基于相似日小波支持向量机的短期电力负荷预测

对受不确定性影响的短期电力负荷,本文给出一种基于小波支持向量机的预测方法.采用小波变换将日负荷数据分解到不同尺度上,利用各相似日低频部分的最大最小负荷构造相似系数,通过支持向量机预测一天中最大和最小负荷,结合相似系数得到预测日低频部分各时刻的预测值;对于高频部分采用各时刻均方加权的方法预测负荷值,把各部分的负荷值叠加得到完整的负荷预测值.用山东某电力公司的数据进行数据仿真,取得了较好的预测效果.     

基于相似日的线性外推短期负荷预测

综合利用了用于超短期负荷预报的线性外推原理和基于相似日的短期负荷预测方法,相似日的选取采用了严格的差异度量方法,使得所取的相似日与预测日负荷最可能相似;线性外推法也弥补了相似日法固有的缺点,有效地提高了负荷预测的精度,本文方法对于天气异常变化时的负荷预报具有很强的适应性,实际应用表明本文所用方法效果良好。     

基于相似日的线性外推短期负荷预测

综合利用了用于超短期负荷预报的线性外推原理和基于相似日的短期负荷预测方法,相似日的选取采用了严格的差异度量方法,使得所取的相似日与预测日负荷最可能相似;线性外推法也弥补了相似日法固有的缺点,有效地提高了负荷预测的精度,本文方法对于天气异常变化时的负荷预报具有很强的适应性,实际应用表明本文所用方法效果良好.     

基于相似日的神经网络短期负荷预测方法

人工神经网络是模仿人脑神经元结构，特性和大脑认知功能而构成的新型信号，信息处理系统。本文针对电力负荷短期预测问题，提出了一种基于相似日的神经网络预测方法，采用反向传播算法，考虑气象因素对负荷的影响，提高了学习效能，具有较好的预测精度。本方法很适合在短期负荷预测中使用，预测结果验证了上述结论。     

基于相似日负荷修正的台风期间短期负荷预测

在台风期间现有的负荷预测方法的预测精度一般不高.在此背景下,以广东地区为例,首先分析了气象因子与系统负荷之间的相关性,从总负荷中分解出趋势分量、周期分量和气象敏感分量,在此基础上提出了基于相似日气象负荷修正的适用于台风期间的短期负荷预测方法.同时,为克服台风日样本较少所导致的预测困难,将近期及往年同期气象因素相似的历史日扩充到相似日样本中,并引入趋势相似度因子、气象相似度因子和时间相似度因子来评估历史日的相似性.用广东电力系统的实际数据做了测试,预测结果表明采用所发展的修正模型时台风日的负荷预测精度较现有方法有了较大提高.     

基于改进的PSO-SVM的短期电力负荷预测

提出一种基于PSO-SVM电力负荷短期预测方法,在SVM学习过程中引入粒子群算法。通过选取组合核函数来改进SVM算法,这样可以充分保证计算速度和较高的预测精度。利用吉林地区的历史负荷数据作为训练样本,通过与传统的SVM预测模型进行对比,对预测结果与实际数据进行比较,证明基于组合核函数预测方法在一定程度上能够保证短期负荷预测的精度。     

基于改进相似日的超短期负荷预测法

在充分掌握上海电网负荷特性之后,针对上海市调AGC控制要求,提出一种基于改进相似日的超短期负荷预测方法.该法利用相似日的每两点负荷变化值相似,依概率预测未来负荷变化趋势,能准确计算未来5 min负荷值.通过算例结果分析可知,该法预测误差较好,具有较强的适应性.     

基于相似日负荷修正的节假日短期负荷预测

针对短期负荷预测中节假日的特殊性,提出基于相似日负荷修正的算法.为了克服节假日样本较少所导致的预测困难,将近期周末扩充到相似日样本中.该算法评估相似性时综合考虑气象和时间因素.针对气象因素,采用灰色关联分析法来计算,而对于时间因素,兼顾到\"近大远小\"和\"周期性\"的原则,并以二者相似度的乘积量化总体相似性,选出若干相似日.考虑到类型日和年周期对负荷的影响,基于\"历年节假日与周末负荷比例\"和\"负荷年增长率\"分别修正相似周末和相似节假日的负荷.该算法应用到某地级市的预测中,平均相对误差为2.29%.     

基于相似日负荷修正的节假日短期负荷预测

针对短期负荷预测中节假日的特殊性,提出基于相似日负荷修正的算法。为了克服节假日样本较少所导致的预测困难,将近期周末扩充到相似日样本中。该算法评估相似性时综合考虑气象和时间因素。针对气象因素,采用灰色关联分析法来计算,而对于时间因素,兼顾到“近大远小”和“周期性”的原则,并以二者相似度的乘积量化总体相似性,选出若干相似日。考虑到类型日和年周期对负荷的影响,基于“历年节假日与周末负荷比例”和“负荷年增长率”分别修正相似周末和相似节假日的负荷。该算法应用到某地级市的预测中,平均相对误差为2.29%。     

