电力短期负荷预测相似日选取算法

短期负荷预测是电力系统安全经济运行的基础,相似日选取的准确与否直接影响到短期负荷预测算法的精度。针对短期负荷预测的特点,提出一种能便于考虑各种因素影响的新算法。分析了气象、日类型等因素对负荷影响的常见规律,便于识别主导负荷变化的因素,建立了在短期负荷预测中选取相似日的新方法。理论和实例均表明,该方法适应性较强,能够通过历史数据分析从历史日中选取最合适的相似日,对提高短期负荷预测的精度具有较大价值。     

基于相似日和CNN-LSTM的短期负荷预测

为充分发掘历史信息,解决气象数据不足影响预测精度的问题,采用灰色关联分析(GRA)选取天气相似日和CNN-LSTM混合神经网络的方法来预测电力负荷。利用GRA计算每日各气象因素与日总负荷的灰色关联度,再计算各日与典型日的相同气象因素之间的欧氏距离,将各气象因素的欧氏距离分别乘以对应因素的关联度,并将同一天的结果累加,得到一个综合得分。选取待预测日之前分数最低的5天作为相似日,将相似日各时刻的负荷数据输入CNN-LSTM网络中,预测出待预测日的负荷,通过与其他模型对比,验证了该方法的有效性。     

基于最优交集相似日选取的短期母线负荷综合预测

准确的短期母线负荷预测是实现节能降耗与调度精细化管理的基础,提出一种基于最优相似日选取的综合预测方法。利用改进的聚类分析算法,得到历史标幺曲线的形状相似集与特征曲线。通过构造反映数据点性质的横向及纵向特征向量矩阵,辨识出坏数据并进行调整。计算日特征相关因素对负荷水平的影响,并将各因素的重要程度加权于模糊目标函数,得到目标日的负荷水平相似集。建立各类形状相似集的判别函数,并将目标日归类。对待预测日的负荷水平与曲线形状相似集,取两者的交集作为相似日选择结果。以该交集中与目标日日期差最小的样本为虚拟预测对象,计算综合预测中各算法的权重。实例分析表明,所提方法可有效改善原始数据的质量,提高母线负荷预测精度。     

微网用户短期负荷预测相似日选择算法

微网用户负荷基荷小、波动性和随机性大,增大了短期负荷预测难度。科学合理地选择相似日可以在一定程度上改善短期负荷预测的效果。分析了相似日选择的影响因素,针对微网用户负荷特点,提出了一种负荷点尺度上的相似日选取算法。该算法考虑了前几日气象因素的累积效应、短期负荷的连续性和周期性及时间距离的影响,其相似日评价函数计及了日特征相似和局部形相似,并引入时间因子,克服了传统人工经验选取相似日算法的主观性,使得选择的相似日更加客观合理。实例验证表明,该方法所选择的相似日用于微网用户短期预测时,可以提高预测精度,有一定的使用价值。     

基于改进灰色模型与综合气象因素的母线负荷预测

针对母线负荷与系统负荷的差异——母线负荷基数小、易受气象要素变化影响等,为了充分考虑气象要素、日类型、小电源等因素对母线负荷预测的影响,提出了一种利用指数加权法来处理原始数据的改进灰色模型。以预测日的日类型与综合气象要素为依据,将其模糊化为日特征向量,采用灰色关联度来选择最优相似日,作为改进灰色模型的原始序列进行预测,...     

证据理论在短期负荷预测相似日选择中的应用

合理选择预测相似日是提高综合负荷预测模型预测效果的有效途径。依据人工经验选相似日的传统方法并不具备最好的预测效果。选择相似日问题可以归结为一个判决问题,即选择与待预测日气象等因素最相似的一天。影响电力系统短期负荷的因素有很多,且常常难以定量表达,针对电力系统短期负荷预测中存在的不确定性问题,将证据理论应用于短期负荷预测中的相似日选择上来。用广西某地方电网的实际数据验证表明,将证据理论应用于相似日的选取,能较准确选择相似日从而提高了预测精度。     

