基于LSSVM和马尔可夫链的母线负荷短期预测

提出了一种母线负荷短期预测混合算法.采用最小二乘支持向量回归方法(LSSVM)进行短期母线负荷预测,并提出一种广义网格搜索算法对模型参数进行优化;由历史预测误差组成误差序列,将历史预测误差序列看作是一个符合马尔可夫过程的时间序列,采用马尔可夫链方法对未来的预测误差进行估计,采用误差估计结果对上一步LSSVM的预测结果进行修正,得出最终预测结果.经算例分析证明,所提方法能显著提高预测精度.     

基于灰色模型和Kalman平滑器的多母线短期负荷预测

提出一种基于灰色模型和Kalman平滑器的多母线短期负荷预测方法。首先利用频域分解消去母线负荷序列的周周期分量,建立序列的灰色模型;利用系统负荷预测方法得到系统负荷预测值。然后基于灰色模型,将各母线负荷的累加序列作为状态,系统负荷的累加序列作为观测,建立线性离散随机系统模型,利用Kalman平滑器计算各母线负荷累加序列的最优估计值,最后经过累减还原并加上周周期分量得到母线负荷的预测值。Kalman平滑器利用高准确率的系统负荷预测结果对母线负荷预测进行调整,降低预测误差。在实际系统中进行了仿真验证,证明了该方法的有效性。     

基于序列分解的母线负荷降噪预测方法

新型电力系统背景下，分布式电源和用户侧行为的多样性使母线负荷稳定性不足，对负荷短期预测提出了新的挑战。为此，提出一种基于序列分解的母线负荷降噪预测方法，将变分模态分解方法的构造与分解规则应用到母线负荷序列分解中，针对序列分解后的余项，利用局部加权回归方法进行平滑处理，实现母线负荷降噪预测。基于某地区母线负荷有功功率实测数据，构建循环神经网络对降噪后的母线负荷进行预测，结果表明该方法能够去除母线负荷序列噪声，序列趋于光滑且保留了原始母线负荷序列的特征，具有优良的预测曲线和精确的预测结果。     

基于相似日的超短期母线负荷概率性区间预测

为了满足电网调度的实时控制需要,较为准确地预测配电网中低压侧35kV和10kV母线的超短期负荷,结合超短期负荷预测和母线负荷预测的特点,提出了一种基于相似日的超短期母线负荷概率性区间预测方法。利用模式聚类和模式识别的方法分析了历史负荷数据,选取了相似日,并以负荷求导法为基础,得出历史负荷的预测值,计算历史负荷的预测误差,通过统计历史预测误差分布进行概率性区间预测,得到一定置信水平下的预测区间。实例计算结果表明,基于相似日的超短期母线负荷概率性区间预测的准确率为97.36%,该方法提高了母线负荷预测的准确度和计算速度,适合工程实际应用。     

基于多级负荷智能协调的母线短期负荷预测

为提高母线负荷预测精度,提出一种基于多级负荷智能协调的母线短期负荷预测方法。首先对预测母线负荷序列进行历史负荷与当前负荷的相关性分析,再进行系统空间母线与预测母线的相关性分析,根据两次相关性分析结果合理设置算例,得到预测网络的最优输入方式,然后利用长短时记忆网络(LSTM)建立母线短期负荷预测模型,最后运用吉林省某地区的实测数据将提出模型与反向传播(BP)神经网络和支持向量机(SVM)的预测结果进行对比分析,验证本文提出的预测模型具有更高的精确度。     

基于LSTM的钢铁工业地区母线短期负荷预测研究

当地区电力负荷中光伏电站并网和钢铁冲击性负荷占比较大时,不仅威胁电网的安全稳定,也会对电力系统的短期负荷预测造成显著影响。通过分析钢铁冲击性负荷的影响因素,提出一种基于深度学习算法的长短期记忆(Long Short-term Memory,LSTM)神经网络分别对钢铁冲击负荷不同占比下的母线负荷序列进行预测。实际计算结果表明:LSTM应用于钢铁工业地区母线短期负荷预测时,能够有效提升预测精度。     

基于VMD和贝叶斯优化LSTM的母线负荷预测方法

新型电力系统背景下,为提升母线负荷预测的精确性与稳定性,针对母线负荷噪声,提出一种考虑变分模态分解（variational mode decomposition,VMD）降噪优化和长短期记忆网络（long short-term memory,LSTM）的母线负荷预测方法。通过VMD将母线负荷分解为多个平稳的固有模态函数余项,将其分解项去除噪声后进行重组,达到降噪优化效果;对降噪后的母线负荷序列构建基于LSTM的时序预测模型,利用贝叶斯优化方法对网络初始超参数进行优化,以提高时序预测模型的精度。算例研究结果表明：利用VMD对母线负荷进行降噪优化后再进行预测,有利于预测结果更加稳定,且贝叶斯优化寻参解决了因初始参数设置不当而使预测结果精度不高的问题。该文方法可运用于母线短期负荷预测,并为电网调度运行提供了决策依据。     

