基于优化决策树的短期电力负荷预测算法

考虑非负荷因素对短期负荷预测的影响,提出了基于优化决策树的短期负荷预测新方法。该方法先对样本数据进行预处理,利用粗糙集理论对决策树的测试属性约简;然后针对决策树ID3算法的缺陷,改进测试属性选择的方法,提出优化算法M ID3。通过2次优化建立的决策树短期负荷预测模型,在有更好的分类准确率的前提下具有较小的规模。结果表明,该方法可提高短期负荷预测的精度,具有一定的实用性和优势。     

短期负荷预测的解耦决策树新算法

短期负荷预测是电力系统调度的重要工作之一,但影响因素众多,完全由算法形成决策树易误判.为提高精度,结合决策树和解耦法将负荷预测分解为标幺曲线和平均负荷预测,根据不同预测条件分别对预测日的标幺曲线和平均负荷形成决策树,决策树前两层由实际经验指定,其余节点自动形成.充分考虑影响负荷的不同因素,越重要的影响因素越靠近决策树上层,能适应各种情况下的负荷预测.在我国北方某市的实际应用表明,该法预测精度较高.     

基于决策树的外推算法在福建电网短期负荷预测中的应用

提出了一种将决策树技术同外推算法相接合的短期负荷预测算法。采取“分而治之“的策略:用决策树技术处理负荷中的温度分量,外推预测算法预测除去温度分量之后的负荷分量,最后叠加这两种分量,得到预测结果。这种算法运用于福建省调日调度计划的编制,预测精度较高。     

决策树在短期电力负荷预测中的应用

提出用C45决策树方法解决负荷预测的样本多样性问题。并进行短期负荷预测。通过计算信息增益找出决策树的最佳生成方案,对连续属性计算其熵值找出最佳分段点进行离散化,阐述了规则的生成及其在短期电力负荷预测中的应用方法,算例结果表明,计算精度较高。     

基于决策树和逐步回归的气温对负荷影响的定量分析法

气象状况尤其是气温是对短期负荷预测精度影响最大的因素。文章提出了一种采用决策树和逐步回归技术对气温和用电负荷之间的关系进行定量分析的方法,并对上海地区气温与负荷之间关系进行分析。该方法首先从原始负荷数据序列中提取受气象因素影响的负荷分量;然后对气温影响负荷的滞后性进行了分析并得出了在上海地区气温对负荷影响的滞后性一般不超过12h的结论;在此基础上运用决策树和逐步回归技术进一步给出了气温对负荷影响的定量分析结果。根据定量分析结果所设计的实际短期负荷预测方法进行负荷预测实践,结果表明该分析结果能够有效反映不同气象条件下气温变化对负荷的影响。     

Hadoop架构下基于模式匹配的短期电力负荷预测方法

大数据处理技术充分利用海量动态数据,能有效提升电力负荷预测精度及计算效率。采用Hadoop架构提出了一种基于模式匹配的短期电力负荷预测方法,通过度量日负荷序列相似性挖掘得出典型日负荷模式,辨识出关键影响因素构建基于并行随机森林的决策树群从而建立模式匹配规则,实现待测日负荷模式的快速准确匹配;在典型负荷模式下建立多时刻点预测模型,采用Map Reduce计算框架进行负荷计算与预测分析,从而建立大量样本下的负荷预测模型。以某地市电网全年负荷数据为例进行负荷预测分析,并通过平均误差和方均根误差等指标对比局部加权线性回归(LWLR)算法的预测效果。仿真结果表明该方法用于短期负荷预测时具有更高的预测准确性和计算效率。     

短期尖峰负荷多信息融合的神经网络预测方法

为了降低负荷数据的复杂度、提高预测精度,提出一种短期尖峰负荷多信息融合的神经网络模型。选取皮尔逊相关系数分析假日、温度、湿度等信息之间的密切程度,将关键气象信息融合进模型中,优化负荷的输入参数,重构神经网络模型的新数据集,并防止神经网络的过拟合,提高短期尖峰负荷预测精度。算例仿真分析表明,所提方法与未考虑多信息融合的单一增强型决策树模型和神经网络模型相比,更能有效地提高短期尖峰负荷预测准确率。     

基于改进SLIQ算法及多粒度气象信息匹配的短期负荷预测

短期负荷预测容易受到气象等多种因素共同作用的影响,找到关键影响因素是提高短期负荷预测精度的必要手段。电力系统海量数据包含了巨量的运行信息,为挖掘有用信息,提高数据利用效率,提出了一种基于改进SLIQ算法及多粒度气象信息匹配的短期负荷预测方法。采用改进的SLIQ决策树算法对气象负荷信息进行聚类,提取同等气象条件下决定负荷波动的关键因素。由动态灵敏度方法建立短期负荷拐点预测模型,再由熵权法选择最佳预测参考日并预测曲线拐点,并在此基础上提出多粒度气象信息匹配算法进行负荷曲线预测。通过对我国南方某地区的多季节负荷进行仿真预测,计算结果表明在任意气象条件下曲线预测精度均能满足电网要求,证明了所提方法的正确性及普适性。     

基于迭代决策树(GBDT)短期负荷预测研究

迭代决策树(GBDT)属于机器学习算法的一种,由多颗决策树组成,所有树的结论累加起来作为最终答案。该算法表达能力强,可用于大部分回归问题。本文以贵州省遵义市某县负荷及天气数据为基础,结合GBDT算法,对该地区未来8天的日最大负荷进行预测。同时与随机森林和支持向量机两种算法的预测结果对比,结果证明GBDT算法对于短期负荷预测有较好的效果。     

基于RBF神经网络的短期负荷预测

电力系统短期负荷预测是电力部门的重要工作之一.在短期负荷预测中,电力负荷变化受多方面因素的影响,负荷曲线呈现出强烈的非线性.正确认识和分析负荷影响因素对负荷的影响一直是短期负荷预测的关键问题.采用径向基函数神经网络进行电力系统短期负荷预测可获得更高的预测精度.文中研究了电力市场下基于径向基神经网络的短期负荷预测建模及其仿真.     

