卡尔曼滤波在电力系统中应用的相关结论及其未来发展趋势。     

Peak load forecasting using multiple-year data with trend data processing techniques

This paper presents a regression-based daily peak load forecasting method using multiple-year data with trend cancellation and trend estimation techniques. Daily peak load heavily depends on daytime temperature and is influenced by the other weather factors such as humidity. Since the characteristic of the load is varying, peak loads just before a forecasting day are more significant for the forecasting. The regression model can represent relationships between these weather factors and peak loads. However, the forecasting model is sometimes not adequate for precise load forecasting. The regression model is well matched with the late data, but the model causes large forecasting errors in transitional seasons because of seasonal change of load characteristics. In order to forecast precisely through a year, a method of using seasonal or whole year data from past years is proposed. In this paper, two kinds of trend data processing techniques are described. The first is trend cancellation. The second is trend estimation. The trend cancellation technique removes annual load growth by means of division or subtraction processes with morning load on the forecasting day. The trend estimation technique estimates the trend between the forecasting year's load and the past year's load by using the variable transformation techniques. The performance of both techniques, verified with simulations on actual load data, is also described. © 1998 Scripta Technica, Electr Eng Jpn, 124(1): 7–16, 1998     

Cascaded artificial neural networks for short-term load forecasting

An application of artificial neural networks (ANNs) to short-term load forecasting is presented in this paper. An algorithm using cascaded learning together with historical load and weather data is proposed to forecast half-hourly power system load for the next 24 hours. This cascaded neural network algorithm (CANNs) includes peak, minimum and daily energy prediction as additional input data for the final forecast stage. These additional input data are predicted using the first (ANNs) model. The networks are trained and tested on the electric power system of Kuwait. The absolute average forecasting error is reduced from 3.367% to 2.707% by applying CANNs as compared to the conventional ANNs. Simulation results indicate that the developed forecasting approach is effective and point to the potential of the methodology for economic applications     

Neural network load forecasting with weather ensemble predictions

In recent years, a large amount of literature has evolved on the use of artificial neural networks (ANNs) for electric load forecasting. ANNs are particularly appealing because of their ability to model an unspecified nonlinear relationship between load and weather variables. Weather forecasts are a key input when the ANN is used for forecasting. This paper investigates the use of weather ensemble predictions in the application of ANNs to load forecasting for lead times from one to ten days ahead. A weather ensemble prediction consists of multiple scenarios for a weather variable. We use these scenarios to produce multiple scenarios for load. The results show that the average of the load scenarios is a more accurate load forecast than that produced using traditional weather forecasts. We use the load scenarios to estimate the uncertainty in the ANN load forecast. This compares favorably with estimates based solely on historical load forecast errors.     

扩展卡尔曼滤波在动态负荷参数辨识中应用

采用扩展卡尔曼滤波算法建立由动态负荷和静态负荷组成的综合负荷数学模型,并列出了其转子运动方程、状态方程和输出方程,其中动态负荷由等值的异步电机表示,静态负荷由恒定导纳并联组成。通过动模试验,取得给定负荷在系统扰动时的电压、电流数据。根据所建立数学模型的输入、输出值,用扩展卡尔曼滤波算法辨识其中的待定参数。参数初值设置为真值的2～7倍,辨识结果误差为2%～3%。分析结果表明,扩展卡尔曼滤波可在短时间内收敛,能正确地辨识出系统参数,且稳定性好。结论表明扩展卡尔曼滤波可以用于电力系统参数辨识,为电力系统状态估计、负荷建模提供了有效方法。     

基于天气分类和卷积神经网络的短期负荷预测方法

为减少天气因素对短期电力负荷预测效果的影响,提高模型的预测精度,提出了一种基于天气分类和卷积神经网络的短期负荷预测模型。首先通过天气类型初分将原始数据样本集划分为晴天、阴天、多云和雨天4种类型。其次,为了识别相似气象条件,运用相关系数和k均值聚类方法,找到对新型负荷出力影响最大的气象因素,并对其聚类,选取高相似度的数据样本。之后根据特征选择的结果,构造神经网络输入数据集。最后,将该数据集输入至卷积神经网络训练并预测。通过算例验证分析所提模型具有更高的预测精度。     

基于卡尔曼滤波的短期负荷预测方法的研究

负荷历史数据是负荷预测的基础。负荷历史数据由于测量、人为等因素而造成不准确，因而导致负荷预测也不准确。文中提出利用最小二乘法线性拟合建立负荷数据基本模型，用3次样条插值对卡尔曼滤波器的系统参数进行辨识，最终用卡尔曼滤波器对历史数据进行预处理，以纠正由于测量错误或人为改动的数据。对文中所提方法进行了验证。结果表明，后验误差在3％之内，效果很好。     

基于卡尔曼滤波的电力系统短期负荷预测

介绍了卡尔曼滤波的算法,给出了一套递推计算公式,将此算法应用于短期负荷预测,并针对负荷预测本身的特点对算法进行了改进,用两种算法进行了实际的负荷预测计算,取得了比较准确的预测结果。