基于相似性识别的短期负荷动态预测方法

统调日负荷的精确预测对电力充裕性保障、电力系统规划有重要指导作用。相似性识别是数据挖掘技术的重要部分,基于相似性识别原理,提出一种短期负荷预测的新方法。首先对原始数据进行属性和重复记录清洗,清洗后得到实验数据;其次在考虑数据大小相似性的同时,引入了数据趋势相似性度量。基于2种度量从历史序列中识别出与查询序列信息高度重合的序列,建立备选相似序列集;考虑时间间隔与季节因素,从备选相似序列集中选取历史最相似序列,最终实现日负荷预测;随着新信息的进入,实现高峰负荷动态预测。利用该方法对重庆统调日负荷进行模拟预测,并与BP神经网络和支持向量机方法进行对比,证明了所提方法的可行性与有效性。     

一种基于HMF的火电机组短期负荷预测方法

以某1 000 MW机组为研究对象,通过对机组历史日负荷数据进行聚类分析,得到机组负荷的相似性特征。然后提出了一种适用于火电机组负荷预测的历史匹配预测算法(History matching and forecasting algorithm,HMF),HMF算法将预测时间点之前几个小时的负荷序列与同时段的历史负荷数据进行相似性匹配,利用最相似日的负荷变化趋势对未来负荷做出预测。算例测试表明:HMF算法未来3 h的负荷预测平均误差为4.412%,比传统的自回归滑动平均模型(Autoregressive moving average model,ARMA)具有更高的预测精度,且在变负荷过程中也能取得较好的预测效果。     

基于相空间分析的电力负荷序列预测算法

对电力负荷时间序列进行准确预测,避免电力负荷过载,传统方法采用线性时间序列预测算法,没有考虑电力负荷时间序列的自相似性和高斯性,导致预测精度不高。提出一种基于非线性时间序列分析和相空间重构的电力负荷序列预测算法。构建了电力负荷数据的非线性时间序列分析模型,采用相空间重构方法把电力负荷数据嵌入到高相空间中,在相空间中提取电力负荷时间序列的非线性特征,实现对电力负荷时间序列的准确预测,仿真结果表明,采用该方法进行电力负荷预测的精度较高,通过相空间分析能有效反应电力负荷数据的内部结构特征,提高预测性能和电力负荷数据的特征分析能力。     

基于FFT,DC-HC及LSTM的短期负荷预测方法

针对电力负荷序列非线性、随机性等特点引起的电力负荷预测精度低问题,提出一种基于快速傅里叶变换(FFT)、密度层次聚类算法(DC-HC)与长短时记忆(LSTM)神经网络相结合的短期负荷预测方法.首先,采用FFT计算出所有原始电力负荷序列对应的期望频率,并以之作为负荷聚类的特征量.然后采用DC-HC算法对负荷进行聚类,将原...     

混沌粒子群优化算法在短期负荷预测中的应用

针对短期负荷预测受气象因素影响大、传统参数辨识方法易陷入局部最优导致预测精度不高,采用外源自回归动平均(ARMAX)时间序列模型和混沌惯性权值粒子群优化算法进行模型识别.算例表明,该算法在短期负荷预测中预测精度较高,可供类似工程借鉴.     

基于EEMD-IWOA-TCN的电网短期负荷预测

为提高较少输入特征下对电网负荷的预测精度,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)、改进鲸鱼优化算法(improvewhaleoptimizationalgorithm,IWOA)和时域卷积网络(temporal convolutional network,TCN)相结合的电网负荷预测方法。首先,使用EEMD对原始序列进行分解,得到具有较高细粒度的负荷分量序列;其次,采取相关性分析对分量进行融合,对融合后的分量序列分别建立TCN预测模型;然后,使用IWOA对TCN内部的超参数进行优化,提升模型训练速度和预测性能;最后,将各分量序列的预测值进行累计,输出最终负荷预测值。实证分析表明：所提方法具有较高的预测精度和良好的鲁棒性。     

非线性时间序列的RBF神经网络预测方法及其应用

将一种基于自动增加隐节点数目训练算法的径向基函数（RBF）神经用于非线性时间序列预测。这种方法成功地解决了BP网络的局部极小、隐节点数目的选择和过拟合问题,并用于热电厂热负荷预测。预测结果表明,用本方法进行热负荷预测得到了十分满意的结果。     

