非线性季节型电力负荷灰色组合预测研究

短期电力负荷同时具有增长性和季节被动性的二重趋势，这使得负荷的变化呈现出复杂的非线性组合特征。对于这种具有复杂的非线性组合特征的序列，使用某一种模型进行预测，结果往往不理想。为了提高短期电力负荷的预测精度，提出了具有季节型特点的电力负荷灰色组合预测模型。在此模型中，灰色模型处理非线性问题具有一定的优势，它可以很好地反映电力负荷的增长性特点。季节变动指数(SVI)用来拟合电力负荷的季节性趋势。最后对季节型灰色预测的残差建立时间序列的AR(p)模型。由于综合考虑了电力负荷的多种特征，此组合预测模型明显地提高了预测精度。     

灰色季节变动指数模型GSVI(1,1)在农村用电量预测中的应用

季度用电量同时具有增长性和季节波动性的二重趋势,这使得季度用电量的变化呈现出复杂的非线性组合特征。对于这种具有复杂的非线性组合特征的时间序列,直接应用GM(1,1)灰色模型往往精度不高。GM(1,1)灰色模型只能反映时间序列的总体变化趋势,不能很好地反映其季节性波动变化的具体特征。为了提高短期用电量的预测精度,提出了用电量预测的灰色季节变动指数模型——GSVI(1,1)模型。GSVI(1,1)模型是将灰色预测方法与季节变动指数有机结合起来,对复杂的不确定性问题进行求解所建立的模型。算例计算表明,与灰色预测方法相比,GSVI(1,1)模型具有更强的适应性和更高的预测精度,适用于农村用电量预测。     

基于神经网络的负荷组合预测模型研究

给出了电力系统负荷的变权系数组合预测模型,即基于神经网络的组合预测模型。该模型利用多种方法的预测结果与实际负荷数据的非线性关系,建立相应的神经网络模型。该网络为单输出的三层网络,其中输入层为各种预测方法的预测值,输出层为实际负荷值。文中用变动量因子和变学习率的BP算法对其训练,训练后的网络便具有预测能力。同时,文中对基于遗传算法的固定权系数组合预测模型进行了简要的介绍。对几个实际系统的年、月、时负荷预测表明,该模型具有很高的预测精度。     

具有二重趋势性的季节型电力负荷预测组合优化灰色神经网络模型

电力负荷预测是电力系统的一项重要工作，季节型电力负荷预测是一个难点，缺少相应的数量预测方法，对于具有增长和波动二重趋势性的季节型电力负荷，首先提出了季节型负荷预测的组合优化灰色神经网络模型，研究了同时考虑两种非线性趋势的复杂季节型负荷预测问题，说明了优化模型分别优于两种单一发展趋势负荷预测的模型。给出了电力负荷预测的应用实例，通过对河北电网季节最大负荷与销售电量的分析，建立了对应的组合优化灰色神经网络模型，与其它算法进行了比较，计算结果表明，该方法较大提高了季节型负荷预测的精度，为季节型电力负荷预测提供了一种新的，有效的方法，编制了季节型负荷预测的软件，此软件具有实用性和通用性。     

基于聚类与自适应划分的短期负荷预测

针对季节性划分不准确及气象条件动态变化对短期电力负荷预测造成的影响,提出一种基于负荷聚类与趋势自适应分段的电力负荷短期预测算法.算法首先对历史数据进行聚类以实现对负荷曲线的季节性划分,然后提取各季节负荷变化趋势并对负荷曲线自适应分段,最后通过改进ORELM模型实现各季节负荷的多分段建模与预测.实验结果表明,相比于支持向量回归及极限学习机等已有方法,文中算法取得更优的预测精度和对不同季节及气象条件的鲁棒性.     

综合最优灰色支持向量机模型在季节型电力负荷预测中的应用

季节型电力负荷同时具有增长性和波动性的二重趋势,使得负荷的变化呈现出复杂的非线性组合特征。对此,提出了一种综合最优灰色支持向量机预测模型,研究了同时考虑2种非线性趋势的复杂季节型负荷预测问题,说明了此优化模型分别优于2种单一负荷预测模型。在此基础上,对一般粒子群算法引入粒子速度自适应可调机制,并利用改进粒子群算法优化组合预测模型中的权值。对电力负荷预测应用实例的计算结果表明,该模型较大提高了季节型负荷预测的精度,具有较好的性能。     