突变期电力负荷预测方法及其应用

为提高天气突变期电力负荷预测的精确度,分析了气象敏感因素对突变期电力负荷的影响,提出了负荷-天气突变修正策略,结合数据挖掘模型,并利用组合预测方法相对于单一预测模型的优势,设计了一种基于组合预测的突变期电力负荷预测方法.统计结果表明该方法显著提高了突变期的负荷预测精确度,对安徽电网电力总负荷的预测结果证明了该方法的有效性和优越性.     

电力系统短期负荷预测的模糊神经网络方法

针对电力系统短期负荷预测问题 ,考虑气象因素对负荷的影响 ,提出了一种模糊神经网络的短期负荷预测方法 ,首先根据评价函数选取相似日学习样本 ,然后利用隶属函数对影响负荷的特征因素向量的分量进行模糊处理 ,采用反向传播算法 ,对 2 4点每点建立一个预测模型 ,提高了学习效能。本方法适合在短期负荷预测中使用 ,具有较好的预测精度。     

小波分析方法在电力系统短期负荷预测中的应用

本文将对目前基于小波分析方法的电力系统短期负荷预测的一些理论与存在的问题进行初步的探讨，提出使用小波分析对基于不同频段的负荷进行分类，然后对分类后的不同频段的负荷使用人工神经网络进行训练预测的一种改进负荷预测方法，并尝试提出小波理论在短期负荷预测方向应用的建议。     

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。     

基于混沌理论的短期负荷局域多步预测法

分析了目前对短期负荷时间序列进行预测的加权一阶局域一步预测方法,针对其用于多步预测会产生累计误差并且计算量很大的缺点,提出了将加权一阶局域法多步预测模型用于短期负荷预测。在分析电力系统历史短期负荷时间序列混沌特性的基础上,通过将多步预测模型应用于负荷的预测,验证了该方法相对于一步预测法在计算速度和精度方面都有明显提高。     

基于气象成分分解的夏季短期负荷预测

夏季负荷受温度等气象因素影响大,表现出随机性强、波动性大的特点。针对现有短期负荷预测模型在夏季预测精度不高的问题,提出在负荷成分分解的同时,将温度分解为日周期分量和波动分量,以此准确把握短时气象波动对夏季短期负荷预测的影响。在充分分析负荷各分量变化趋势及对整体负荷预测精度影响的基础上,针对各个负荷分量特征分别选择预测方法。在预测气象敏感负荷分量时引入温度波动分量,基于XGBoost智能算法构建预测模型。选用我国中部某市夏季历史负荷建立训练样本,对2017年8月份日96点负荷进行预测,预测结果验证了所提模型和算法的有效性。     

基于负荷特性聚类及Elastic Net分析的短期负荷预测方法

提出了一种基于负荷特性聚类及Elastic Net分析的短期负荷预测方法。通过对历史负荷特性进行分析和聚类,对全年日进行分类并指定日类型,避免日类型选择过于宽泛且缺乏针对性。同时采用Elastic Net方法对影响负荷预测的主导因素进行辨识和筛选。最后,在以上预测输入变量优化的基础上,建立神经网络预测模型。以广东省某市实际负荷为例,通过与其他方法对比,验证了所提方法在提高日负荷曲线预测精度方面的有效性。算例结果表明,所提模型适用期较长,无须反复训练,对短期负荷预测有较强的应用价值。     

基于负荷特性聚类及Elastic Net分析的短期负荷预测方法

提出了一种基于负荷特性聚类及Elastic Net分析的短期负荷预测方法。通过对历史负荷特性进行分析和聚类,对全年日进行分类并指定日类型,避免日类型选择过于宽泛且缺乏针对性。同时采用Elastic Net方法对影响负荷预测的主导因素进行辨识和筛选。最后,在以上预测输入变量优化的基础上,建立神经网络预测模型。以广东省某市实际负荷为例,通过与其他方法对比,验证了所提方法在提高日负荷曲线预测精度方面的有效性。算例结果表明,所提模型适用期较长,无须反复训练,对短期负荷预测有较强的应用价值。     

短期负荷预测中的负荷求导法及天气因素的使用

为了将超短期负荷预测中具有高准确率和高可靠性的负荷求导法移植到短期负荷预测中,从采用差分运算、降低直接预测的数值,以及充分使用负荷“近大远小”、“相似日”性质等角度对其进行了分析。结果表明可以将负荷求导法用于短期负荷预测。将其与标准日负荷曲线取平均作为预测结果,示例表明日平均误差小于2%。若将最近15天左右预测值与实际负荷值之间的差值,再通过各敏感点负荷与平均气温等作回归分析,可以实现考虑天气的负荷求导法。     

基于机器学习的短期电力负荷预测方法研究

针对短期电力负荷数据具有明显周期性的特点,将基于机器学习引入到短期电力负荷预测领域,提出一种基于岭回归估计的RBF神经网络短期电力负荷预测方法,该方法利用机器学习算法RBF在非线性拟合方面的优势,结合岭回归对RBF神经网络输出层权值进行参数估计,有效消除输入多重共线性问题,采用广义交叉验证法对构建的模型进行评估,寻找最优岭参数,提高了电力负荷预测精度。通过实际负荷预测案例,与传统BP神经网络负荷预测方法进行比对,验证了提出的电力负荷预测方法较传统方法具有较好的稳定性和较高的预测精度,为电力负荷预测提供了新思路。