基于逆推理论改进模糊均生函数的短期负荷预测

为提高短期电力负荷预测精度,针对电力负荷序列的周期性、随机波动性等特点,提出一种基于逆推理论改进模糊均生函数的短期负荷预测模型。该模型先将模糊均生函数算法引入负荷预测领域,同时应用逆推理论改进模糊均生函数的构造过程,然后将其与最优子集回归算法相结合,建立短期负荷预测模型,最后使用该模型进行预测。以山东电网某市的负荷数据为例,对该模型进行了验证,并与实际负荷数据及传统均生函数模型的预测结果进行对比。结果表明,所提模型能有效提高短期负荷预测的精度,具有很好的实用性。     

基于改进粒子群算法的机组负荷优化分配

针对标准粒子群算法存在容易早熟收敛的问题,在分析机组负荷优化问题的基础上,提出了一种基于解约束机制、边界反弹规则、高斯分布序列和混沌序列的改进粒子群算法。算法采用解约束机制和边界反弹规则处理优化问题的约束条件,同时在粒子移动过程中引入了高斯分布序列和混沌序列,从而克服了算法过早收敛的缺陷,提高了算法的全局优化能力。实例计算结果表明,该算法具有稳定的全局优化能力,为机组负荷优化分配问题的求解提供了新的方法。     

LS-SVM在电力系统负荷预测中的应用

针对支持向量机(SVM)法预测电力负荷存在空间划分参数率定人为因素影响的缺陷,采用谱分析法进行周期分析,比较了二次函数趋势的年负荷序列与周期性月负荷序列,并采用最小二乘支持向量机(LS-SVMlabl.5)法预测负荷.实例结果表明,周期性的月负荷序列实测值与预测值拟合度较好,预测精度高、简捷、合理、实用.     

基于关联维指数分析的电力负荷预测算法

电力负荷表现为一组非线性时间序列,通过对电力负荷的准确预测,避免电力负荷过载和用电集中拥堵,保障电网稳定可靠运行。传统方法采用Lyapunove指数分岔预测算法,由于Lyapunove指数对电力负荷的初始状态特征的敏感性,导致负荷采样样本较少时预测效果不好。提出一种基于关联维指数分析的电力负荷预测算法,构建了电力负荷时间序列的信号模型,采用级联FIR滤波器实现对电力负荷数据信息流的抗干扰滤波处理,进行信号提纯,然后对电力负荷时域信号模型进行关联维特征提取,采用关联维特征在递归图中的指数分岔性实现对负荷时间序列走势的准确预测,实现电力负荷预测算法改进。仿真实验结果表明,采用该算法进行电力负荷预测具有较好的预测准确性,指向性较好,且具有较好的抗干扰能力,在电力管理和调度中具有较好的应用性。     

用于多小水电地区日发电负荷预测的新型组合预测法

探讨了小水电发电负荷时间序列的相关特性,描述了其与传统用电负荷时间序列的差异,并在此基础上提出了一种针对小水电日发电负荷预测的新型组合预测法.实例仿真证明,该方法能够较好地反映小水电负荷受降水影响的不确定性和在峰谷电价时段波动规律的差异性,对多小水电地区短期负荷预测具有实用价值和参考意义.     

一种新的风电场风速时间序列建模及 超短期预测方法

提出了一种新的风速时间序列建模方法。首先,将归一化后的历史风速时间序列分解为矢量集,按相似性度量原则提取相似性最高的多个矢量作为模型训练样本对的输入,再取相应矢量的下一时刻风速值作为训练样本对的输出,然后采用自适应模糊推理系统来对风速序列建模,再通过多步循环预测实现了风速的超短期预测。以上海地区某风场的实际风速数据为例,验证结果显示预测模型具备良好的精度。     