成分分解方法预测月度电力负荷

为了提高月度负荷预测精度,提出了基于X-12-ARIMA季节调整模型的月度负荷预测方法。首先在季节调整前,消除原始负荷中离群值、工作日、闰年等效应的影响,然后对经季节调整后的趋势循环序列应用H-P滤波方法进行成分分解,再针对分解后得到的长期趋势、循环周期、季节因子、不规则成分序列的特点选择了适合的预测模型进行预测并得到最终结果。通过甘肃地区188个月的负荷数据进行检验,结果表明该预测方法是可靠有效的。     

广西电网短期负荷预测及其数学模型

介绍一种适合广西电网短期负荷预测的数学模型,对广西电网普通日负荷预测采用时间序列分析预测模型（每日24个点,整点采集）进行预测,对于非周期性变化,或周期性变化趋势不明显的年,月,日的最大负荷,最小负荷,周末,节假日整点负荷,采用灰色理论中的GM（1,1）模型和GM（1,1）改进模型来进行预测。在广西电网电力负荷预测应用中取得了较好的结果。     

广西电网短期负荷预测及其数学模型

介绍一种适合广西电网短期负荷预测的数学模型。对广西电网普通日负荷预测采用时间序列分析预测模型 (每日 2 4个点 ,整点采集 )进行预测 ;对于非周期性变化 ,或周期性变化趋势不明显的年、月、日的最大负荷、最小负荷 ,周末、节假日整点负荷 ,采用灰色理论中的 GM(1,1)模型和 GM(1,1)改进模型来进行预测。在广西电网电力负荷预测应用中取得了较好的结果     

应用电量误差修正的年负荷曲线预测方法

现有的年负荷曲线预测方法没有充分利用负荷与电量的关联性,预测误差较大。本文提出了一种应用电量误差修正的年负荷曲线预测方法以提高预测精度。首先对预测年8 760 h负荷进行估算,然后运用负反馈原理,以年电量预测值为基准,利用季度电量弹性系数分4个季度对累加电量(整点负荷相加得到的电量估计值)进行有差别修正;最后根据电量的修正比修正全年8 760 h负荷值,取其中365 d日最大负荷值编制年负荷曲线。用该方法对云南省2013年数据进行验算,结果表明该方法能有效提高预测精度。     

基于改进灰色GM模型的用电量预测方法研究

季度用电量同时具有增长性和季节波动性二重趋势,而灰色GM(1,1)预测模型只能反映用电量的总体变化趋势,不能很好反映其季节性波动变化的具体特征。提出灰色GM(1．1)用电最预测模型的改进模型——灰色季节变动指数模型GSI(1,1)模型,将灰色预测方法与季节指数有机结合起来。算例表明,与灰色预测方法相比,GSI(1,1)模型具有更强的适应性和更高的预测精度,适用于季节性用电量预测。     

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。     

基于大数据平台的点负荷近中期负荷预测及行业负荷增长特征分析

为保障电力部门对于台区内设备的维护,需要预测台区的负荷。因此供电部门就必须具备预测未来一年以至更长时间的台区负荷的能力,防止因负荷过载对变压器造成损坏,并保证城市的可靠供电。对台区负荷的预测难点在于对于城中村的预测,城中村流动人口多,产业类型复杂多样,受就业环境、经济发展的影响深,表现为负荷的变化相较于其他的台区随机性更强。鉴于此原因,我们以大数据平台为依托,进行单因素变量的预测,采用季节分解模型对历史用电负荷进行季节分解;然后分别用线性回归和自回归积分滑动平均模型(ARIMA)对季节分解出来的趋势和季节、残差成分进行预测,获得精度良好的负荷预测模型,最后选择两个特征鲜明的行业进行比较,分析其负荷增长特征。     

基于Census X12-SARIMA模型的中长期负荷预测

中长期区域负荷时间序列具有明显的循环性和季节周期性等非平稳特点,预测难度较大。尝试应用SARIMA模型处理具有季节周期性的非平稳负荷时间序列,同时应用Census X12季节调整方法将呈明显趋势循环性、季节周期性的区域负荷时间序列分解成具有实际经济含义的趋势循环要素、季节要素、不规则要素并进行中长期区域负荷的分析与预测。通过在苏州地区115个月的负荷实证检验,结果表明Census X12-SARIMA季节调整模型及方法在中长期区域负荷的预测中有效。     

