基于子集自回归模型的短期负荷预测

介绍了自回归时间序列模型的一种特殊形式--子集自回归模型及其辨识方法,并研究该模型在电力负荷短期预报中的应用.由于子集自回归模型的自激响应可形成伪极限环,因此可复现电力负荷短期变化的主要特征--季节性趋势.实例分析结果表明,该模型用于负荷短期预测时具有较高的预测精度.     

基于ARMA误差修正和自适应粒子群优化的SVM短期负荷预测

利用最小二乘支持向量机( LS-SVM)进行短期负荷预测的精度及其泛化性能很大程度上取决于其参数选择.对于支持向量机中的核参数和惩罚系数C采用基于适应度函数惯性权重自适应调整的粒子群优化算法进行选择.在对LS-SVM回归模型参数优化的基础上,建立自回归滑动平均(ARMA)误差预测模型来修正负荷预测结果从而提高预测精度.选择某地区夏季96点负荷数据作为训练样本和测试样本进行分析,并且选择SVM模型进行对比,实验结果表明,同标准的SVM回归模型相比,APSO-ARMA-SVM负荷预测模型能明显改善预测精度,能够推广到电价预测等其他预测领域.     

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。     

基于周期自回归模型的短期负荷预测

通常，周期自回归（ＰＡＲ）模型适于处理短周期时间序列。故进行电力系统短期负荷预测时，由于周期长度大，阶数高，待估计的参数剧增，难以实现。本文在一定的假设条件下，建立了短期负荷的周期自回归预测模型，提出了相应的算法，并编制了计算分析程序。对一实际系统的负荷预测表明，本文的模型和算法具有很高的预测速度和良好的预测精度。     

考虑负荷自适应检测和修复的鲁棒极限学习机短期负荷预测方法

针对现有负荷预测方法对于温度、湿度累积效应下的短期负荷预测精度低的不足,该文提出了一种基于时变Cook距离统计量的负荷异常值检测和基于非参数概率密度估计的负荷自适应修复的鲁棒极限学习机(extreme learning machine,ELM)短期负荷预测方法。首先将历史负荷数据按季节分组,根据每个季节实时负荷和对应的气象因素,利用递归最小二乘法获取历史负荷数据的自适应遗忘因子,构建基于遗忘因子的时变Cook距离统计量,检测负荷数据中的异常值(或强影响值);采用非参数概率密度估计,构建实时负荷与气象因素的随机模型对异常负荷值(或强影响值)进行修复。考虑电力负荷数据异常值对预测精度的影响,采用了一种鲁棒ELM算法对负荷数据进行回归分析;最后,引入基因遗传算法对负荷预测模型参数进行优化,提升负荷预测算法预测准确率;通过实例仿真分析,验证了该方法提高预测精度的有效性。     

基于ARMA误差修正和自适应粒子群优化的SVM短期负荷预测

利用最小二乘支持向量机（LS-SVM）进行短期负荷预测的精度及其泛化性能很大程度上取决于其参数选择。对于支持向量机中的核参数σ和惩罚系数C采用基于适应度函数惯性权重自适应调整的粒子群优化算法进行选择。在对LS-SVM回归模型参数优化的基础上,建立自回归滑动平均（ARMA）误差预测模型来修正负荷预测结果从而提高预测精度。选择某地区夏季96点负荷数据作为训练样本和测试样本进行分析,并且选择SVM模型进行对比。实验结果表明,同标准的SVM回归模型相比,APSO-ARMA-SVM负荷预测模型能明显改善预测精度,能够推广到电价预测等其他预测领域。     

电力负荷短期预报的子集门限自回归模型

介绍了门限自回归时间序列模型的一种特殊形式－－子集门限自回归模型,给出了模型门限集及回归项子集辨识的点值图法与逐步顺归法,并研究该模型在电力负荷短期预报中的应用。子集门限自回归模型可以复现电力负荷的主要特征－－季节性趋势,实例表明它应用于负荷短期预测具有较高的预测精度。     

基于非高斯分布GARCH模型的负荷预测

提出一种基于非高斯分布的广义自回归条件异方差(GARCH)模型的短期负荷预测方法.在论证自回归条件异方差(ARCH)效应存在性的基础上,将标准GARCH模型的正态条件分布假设推广为非高斯条件分布的形式(t分布、广义误差分布).用极大似然估计获得ARCH族各模型的参数估计,建立了非高斯分布假设GARCH模型(GARCH-t,GARCH-GED).比较了ARMA、标准GARCH、非高斯分布GARCH模型的预测能力,分析平均预测误差、最大预测误差能力等指标显示GARCH-GED模型表现最出色.算例表明,基于非高斯分布GARCH负荷预测模型是有效而可行的.     

基于粒子滤波器的大容量冲击负荷短期预测方法

应用基于α稳定分布的概率模型建立了新的电力系统短期负荷时变模型,充分利用了α稳定分布对大容量冲击性负荷良好的模拟特性。应用粒子滤波器对所建立的短期负荷模型的时变参数进行估计,然后利用估计所得的最新参数预测短期负荷。粒子滤波器突破了以往研究的各种滤波器必须建立在负荷模型是高斯分布的线性模型以及模型的参数必须是定常数的局限,可以研究非高斯非线性的时变系数系统模型。结合实际电网负荷数据的实验验证了所提出的方法对大容量冲击性负荷预测的有效性。     