基于卷积神经网络的负荷预测

电力负荷预测对于保证大扰动下的系统稳定、优化智能电网中的能源分配具有重要意义。传统的预测模型主要基于时间序列分析,由于其不可忽略的预测误差,已经不能完全满足电力系统的实际需要。为提高预测精度,将时间序列数据分析转变为图像处理,并利用计算机图像领域广泛使用的深度学习方法进行电力负荷预测。卷积神经网络(convolution neural network, CNN)作为图像处理的有力工具,尽管已有学者将其用于时间序列数据处理,但仍是将数据作为序列矩阵处理,并未体现出CNN处理图像矩阵的优势。因此提出基于序列到图像转换的CNN(sequence to image convolutional neural network, STI-CNN),将负荷序列转换为负荷图像,使CNN可以更有效地提取相邻信息特征,充分考虑到各种外部影响因素,使用双分支深度网络模型对输入数据进行精确聚类,通过STI-CNN方法进行负荷预测。负荷预测实验结果表明,所提STI-CNN方法在不同的预测指标方面都有卓越的表现,所用预测时间更短,具有更高准确度。     

计及电动汽车渗透率的台区负荷预测研究

大量电动汽车接入给配网台区负荷带来了巨大的影响,为了更好地进行配电台区的负荷调度和扩容规划,研究计及电动汽车渗透率的台区负荷预测。首先对多源的负荷预测数据进行缺失、重复、异常预处理并对处理后的数据进行负荷聚类分析;然后分析电动汽车渗透率对台区负荷的影响并建立相应的负荷预测模型;接着建立基于ANFIS-RBF算法的台区负荷预测算法,并采用某地实际模型和数据进行台区负荷预测实例仿真,分析不同电动汽车渗透率下的台区负荷预测结果并验证本文所提算法的优越性。     

含分布式能源区域电网月最大净负荷概率预测

负荷预测在电网规划和运行中十分重要,大规模分布式能源接入电网参与能量交换,可使电网用户优化其用电模式,但造成区域电网月最大净负荷特性发生根本性改变,增加了月最大净负荷预测的不确定性。为此,结合BP神经网络算法与分位数回归模型,构建了区域电网月最大净负荷的非线性概率预测模型;并利用核密度估计算法计算得到了月最大净负荷概率预测分布曲线;最后,以上海某含分布式能源区域电网为例,验证了该方法的可行性与可靠性。结果表明,该方法可准确刻画月最大净负荷波动特性,为电网规划与负荷管理提供依据。     

基于支持向量机的某地区电网短期电力负荷预测

摘要： 负荷预测是电力系统安全经济运行的前提。随着电力系统的市场化和能源互联网的研究与发展,高质量的负荷预测显得愈发重要。分析了影响负荷预测的因素,对数据进行收集及挖掘,采用了基于支持向量机负荷预测算法对区域负荷进行短期预测,并进一步开展了针对城区的精细化负荷预测研究。结合某地区案例,对该算法进行验证,结果表明,该算法预测结果优越,相对误差率较小。     

基于人群搜索算法的电网短期用电负荷预测研究

针对传统预测方法缺少对未知变量的分析,导致预测效果较差的问题,提出了基于人群搜索算法的电网短期用电负荷预测研究。将电力系统负荷时间序列进行分解,获取负荷时间序列的高低频分量,并对电网短期用电负荷特性展开分析。借助人工智能研究成果,研究人群搜索算法原理,充分考虑电网短期用电负荷受到温度因素影响,选取输入变量,并以此构建人群搜索算法预测模型。通过设计预测流程以及对未知变量分析,实现对电网短期用电负荷预测。通过实验结果可知,采用该预测方法具有良好预测效果,为保障电网稳定运行提供依据。     

基于LSTM的配电网线路超短期负荷预测方法

提出一种基于LSTM时间序列数据的配电网线路超短期负荷预测方法,该方法包括使用LSTM建模进行全天负荷预测与周期滚动预测,再利用相似日数据对周期滚动预测结果进行修正,最后通过实际算例分析,验证了该方法可准确实现配电网线路超短期负荷预测。     

基于小波分解技术和随机森林算法的负荷概率预测

当前负荷概率预测受到越来越多研究人员的关注,其中多阶段预测系统已经证明了其在提高负荷概率预测整体性能方面的有效性.在使用分位数回归森林和随机森林建立概率预测之前,采用4种基于小波分解的方法预处理负荷时间序列,通过不同的模型对变换得到的负荷分量进行预测,以提高预测精度并减少计算工作量.以2014年全球能源预测竞赛期间公布...