基于相似日和LS-S VM的微网短期负荷预测

为提高微网短期负荷预测的效率和精度,针对微网负荷基数小,波动性和随机性大,历史数据相对短缺的特点,在负荷点空间尺度上,提出一种基于相似日和LS-SVM微网短期负荷预测方法。该方法在预测空间尺度和样本选择上有别于大电网,充分考虑气象因素的累积效应、短期负荷的连续性和周期性以及时间距离的“饱和效应”,形成一种新的相似日评价函数来选取训练样本,并结合短期负荷预测的特点形成LS-SVM的输入量,然后将训练好的模型用于预测。算例表明,该方法有效可行,精度较高,且比较实用。     

基于相似日和多集成组合的短期负荷预测

针对短期电力负荷预测精度低、泛化能力弱等问题,提出了一种基于相似日选取与多集成组合的短期电力负荷预测模型.首先利用最大信息准则MIC(maximal information coefficient)选取高相关变量作为模型输入;然后综合考虑MIC与灰色关联度,对气象敏感性较弱地区的负荷进行相似日选取;最后引入集成随机子空...     

考虑人体舒适度的扩展短期负荷预测新方法

扩展短期负荷预测源于滚动发电计划的制定,在原计划与实际负荷发生较大偏离(大于3%)时,精确的扩展短期负荷预测有利于制定科学合理的滚动发电计划.运用多种人体舒适度选取相似日是以负荷求导法的思想,综合分析天气因素对用电负荷的影响,提出了考虑多种人体舒适度的相似日的扩展短期负荷预测方法.研究结果表明,该方法在保证运算速度的同...     

基于最小二乘支持向量机的短期负荷预测

提出了结合粗糙集(rough sets,RS)理论和遗传算法(genetic algorithm,GA)的最小二乘支持向量机(least squares support vector machines,LS-SVM)短期负荷预测模型和算法。由于影响负荷预测精度的因素众多, 该模型采用RS理论进行历史数据的预处理,对各条件属性进行约简分析。属性约简采用GA进行寻优,以确定与负荷密切相关的因素,作为LS-SVM的有效输入变量。在预测过程中,通过GA对LS-SVM的模型参数进行自适应寻优,从而提高负荷预测精度,避免LS-SVM对经验的依赖以及预测过程中对模型参数的盲目选择。采用上述方法对山东电网负荷进行了预测分析,结果证明了该方法的有效性。     

基于广义学习矢量量化和支持向量机的混合短期负荷预测方法

提出了一种基于广义学习矢量量化的负荷特征聚类方法,既考虑了专家经验的指导,同时兼备人工神经网络强大的非线性处理能力。归纳提取的负荷、气象综合指数更能反映日负荷的基本特征,同时减少了网络输入层的维数。实际预测结果表明,综合了广义学习矢量量化和支持向量机的混合短期负荷预测方法无论是在聚类准确度方面,还是在预测准确度方面,与单纯的支持向量机算法和自组织特征映射与支持向量机的混合算法相比,均具有明显的优势。     

基于支持向量机的中长期日负荷曲线预测

提出了一种预测中长期日负荷曲线的新方法,通过历史典型日负荷数据构造出典型日年度发展时间序列,运用支持向量机方法对预测日各时刻负荷值进行预测并得到了典型日负荷曲线。该方法不需要对日负荷特性、最大负荷及需电量进行预测,因此避免了可能的误差积累问题。以某电网为例对该方法进行了测试,结果表明其具有较高的预测精度。     

基于负荷特性分析的短期负荷预测相似日选择方法

从选择历史负荷数据的角度来看,各类短期负荷预测方法本质上都基于相似原理.科学合理地选择相似日是提高预测效果的有效途径.为了挖掘出负荷曲线形状与预测日最大可能相似的历史日,提出了在负荷特性分析的基础上确定日特征向量、采用模糊分类和改进灰色关联分析法进行选择的方法.预测时引入时间跨度系数以消除负荷水平差异的干扰.实际系统的应用效果验证了该方法的有效性和实用性.     

基于模糊神经网络的电力负荷短期预测

针对电力负荷的特点,综合考虑了温度及日期类型等因素对日最大负荷的影响,提出了一种采用模糊神经网络进行短期负荷预测的方法,并详细介绍了该方法的实现过程。通过对EUNITE(the European Network of Excellence on Intelligent Technologies for Smart Adaptive Systems)网络提供的实际数据进行详细分析确定了影响日最大负荷的相关因素,进而选择了合适的模糊输入以建立相应的模糊神经网络预测模型,并取得了较为理想的预测结果。算例分析结果充分证明了模糊神经网络在短期电力负荷预测方面具有较好的应用前景。     

基于负荷混沌特性和最小二乘支持向量机的短期负荷预测

以负荷时间序列的混沌特性为基础,结合混沌时间序列的相空间重构理论和支持向量机的回归理论建立了一种基于负荷混沌特性和最小二乘支持向量机的短期负荷预测模型。首先将原始负荷数据进行相空间重构,形成相点序列,然后选择与当前相点最邻近的相点作为此负荷预测模型的训练样本,经过训练寻求决策函数后就可以求出包含预测点的相点,最后还原此相点得出预测值。通过与BP神经网络的预测结果进行比较,证明了该模型在短期负荷预测中的有效性。