间接预测法在母线负荷预测中的应用

为避免220kV母线供电区域内负荷转供、停电以及小电源等因素对母线负荷预测的不利影响,提出了一种间接预测母线负荷的方法。首先把母线下网负荷转换成该母线供电区域内的理想用电负荷,再将该理想用电负荷作为历史负荷数据采用系统负荷预测的算法进行预测得到初步预测结果,同时获取待预测日各种影响因素的值,初步预测结果剔除各种影响因素...     

基于Seq2seq模型的多特征短期母线负荷预测

母线负荷短期预测对电力系统调度运行及电力现货交易市场具有重要意义，由于母线负荷受到复杂多因素的影响，单独采用母线负荷历史数据进行预测不能取得很好的效果。为提升多因素影响下母线负荷预测的准确率，本文结合特征工程和深度学习法，对母线负荷的影响因素进行斯皮尔曼相关性分析，设计时间连续性周期编码；对Seq2seq模型的编码器和解码器设置不同的特征组进行消融实验；将实验结果与采用离散小波变换分解提取特征的方法进行对比，结果表明，本文提出的特征工程结合深度学习Seq2seq框架的母线负荷短期预测效果更佳。     

基于多源数据和模型融合的超短期母线负荷预测方法

母线负荷预测对于电网调度运行的安全性和在线分析决策的准确性具有重要的意义。为了进一步提高母线负荷预测精度,提出了一种基于多源数据和模型融合的超短期母线负荷预测方法。结合当前电力大数据,首先将历史负荷数据、日期信息以及天气信息等多类型数据作为预测模型的输入特征,并建立基于BP-ANN(back propagation)神经网络和CNN(convolutional neural network)神经网络融合的预测模型。然后采用BP-ANN提取数值类型和类别类型数据的特征向量,与CNN提取图像型数据的特征向量进行融合,通过多层BP-ANN神经网络进行超短期母线负荷的预测。最后,采用我国某地区220kV变电站高压侧的有功负荷历史数据和该地区天气信息进行实例分析。实验结果分析表明,所提方法能够充分有效利用多源数据和模型融合的特点进行超短期母线负荷预测,相较于BP-ANN和CNN单独模型预测具有更高的负荷预测精度。     

基于模糊C均值聚类算法和最小二乘支持向量机的母线负荷预测研究

电力系统中的母线具有数量众多、负荷波动性大等特点,为提高预测精度,提出一种基于模糊C均值(fuzzy c-means,FCM)聚类算法和最小二乘支持向量机(least squares support vector machine,LSSVM)的母线负荷预测方法。利用改进的数据横向比较法对异常负荷进行修正。在此基础上,结合FCM算法将供电区域中具有相似负荷变化规律的母线进行聚类,选取聚类后的母线负荷数据对LSSVM模型进行训练和预测,并通过配比公式进行负荷分配。经数据验证,方法有助于提高母线负荷预测精度。     

虚拟母线技术及其应用(二):虚拟母线负荷预测

与系统负荷不同,母线负荷水平较低,波动性强,规律性弱,可预测性差,引入虚拟母线技术有利于提高母线负荷预测的工作水平与预测精度。在电网中存在一些紧密联系的连通的局部网络,其内部各母线对关键断面具有相同或相近的发电机输出功率转移分布因子(generation shift distribution factor,GSDF),同时其内部母线的负荷曲线具有一定的相似性,这些母线所组成的连通局部母线组为虚拟母线。根据虚拟母线概念,提出一种新颖的聚类预测方法:虚拟母线负荷预测方法;对虚拟母线负荷预测与独立预测的精度进行了比较,分析了预测误差的形成机理,提炼出预测误差的数学表征;针对虚拟母线聚类判据对于提高预测精度的有效性进行了分析;采用河北南网的实际数据验证了虚拟母线负荷预测方法的有效性。     

基于PSR和DBN的超短期母线净负荷预测

随着电网优化调度的精细化、智能化和计及电力系统安全性与经济性的电网高级应用的广泛采用及分布式能源的大量接入,母线负荷预测的精度要求不断提高而负荷的不确定性和非线性特征进一步增强。针对上述问题,文中提出一种基于相空间重构(PSR)和深度信念网络(DBN)的超短期母线负荷预测模型,首先采用C-C法对净负荷时间序列进行PSR,然后利用DBN对重构后的数据进行拟合并得出负荷的预测值。文中利用某市变电站实测负荷数据检验了该超短期母线负荷预测模型的有效性,证明该模型在分布式电源渗透率较高且母线负荷波动较大的情况下仍然有较高的预测精度。     

