计及经济因素的随机森林电量预测

精确的电量预测是电网投资和电力平衡的重要依据。为解决以历史用电量数据作为电量预测的唯一依据,在模型迭代过程中的原始信息少,预测模型通用性差、预测精度低等问题,通过对地区月用电量与经济因素进行研究分析,采用随机森林算法对经济因素和月用电量进行针对性建模预测。通过实际算例仿真验证表明,该模型预测MAPE(平均绝对百分误差)为2.34%,预测精度高并且通用性强。     

陕西电网月用电量预测模型的研究

未来年度电网月用电量预测对于电网调度运行非常重要。本文基于月度乘积模型,建立了陕西电网月用电量预测模型,用该模型对陕西电网月用电量进行了预测分析,将预测值与2003年1月至2007年12月期间的实际观测数据对比,年最大误差小于1%,预测精度较高。为准确预测月用电量提供了一种较为可行的分析预测方法。     

陕西电网月用电量预测模型的研究

未来年度电网月用电量预测对于电网调度运行非常重要。本文基于月度乘积模型,建立了陕西电网月用电量预测模型．用该模型对陕西电网月用电量进行了预测分析,将预测值与2003年1月至2007年12月期间的实际观测数据对比,年最大误差小于1％,预测精度较高。为准确预测月用电量提供了一种较为可行的分析预测方法。     

基于协整理论的负荷预测新方法

对用电量、GDP变量系统建立了向量自回归模型,使用Johansen-juselius方法分析2个序列之间的协整关系,确定了协整向量,利用误差纠正项将无约束向量自回归模型修正为向量误差纠正模型,用极大似然估计参数完成模型的参数估计。从理论层面分析了2个变量系统的长期均衡关系和短期波动的误差纠正机制。最后运用该模型对江苏省季度数据进行预测分析。基于协整理论的负荷预测方案有效地避免了传统建模中出现的伪回归隐忧,实际算例表明,模型的预测效果是满意的。     

基于RF变量选择与LSTM回归的长期用电量预测模型

由于当前长期用电量预测方法难以解决变量选择问题,造成用电量预测结果不准确,为此将随机森林（RF）算法变量选择与长短期记忆（LSTM）网络回归两者结合,设计基于RF变量选择与LSTM回归的长期用电量预测模型。采用RF方法对单一变量的重要性进行评估,获取各项影响因素与用电量之间的相关系数,然后选取其中取值较高的变量作为用电量预测的依据。结合RF变量选择结果,分析动力系统理论,采用收敛交叉映射方法研究用电量与工业发展水平、温度等因素之间的关系,基于各因素之间的关系结合LSTM回归方法,组建用电量预测模型,实现长期用电量预测。研究结果表明,与传统方法相比,所设计模型的用电量预测精度与预测效率较高,能够快速、准确地完成长期用电量预测,表明该模型的应用价值更高。     

基于多层分解——累加原理的城市综合体月度用电量预测方法

由于存在严重的模型过拟合问题,传统的城市综合体月度用电量单步预测方法往往不能提供准确的预测结果。提出一种基于多层分解-累加原理的城市综合体月度用电量预测方法。该方法首先将城市综合体内部负荷根据其负荷特性细分为3类;然后,针对每一类型的负荷搜集其历史小时用电量数据,并根据数据的星期标签再次分解,以提高多步预测模型的预测精度;接着,使用改进的经验模态分解(improved empirical mode decomposition, IEMD),将用电量序列中不同尺度的波动和趋势特性分离开来,并利用极端梯度提升(extreme gradient boosting, XGBoost)算法对分解后的各分量分别建立对应的多步预测模型;最后将预测结果逐层累加得到月度用电量预测结果。研究结果表明,文章提出的方法能够有效地捕捉城市综合体用电量变化规律,其预测误差精度比传统方法提升了18.2%~34.9%。     