基于不对称自回归条件异方差模型的短期负荷预测

研究了负荷时间序列的自回归条件异方差效应,提出了一种基于不对称自回归条件异方差模型的短期负荷预测方法。建立了广义误差分布假设下的不对称广义自回归条件异方差模型,借助模型的不对称参数,分析了不同冲击下的不对称机制,比较了各种广义自回归条件异方差模型的预测能力。其中,幂指数广义自回归条件异方差-广义误差分布模型的预测效果尤为突出。最后通过实际算例验证了上述方法的可行性和有效性。     

基于混沌理论的短期负荷局域多步预测法

分析了目前对短期负荷时间序列进行预测的加权一阶局域一步预测方法,针对其用于多步预测会产生累计误差并且计算量很大的缺点,提出了将加权一阶局域法多步预测模型用于短期负荷预测。在分析电力系统历史短期负荷时间序列混沌特性的基础上,通过将多步预测模型应用于负荷的预测,验证了该方法相对于一步预测法在计算速度和精度方面都有明显提高。     

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...     

基于改进Apriori关联分析及MFOLSTM算法的短期负荷预测

电力负荷预测结果的准确性对电力系统安全稳定运行具有重要意义。针对多气象因素影响下的短期负荷预测任务,提出改进Apriori关联度分析及飞蛾火焰优化的长短时记忆神经网络算法的电力负荷短期预测新方法。首先,提出改进Apriori算法分析气象因素与负荷之间的关联程度。依据分析结果除去非必要气象影响因素,并在此基础上引入人体舒适度评价指标。其次,将降维后气象数据结合地区负荷数据作为模型输入。最后,基于长短时记忆神经网络进行短期负荷预测建模,并结合飞蛾火焰优化算法的全局寻优能力来优化模型。通过对某地区负荷数据协同气象数据进行对比预测试验,测试结果表明该负荷预测模型能有效提升地区电网短期负荷预测性能。     

基于EMD和干预分析的电力系统短期负荷预测

电力系统短期负荷预测受到多方面因素的影响,变化规律复杂。在将经验模态分解法(empirical mode decomposition,EMD)引入电力负荷预测领域的基础上,结合干预分析理论,构建了基于干预分析理论和EMD分解相结合的短期负荷预测模型,先应用干预分析理论将气温敏感负荷从原始负荷序列中提取出来,再对消除了气温负荷后的净化负荷序列应用EMD进行分解预测,并将模型应用于我国华东某地区电网负荷预测。算例结果表明,与不经干预分析直接进行分解预测的结果相比,本模型预测误差明显降低。     

相空间重构和SVR耦合的短期电力负荷预测

电力系统的短期负荷预测精度对智能电网安全运行有着重要影响,其中预测精度和训练步数至关重要,目前当地气象因素逐渐成为负荷预测中的关注点。以某市短期电力负荷为研究对象,建立了考虑日特征相关因素的支持向量回归机短期电力负荷预测模型,随后对某市考虑气象及日期类型的电力负荷做出预测。研究表明:利用考虑实时气象因素的SVR预测模型对短期电力负荷进行预测精度较高;考虑气象及日期类型的预测误差比不考虑气象及日期的预测误差小;嵌入维数和时间延迟对负荷预测模型精度具有重要影响。     

基于气象成分分解的夏季短期负荷预测

夏季负荷受温度等气象因素影响大,表现出随机性强、波动性大的特点。针对现有短期负荷预测模型在夏季预测精度不高的问题,提出在负荷成分分解的同时,将温度分解为日周期分量和波动分量,以此准确把握短时气象波动对夏季短期负荷预测的影响。在充分分析负荷各分量变化趋势及对整体负荷预测精度影响的基础上,针对各个负荷分量特征分别选择预测方法。在预测气象敏感负荷分量时引入温度波动分量,基于XGBoost智能算法构建预测模型。选用我国中部某市夏季历史负荷建立训练样本,对2017年8月份日96点负荷进行预测,预测结果验证了所提模型和算法的有效性。     

基于TCN-LSTM和气象相似日集的电网短期负荷预测方法

为充分挖掘不同气象因素的相似日信息和输入特征蕴含的信息以提升负荷预测精度,提出一种基于时间卷积网络和长短期记忆网络组合（TCN-LSTM）和气象相似日集的电网短期负荷预测方法。首先通过Pearson系数和最大信息系数,选出与负荷强相关的气象因素;然后根据该气象因素,选取最佳相似日组成气象相似日集,以气象相似日集负荷、历史负荷、气象因素和时间因素作为预测模型的输入特征;最后,搭建TCN-LSTM预测模型,用TCN进行特征提取后,再用LSTM网络完成短期负荷预测。以中国某地区的实际历史数据进行仿真验证,结果表明所提预测方法可有效提升负荷预测精度。     

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。     

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。     

基于变分模态分解和复合变量选取的短期负荷预测

精准的短期负荷预测是实现电网精益化运行和管理重要保障,但存在短期负荷波动性强、负荷预测关键影响因素选取困难等精准预测难题。本文利用变分模态分解将原始电力负荷数据分解为多个子序列,挖掘短期负荷波动特征的同时避免模态混叠问题,提出复合变量选取算法分析筛选影响负荷波动的关键因素,有效去除预测干扰信息并进一步简化预测模型的复杂度,通过兼顾数据短期依赖和长期依赖的长短时记忆神经网络对各子序列进行预测,并将各子序列预测结果进行叠加实现最终的短期负荷预测,据此建立基于变分模态分解和复合变量选取的短期负荷预测方法。选取2019整年长沙市实际数据验证结果表明,本文提出算法在复杂外部影响因素下,能准确筛选负荷预测的关键影响因素,相比传统预测模型,提出模型结构更简单、预测精度更高。