基于小波分解的支持向量机母线负荷预测

为提高母线负荷预测的准确性,提出一种基于小波分解和支持向量机的母线负荷预测方法。该方法利用小波分解算法将目标负荷序列分解为若干个不同频率的子序列,通过分析各个序列的特征规律,构造不同的支持向量机模型对各分量分别进行预测,再将各分量预测值进行重构得到最终预测值。对某一区域内15条母线进行预测,采用平均日母线负荷准确率进行评价。与单独使用支持向量机方法相比,应用所提方法提高了962点的预测效果,占总预测点数的66.8%;全系统的准确率由93.5%提高到了95.1%。     

多层次母线负荷预测方法研究

母线负荷预测不仅是推进调度精益化管理的重要手段,而且对于节能调度的推行、发电计划的制定、电力现货的交易等工作具有至关重要的作用.目前绝大多数短期负荷预测都是系统级的,母线负荷预测很难直接套用系统负荷预测的方法,因此提出一种基于挂接电源、终端用户及检修、气象等因素的多层次母线负荷预测方法.通过该方法可实现母线负荷预测的精细化分析预测,有效提高预测精度.     

母线负荷预测的实用算法

母线负荷预测是制定电网运行方式的基础,预测的精度将直接影响到后续安全校核的分析结果以及电网输送能力的计算和运行方式的安排。综合考虑母线负荷的特点,根据历史样本数据类型,考虑天气、节假日、企业生产变化、母线负荷的转供等因素,提出一种新的母线负荷预测的实用算法。所提方法基于相似日的模式匹配原则,依照与待预测日模式的相似度大小确定其间的分配系数权重,进而预测母线负荷。通过Matlab对一实际电网进行仿真,结果证明了所提方法的精确性和实用性。     

基于XGBoost与Stacking模型融合的短期母线负荷预测

母线负荷预测对于电网安全稳定调度具有重要意义,但母线负荷随机波动性较强,其负荷类型因供电区域的差异而不同。为此,提出一种基于极限梯度提升(XGBoost)与Stacking模型融合的短期母线负荷预测方法。基于XGBoost建立多个母线负荷预测元模型,组合构成Stacking模型融合的元模型层,连接一个XGBoost模型对元模型进行融合,整体构成综合预测系统,并采用粒子群优化算法优化系统参数。通过对具有不同负荷属性的220 kV母线进行实例分析,验证了所提方法的有效性与适用性。     

基于自适应噪声完备经验模态分解?样本熵?长短期记忆神经网络和核密度估计的短期电力负荷区间预测

短期电力负荷具有较强的随机性和波动性,其预测的准确性对于提升供电可靠性、电力系统运行经济性至关重要。针对传统确定性预测不能反映未来负荷波动的弊端,基于“点预测+区间估计”的思路提出了一种短期负荷区间预测方法。首先基于自适应噪声完备经验模态分解方法将负荷序列分解为多个模态分量,并根据不同序列样本熵的计算结果将序列进行重构以降低运算量。在此基础上,针对每一个分量分别构建长短期记忆神经网络预测模型,得到未来负荷点预测值。基于此利用核密度估计方法对预测误差的分布进行估计,进而结合点预测结果实现未来短期负荷的区间预测。通过将此模型与其他模型进行对比,结果表明此模型能够实现更低的点预测误差,同时在区间预测中也表现出更好的综合性能。     

母线负荷预测的实用算法

母线负荷预测是制定电网运行方式的基础,其预测的精度将直接影响到后续安全校核的分析结果以及电网输送能力的计算和运行方式的安排。综合考虑母线负荷的特点,根据历史样本数据类型,考虑天气、节假日、企业生产变化、母线负荷的转供等因素,提出一种新的母线负荷预测的实用算法。所提方法基于相似日的模式匹配原则,依照与待预测日模式的相似度的大小确定其间的分配系数权重,进而预测母线负荷。通过MATLAB对一实际电网进行仿真,结果证明了所提方法的精确性和实用性。     

使用改进混沌神经网络的母线负荷预测

针对母线负荷非线性、冲击性波动、有较多“毛刺”、含有较多坏数据等特点,提出一种基于小波变换和混沌神经网络的母线负荷预测方法。该方法通过消除坏数据和噪声对负荷混沌特性分析的影响,能有效提高母线负荷预测的精度。首先对历史数据进行改进的小波阈值去噪,然后对其进行混沌特性分析,重构相空间形成训练样本．最后采用改进的混沌学习算法对网络进行训练,通过对某省某地220kV母线负荷算例分析,显示该方法能显著提高母线负荷预测的精度。