基于影响因素的相似日智能选取方法研究

目前专门针对相似日选取的研究较少,大部分是结合负荷预测或光伏出力进行研究,而且研究时考虑的影响因素单一。针对此问题,首先利用大数据技术挖掘负荷和影响因素间的关系,确立重要程度大的影响因素,然后利用寻优求解计算影响因素的权重,并结合权重分配规则进行权重分配,最后建立相似日选取方案和选取模型,并与其他两种选取方法进行比较。经仿真算例验证,所设计方案可快速准确地选出相似日。     

基于多时段气象数据判断相似日的日负荷曲线预测研究

日负荷曲线预测是电力市场运营的基本内容。而短期负荷预测应用中较为成功的人工神经网络方法ANN(artific ial neural network),在很大程度上取决于训练样本以及输入变量的合理选取,它关系到算法的收敛性、计算速度以及预测的精度。通过对长春地区日负荷数据与日气象数据的基础分析,提出了选用多时段气象数据以及日类型作为相似日判别要素,并运用灰色关联理论,计算出预测日和诸多历史日的关联度,来确定ANN的训练样本,从而建立起适应性较强的日电量的预测模型。然后由日电量预测的结果,采用96点的波形系数     

基于多时段气象数据判断相似日的日负荷曲线预测研究

日负荷曲线预测是电力市场运营的基本内容.而短期负荷预测应用中较为成功的人工神经网络方法ANN( artificial neural network),在很大程度上取决于训练样本以及输入变量的合理选取,它关系到算法的收敛性、计算速度以及预测的精度.通过对长春地区日负荷数据与日气象数据的基础分析,提出了选用多时段气象数据以及日类型作为相似日判别要素,并运用灰色关联理论,计算出预测日和诸多历史日的关联度,来确定ANN的训练样本,从而建立起适应性较强的日电量的预测模型.然后由日电量预测的结果,采用96点的波形系数,求出日各点的负荷预报值,经滚动预测检验证明,该方法能较好地满足实际电力系统的负荷预测要求.     

证据理论在短期负荷预测相似日选择中的应用

合理选择预测相似日是提高综合负荷预测模型预测效果的有效途径.依据人工经验选相似日的传统方法并不具备最好的预测效果.选择相似日问题可以归结为一个判决问题,即选择与待预测日气象等因素最相似的一天.影响电力系统短期负荷的因素有很多,且常常难以定量表达,针对电力系统短期负荷预测中存在的不确定性问题,将证据理论应用于短期负荷预测中的相似日选择上来.用广西某地方电网的实际数据验证表明,将证据理论应用于相似日的选取,能较准确选择相似日从而提高了预测精度.     

基于孪生网络和长短时记忆网络结合的配电网短期负荷预测

保证数据驱动型配电网短期负荷预测精准的关键是选取合适的相似日数据集和构建合理的日负荷预测模型.文中研究了一种基于孪生网络(SN)和长短时记忆(LSTM)网络相结合的配电网短期负荷预测模型.基于配电网负荷相似日的影响因素具有多样化、强随机性的特点,利用SN两个输入权重共享的特点对历史负荷数据进行分析,进而对待测日的特征进行分类,以完成相似日数据选取.此外,利用灰狼优化算法全局搜索能力强、收敛速度快等特点,对基于LSTM网络的配电网短期负荷预测模型进行参数优化.最后,以某一个区域配电网的实际数据为例,验证上述预测方法的准确性与鲁棒性,与LSTM网络、基于粒子群优化的LSTM网络、支持向量机等方法对比可知,所提方法具有较高的准确度和计算效率.     

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。     

基于经验模态分解与特征相关分析的短期负荷预测方法

提出了一种基于经验模态分解与特征相关分析的短期负荷预测新方法。该方法从分解负荷序列入手,采用经验模态分解将原始负荷时间序列分解成不同频率的本征模函数(IMF)分量和残差分量,以弱化复杂影响因素环境下原始序列的波动性,获取更具规律性的分量。然后运用最小冗余度最大相关性标准(mRMR)技术分析各IMF分量和日类型、天气、电价等特征信息之间的相关性,获得最佳特征集。最后采用基于智能算法的最小二乘支持向量机(LSSVM)负荷预测模型对各经验模态分量进行预测,并将各分量预测结果叠加得到最终负荷预测值。以某电网实际数据进行算例分析,结果表明所提出的组合模型能够更准确地对外部因素敏感的短期负荷进行预测。     

