考虑关键气象因素的时间卷积网络充电桩负荷预测

为解决电动汽车EV(electric vehicle)充电负荷易受气象因素影响产生“时移”的问题，提出一种考虑关键气象因素的时间卷积网络充电桩负荷预测方法。首先分析不同气象因素即气温、降雨、风速、降雪、相对湿度、日照总强度对EV充电负荷的影响，利用最大相关最小冗余准则提取关键气象因素。其次，为简化相似日选取步骤并保证分类准确性，引入孪生网络选取不同天气类别下充电负荷相似日。最后以关键气象因素和相似日历史负荷作为时间卷积网络的输入向量进行EV充电负荷预测。对比实验表明，考虑气象影响可有效提高负荷预测精度。     

京津唐电网电力日峰荷与气象指数的关联性分析

采用4个气象指数来量化温度、湿度和风速等气象因子对负荷的综合影响。首先通过小波去噪消除负荷和气象数据中的伪数据和噪声,然后采用灰色关联理论分析了负荷与各气象指数之间的关联关系,选择其中关联性最好的气象指数和负荷进行敏感度分析,并采用支持向量机算法对电力日峰荷进行预测。最后介绍了在此基础上开发的京津唐电网电力日峰荷与气象指数关联性分析系统所采用的关键技术。     

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。     

考虑气象信息的短期负荷预测

介绍了负荷预测和人工神经网络的相关知识。综合考虑了各个气象因素和综合气象指数对短期负荷预测的影响,设计了基于BP神经网络的短期负荷预测模型。利用人体舒适度和温湿指数进行预测,发现了理论预测和实际仿真的结果不同。研究发现由于风速的离散性和无规律性是导致误差的原因。以温湿指数作为输入,采用学习率可变的算法对杭州的负荷进行预测并进行了统计。     

考虑气象累积效应的IPSO-BP神经网络短期负荷预测算法

气象因素是短期负荷预测中的重要因素,考虑气象累积效应选取相似日作为训练样本,提出基于改进粒子群优化算法的BP神经网络负荷预测方法(IPSO-BP)。首先通过相关性分析得出与日负荷相关程度较大的气象因素;在此基础上,采用加权几何距离选取与待预测日关联度较大的历史日作为相似日,并对IPSO-BP神经网络模型进行训练和预测。实际应用结果表明,所提出的预测模型和数据处理方法能够得到更加精确的预测结果。     

基于相似日与多模型融合的短期负荷预测

为提高负荷预测精度，以相似日思想为基础，构建了一种基于相似日与多模型融合的短期负荷预测框架。首先，通过Pearson相关系数确定负荷的气象影响因素，并结合气象因素及负荷日期类型进行相似日选取，构造历史数据集；其次，采用互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)技术将历史数据集分解为不同频率下的固有模态函数(intrinsic mode function,IMF)分量；然后，采用长短期时序网络(long short term time-series network,LSTNet)及极限学习机(extreme learning machine,ELM)模型分别对高频及低频IMF分量进行预测，经过结果的融合得到最终的负荷预测结果；最后，经过实际电力负荷验证，所提出模型具有较高的负荷预测精度。     

基于相似日和IGA-BP的光伏发电功率预测方法研究

准确预测光伏发电功率有利于并网后电网调度管理,现阶段光伏发电功率预测存在精度较低和对不同天气类型的适应性弱的问题.探索了一种相似日与免疫遗传神经网络(IGA-BP)结合的预测方法:基于天气类型、温度及风速,结合灰色关联度和余弦相似度指标构建气象相似日判别模型;以相似日气象特征向量为输入,建立IGA-BP功率预测模型.利...     

基于日特征量相似日的PSO-SVM短期负荷预测

通过引入人体舒适度指数,综合分析了气象因素对电力负荷的影响,并加入星期类型、日天气类型、日期差3个主要影响因素,构成了日特征向量,采用求取相似度的方法来选取相似日,利用相似日的日特征向量和负荷数据来建立PSO-SVM预测模型。经2001年EUNITE负荷预测竞赛的数据预测分析表明,该方法适应性较强,能够选取较合适的相似日,有较高的预测精度和推广能力。     

基于虚拟相似日与DA-LSTPNet的地区电网短期负荷预测

针对短期负荷预测精细化的需求,提出一种基于虚拟相似日与双阶段注意力机制的长短期时序神经网络(DA-LSTPNet)的地区级短期负荷预测方法.为获得与负荷相匹配的细粒度实时气象数据,首先基于粗粒度的气象数据,利用灰色关联度和关联度加权法获取含细粒度气象数据的气象虚拟相似日.然后,采用最大信息系数(MIC)对气象特征信息与负荷进行非线性关联性分析,构建MIC加权下的负荷虚拟相似日选取算法,解决选取历史日作为传统负荷相似日而导致的过分局部相似乃至非相似的问题.最后,针对过往预测模型缺乏考虑特征因素与局部负荷细粒度变化之间联系特性的问题,构建能够有效挖掘负荷特征数据长期宏观以及短期局部变化特性的DA-LSTPNet进行日前短期负荷预测.以中国南方某地区电网实际负荷数据为例,采用多种形式的仿真验证了所提预测方法具有更高的预测精度和普适性.     

基于双重相似机制的台风期间电力负荷预测方法研究

为提升台风期间电力负荷预测精度,提出基于相似周期与相似日特征的双重相似预测方法,将各类台风天气依据其对负荷产生的影响程度分为无特殊影响台风、影响性台风与破坏性台风,并阐述各类台风特点与预测思路.对于台风期间短期电力负荷预测,采用寻找相似性的方法,从气象变化的相似周期以及综合考虑气象、日期距离、星期类型、季节类型以及台风...