季度周期模型在我国用电量预测中的应用研究

针对我国仍然存在的季节性缺电问题,根据电力季用电量的周期性变化特点,利用季节周期预测法构建了用电量的季度周期模型来预测未来的季度用电量.根据季节变化特征、电力供需状况、数据可得性等,选取我国2002年第1季度—2007年第4季度的季度用电量作为样本,建立我国用电量的季度周期模型.计算结果表明,预测效果较好.并利用2008年1季度—4季度的数据对季节周期模型进行自适应矫正,使得预测更灵活、精度更高.根据所构建的预测模型预测了我国2012—2014年的用电需求量     

基于HHT及改进Shapley值模型的非平稳负荷短期预测

随着需求侧用户终端的智能化水平的提高,短期负荷数据具有非平稳性的特点,单一的负荷预测模型和常规的组合预测模型忽略负荷数据的时序性特点,难以达到满意的预测准确度.针对此种情况,文章提出一种基于HHT和改进shapley值模型的短期负荷预测方法,通过HHT变换对非平稳负荷进行重构得到随机、周期、趋势分量;通过改进shapley值模型确定组合预测各个预测方法的权重分配,并分别应用于随机、周期、趋势分量的预测,将得到的各个预测分量进行叠加得到最终预测值.算例采用单一预测模型、未改进的Shapley组合预测模型和改进后Shapley值的组合预测模型三种方案对非平稳负荷进行短期预测,从模型精确度和稳定性两个角进行对比分析.结果 表明,文章提出的预测方法具有更高的精确度和稳定性.     

山东省中长期电力市场分析预测

分析了山东经济发展情况,电力需求和负荷特性,结合国内外宏观经济形势给出了山东经济发展预测结果;采用用电单耗法、分产业预测法、分地区预测法、回归模型预测、趋势外推预测方法预测了山东省全社会用电量,并对各种预测结果进行了分析校核;采用最大负荷利用小时数法、分地区预测法和趋势外推预测法对山东省全社会最大负荷进行预测,提出了2015年、2020年全社会用电量和全社会最高负荷预测推荐方案。预测结果为山东电网规划提供了可靠的基础数据支撑,为项目计划安排提供了重要依据,可进一步提高山东坚强智能电网的发展质量和效益。     

几种电力负荷预测方法及其比较

介绍了趋势分析法、回归分析法、指数平滑法、单耗法、灰色模型法、负荷密度法和弹性系数法等电力负荷预测的方法,并以预测珠海市全社会年用电量为实例,在适用条件、数据形式、计算难度和适用时间等方面对这几种预测方法进行了分析、比较、得出结论：回归分析法、趋势分析法适用于大样本,且过去、现在和未来发展模式均一致的预测,灰色模型法适用于贫信息条件下的预测;灰色系统理论采用生成数序列建模,回归分析法、趋势分析法采用原始数据建模,指数平滑法是通过对原始数据进行指数加权组合直接预测未来值的;回归分析法和趋势分析法的计算相对简单;单耗法、指数平滑法、灰色模型法较适宜近期预测,回归法、趋势分析法和改进型灰色模型较适于中、长期预测。     

电力月负荷的混沌趋势组合模型预测

针对电力月负荷同时具有趋势增长性和季节波动性,使负荷表现出复杂的非线性特征,从而提出了电力月负荷的混沌趋势组合模型。以四川省全省月负荷序列为例,把原始电力月负荷序列分解为趋势序列和剩余序列。通过计算剩余序列的混沌特征量,识别出剩余序列的混沌特性。在此基础上,利用混沌趋势组合模型对月负荷时间序列进行预测,实例结果表明,该方法对电力月负荷的预测是可行的。     

基于支持向量机回归组合模型的中长期降温负荷预测

提出基于支持向量机回归组合模型的中长期降温负荷预测方法。其中,支持向量机模型以多种社会经济数据为输入参数,年最大降温负荷值为输出参数。在训练过程中采用网格搜索法对支持向量机回归模型参数进行优化;回归分析中,综合采用线性、二次和三次多元回归的组合模型;最后利用最优组合预测方法将二者组合。采用广东省2008~2011年实际负荷数据和社会经济数据为训练样本,2012~2014年数据为测试样本,对支持向量机回归组合预测模型进行验证,同时也对2015和2020年最大降温负荷进行预测。结果表明,预测值与真实值的误差控制在5%以下,验证了该中长期降温负荷预测模型的有效性。目前该预测模型已在广东电网得到实际应用。