基于双向差分建模的优化GM(1,1)模型及其在中长期电力负荷预测中的应用

针对电力负荷预测,论述了一种基于双向差分计算的GM（1,1）建模方法,采用向前差分与向后差分建模的拟合误差平方和最小的原则进行参数估计。为了进一步提高GM（1,1）模型的拟合及预测精度,利用拟合值和原始值误差平方和最小的原则对预测模型的初始值进行了优化,摆脱了原有模型的初始值必经过历史数据中的某一点的束缚。以太原地区电力负荷和重庆地区的农村用电量为例,采用了几种典型GM（1,1）模型进行了拟合和预测对比分析,结果表明所提出的优化GM（1,1）模型的拟合、预测精度更高,适应性更强。     

基于多维特征分析的月用电量精准预测研究

用户用电量的精准预测是智能配用电大数据应用和发展的关键之一。区别于传统的基于行业分类的预测办法,提出基于大数据挖掘技术的用户用电多维度特征识别,以及在此基础上的精准用电量预测方法。基于海量多用户用电特性,建立多维度用电特征评价指标体系。对用户用电特性空间进行聚类和分析,挖掘和识别用电模式。在不同的用电模式下,分别建立用电量时间序列预测模型,避免用电模式差异对预测算法准确性造成的不利影响。该方法适用于大数据平台的分析与处理,算例分析结果表明其相比以往方法能显著提高预测精度和稳定性。     

基于双向差分建模的优化GM(1,1)模型及其在中长期电力负荷预测中的应用

针对电力负荷预测,论述了一种基于双向差分计算的GM(1,1)建模方法,采用向前差分与向后差分建模的拟合误差平方和最小的原则进行参数估计.为了进一步提高GM(1,1)模型的拟合及预测精度,利用拟合值和原始值误差平方和最小的原则对预测模型的初始值进行了优化,摆脱了原有模型的初始值必经过历史数据中的某一点的束缚.以太原地区电力负荷和重庆地区的农村用电量为例,采用了几种典型GM(1,1)模型进行了拟合和预测对比分析,结果表明所提出的优化GM(1,1)模型的拟合、预测精度更高,适应性更强.     

季节划分下产业用电量关联分析及预测

产业用电需求预测对于实现精细化用电管理、降低电力企业运行与规划成本具有十分重要的意义。鉴于常见的预测方法在产业结构划分下的中短期用电量预测中效果不佳,分析了不同季节下产业用电量之间内在关联关系以及气温对其的外在影响,结合计量经济学思想,分季节构建了用于电量预测的误差修正模型,并利用该模型对华中某省网月度用电量进行了预测分析,结果表明,该模型具有较高的预测精度。     

ARIMA模型在城市年用电量预测中的应用

介绍了单整自回归移动平均模型（antoregressive integrated moving average model,ARIMA）及其建模思路,并结合Eviews软件将ARIMA模型应用于成都市年用电量的分析与预测。经检验此模型预测精度较高,拟合效果理想,体现了应用ARIMA模型进行用电量预测的可行性,可以为电力系统工作人员进行年用电量预测提供参考。     

基于FP增长挖掘模型的全社会行业用电关联规则分析

针对全社会行业用电量分析预测的难题,文章提出了将数据挖掘领域中的FP增长模型应用于国家电网公司行业用电分析预测活动中,通过对模型的灵活运用,完成了对全社会行业用电关联规则分析。为国家电网公司各级管理人员,更准确地掌握各行业间用电量变动的相互影响,从而更有效地安排生产、开展输配电工作提供有力的帮助。     

新型逆变器有限集模型预测控制误差补偿策略

传统三相逆变电路有限集模型预测控制(FCS-MPC)算法中未考虑计算时间和建模误差对电路的影响,导致在开关序列选择后状态变量真实值偏离期望值,失去了最优性。针对该问题,在新型逆变电路混合逻辑动态模型的基础上分析了忽略计算延迟对电路的影响,并在具有延时补偿的预测控制策略的基础上提出了一种新的建模误差的补偿策略和参考变量预测方法。通过前一时刻的状态对当前时刻的建模误差进行预测,同时在当前时刻进行补偿,从而提高了系统的稳定性,降低了总谐波畸变率。最后通过实验验证了所提方法的可行性。     