基于数据挖掘技术和支持向量机的短期负荷预测

支持向量机方法已经非常成熟的应用在短期负荷预测领域,它在选取历史日期进行模型训练的时候通常选取距离预测日相近的一段日期,而没有考虑这段时间气象条件、星期类型、节假日造成的影响,使得所建立的模型并不能完全的反映预测日的特征。提出了基于一种基于数据挖掘技术的支持向量机负荷预测方法,该方法提出了预测模型样本选取的新颖思路,首先采用层次聚类法对历史日负荷进行聚类,利用层次聚类得到的分类结果建立决策树,根据待预测日的属性在决策树中查询得到支持向量机预测模型输入的历史负荷,建立支持向量机预测模型并对待预测日的负荷进行预测。实例中负荷数据采用浙江省某地级市的历史负荷,用新方法对该地区的日96点负荷进行预测,并将该算法与传统的支持向量机算法进行比较,文中提出的方法解决了传统的基于支持向量机方法训练日期选取不能反映待预测日特征的问题,故本算法结果具有较高预测精度。     

基于多时段综合相似日的光伏发电功率预测

由于历史数据和天气因素对光伏出力预测的影响较大,提出了一种日特征相似度与形状相似度相结合的方法,分时段地预测光伏发电功率。该方法首先采用欧式距离法对气象类型进行细分,然后在不同时间段中分别利用两种相似日选取算法选取历史相似日,再利用其对应时段的历史功率值及气象数据,采用BP神经网络对预测日相应时段的功率进行预测,结果表明该方法的预测精度有明显提高。     

基于分配因子和信息熵的母线负荷组合预测模型

负荷预测是指导电力系统规划和安全经济运行的重要依据。传统的负荷预测一般指区域负荷总量的预测,不能够体现底层母线负荷水平,无法满足电网精益化管理的要求。因此,母线负荷预测是解决这一问题的关键途径。然而,系统内母线数量庞大,负荷基数小,特性各异,波动性强,给母线负荷预测工作带来了困难。本文研究了母线负荷预测模型,根据实际电网情况提出了负荷分配因子的概念及预测思路;充分考虑历史数据的有效性,采用日特征量和趋势相似度综合选择相似日,并提出基于信息熵的变权重组合预测方法,提高各类型负荷预测精度;结合类型负荷预测结果和负荷分配因子,最终得到各条母线的预测结果。采用某区域电网负荷进行实例验证,结果表明,本文所建立的预测模型具有良好的预测精度和稳定度。     

计及相似日与气象因素的电动汽车充电负荷聚类预测

电动汽车充电负荷精准预测对于电网调度、电力市场交易、充电站规划建设等具有实际意义.由于电动汽车充电负荷特性异于传统的电力负荷,两者负荷的规律性及影响因素的敏感性各有不同,有必要针对电动汽车充电负荷影响因素及预测模型开展针对性研究.考虑到不同类型电动汽车充电负荷时间序列特性及影响因素存在差异,构建考虑日类型、最高与最低温...     

月前日负荷曲线的概率预测和随机场景模拟

针对现有中长期日负荷曲线预测方法大多为点预测,难以满足电力系统不确定性分析的不足,提出了一种基于因子分析和神经网络分位数回归的月前日负荷曲线概率预测和随机场景模拟方法。采用因子分析技术,在保留日内负荷时序相关性的前提下,对日负荷序列向量降维;提取出少数相互独立的负荷公共因子作为预测变量,以日气象因素、星期类型和前一日公共因子值为输入特征,建立计及相邻日负荷相关性的神经网络分位数回归概率预测模型;以此为基础,利用中期气象预报信息,逐日预测和模拟未来30日的负荷曲线,并生成未来月负荷曲线的随机模拟场景。实际算例结果验证了所提概率预测方法的准确性和高效性,其生成的日负荷曲线模拟场景更好地体现了负荷的时序相关性,能为调度人员提供更准确、全面的月前负荷预测信息。     

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。