基于偏最小二乘回归的年用电量预测研究

对年用电量的预测若采用一般最小二乘回归法建模，其估计参数存在着很大的误差且物理意义明显不足。而偏最小二乘回归方法则实现了多元线性回归、主成分分析和典型相关分析的综合、克服了自变量之间的多重相关性的问题，因而更具有先进性，其计算结果更为可靠，在实际系统中的可解释性也更强，且方法简单，计算快捷。该文将偏最小二乘回归模型(Partial Least Square Regression，PLS)应用于年用电量预测，并与基于最小二乘的多元线性回归模型预测成果进行对比，探讨了偏最小二乘法在电力负荷预测中的可行性和优势。通过四川省电网年用电量预测表明：偏最小二乘回归法比一般最小二乘法优，具有较强的实用性。     

基于气象大数据的城市电力负荷预测

为克服利用气象因素对用电量预测任务中必须先观测到气象条件再进行预测的困境,提升用电量预测准确性,提出一种基于时序卷积网络与循环神经网络的用电量预测方法.使用时序卷积网络基于历史气象数据对未来气象条件进行预测,结合历史用电量数据对未来用电量数据进行预测.算法在预测当前用电量时只依赖于过去的特征,因此无需先观测到当前气象特征.在真实的气象与用电量数据集上的实验结果表明,在仅使用气象因素这一外部变量时,算法对用电量的预测准确性超出了传统方法,有较高的实用性.     

优选组合数学模型在用电预测中的应用

本文简述了用电负荷和用电量的几种预测方法，以及如何用FoxBASE语言来实现这几种预测的数学模型，并对预测结果用微机作了误差分析。     

短期负荷预测的实用数据挖掘模型

基于数据挖掘决策树算法和通用的决策支持对象(DSO)建模工具,结合区域电网气象负荷数据库设计与实现了决策树形式的数据挖掘模型并运用于日负荷预测。首先描述了决策树分类方法,分析研究了日负荷预测数据挖掘模型的决策树构造过程,给出了基于DSO的程序化实现,并给出用决策树算法的日负荷预测过程以及实际的预测结果情况。统计分析结果表明该数据挖掘模型完全满足实用标准,具有智能自适应、自学习和全过程自动化、通用可靠以及准确率高等特性。     

考虑产业结构调整的用电量指标关联分析及负荷预测

近年来,我国产业结构升级进入"三期叠加"的新阶段,使得电力需求结构发生剧烈与频繁的变动。鉴于常见的电力负荷预测方法在产业结构调整期预测精度不佳的问题,本文借鉴计量经济学的向量误差修正理论,分析了用电量与三大产业之间的关联关系,探讨了用电量指标与分产业生产总值之间的相关程度,并提出了一种基于VECM模型的用电量预测方法。算例证明了该方法的适用性和有效性。     

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。     

基于多表融合数据的用户短期用电量预测

用电量预测是用户用能分析的一个重要研究内容,提高预测精度对用户用能分析以及异常检测具有重要意义。利用用电信息系统采集的电、水、气三表数据,提出了基于支持向量机的短期用电量预测方法。该方法首先利用通径分析计算出影响用户用电量的日特征向量的权重以及模糊相似矩阵;然后,通过模糊聚类传递闭包法选取相似日,并将它们作为样本训练支持向量机模型,实现对用户用电量的预测。采用杭州地区2016年的多表融合数据对提出方法的性能进行测试。实验结果表明,多表融合预测相对于单表预测方法,其单用户用电量和小区多用户总用电量的预测相对误差分别减小了6%和1%以上。