基于回声状态网络的电力负荷采样概率分布估计

针对长期电力负荷预测中存在的预测准确度不高的问题,提出基于回声状态网络的电力负荷采样概率分布估计预测方法。首先,对电力负荷时间序列预测的回声状态网络模型进行研究,在构建网络训练集和测试集的基础上,利用主成分分析方法实现数据维度降低,提高预测效率;其次,为提高预测准确度,采用分布估计算法对模型参数进行优化,同时为提高分布估计算法性能,基于Gibbs采样方式构建Markov链特征的概率条件分布模型,实现联合概率分布逐渐逼近;最后,通过在标准测试函数和法国电力负荷实测数据上的实验对比,验证所提算法有效性。     

基于广义自回归条件异方差模型的负荷预测新方法

广义自回归条件异方差(GARCH)模型具有描述时间序列波动性的能力.文中将GARCH模型应用于短期负荷预测研究.通过分析经典时间序列模型随机扰动分量,论证了自回归条件异方差(ARCH)效应的存在性,探讨了经典模型同方差假设不满足的问题.进一步建立了GARCH 模型,将时间序列的条件与方差纳入负荷预测模型,使用极大似然估计(MLE)获得模型参数估计.最后从实际预测效果的角度,将GARCH模型与经典模型进行了比较.实际算例结果表明该方法相比于经典模型有更贴近实际的理论假设和更强的预测能力.     

基于LSSVM和马尔可夫链的母线负荷短期预测

提出了一种母线负荷短期预测混合算法.采用最小二乘支持向量回归方法(LSSVM)进行短期母线负荷预测,并提出一种广义网格搜索算法对模型参数进行优化;由历史预测误差组成误差序列,将历史预测误差序列看作是一个符合马尔可夫过程的时间序列,采用马尔可夫链方法对未来的预测误差进行估计,采用误差估计结果对上一步LSSVM的预测结果进行修正,得出最终预测结果.经算例分析证明,所提方法能显著提高预测精度.     

基于贝叶斯神经网络的电网超载负荷预测模型优化

电网负荷具有非线性的特点,可预测性较差。提出一种基于神经网络的电网负荷超载预测模型,设计了一个由输入层、隐含层以及输出层构成的网络模型,采用该模型对电网负荷超载进行预测,并基于贝叶斯定理训练该预测模型,对预测过程中的超载负荷不确定因素进行全面分析,采用求极大似然估计和迭代算法得到预测模型的最优参数,然后将各步迭代求解得到的神经网络输入当作随机变量输入,最后依据塑造的最佳预测模型得到最优电网负荷超载的预测结果。实验结果说明,所设计模型的预测结果同实际更接近,避免了不确定性对电网负荷超载预测的干扰,具有较高的预测准确度。     

基于不同分布下GARCH-M族模型的短期用户负荷预测

电力负荷预测是电力系统研究的基础工作之一,而时间序列分析法是目前使用最广泛的预测方法。针对用户日度负荷时间序列存在的波动性及尖峰厚尾特征,文中提出利用均值广义自回归条件异方差(GARCH-M)族模型进行用户负荷预测。首先根据用户日度负荷时间序列的分布情况,利用拉格朗日乘数(LM)检验方法检验了负荷序列的自回归条件异方差(ARCH)效应;其次提出在高斯分布、t分布和广义误差分布(GED)3种不同分布下,根据波动补偿项的不同形式,建立GARCH-M族模型;最后结合损失函数进行预测分析,结果表明相比传统时间序列分析模型,在不同分布下的GARCH-M族模型提高了短期用户负荷预测准确度。     

基于灰色模型的等时段序列对电网的负荷预测

提出了一种电力系统中长期负荷预测的实用方法,即分等时段序列灰色预测法。将原始序列划分为几个等长的序列段,对每个估计参数作灰色预测,用预测出的估计参数预测电力负荷。利用预测方法预测进贤县2006～2009年的电力负荷,其预测精度在98%以上,残差控制在0.04以内。实例分析结果表明,该方法可作为中长期电力负荷预测的实用工具之一。     

基于集合卡尔曼滤波与相空间重构的负荷预测方法研究

提出一种基于集合卡尔曼滤波和相空间重构的组合模型来优化预测结果。对于负荷数据时间序列,首先使用延迟坐标嵌入方法对其进行相空间重构。基于局部平均法对下一时刻的负荷状态进行预测,其中最临近向量的数目采用循环迭代的方式选取,以获得对不同负荷序列的自适应性。根据无迹变换理论,对负荷预测值选取合适数量的Sigma点组成集合并使用集合卡尔曼滤波器进行数据同化,从而能够在容忍采样噪声的同时给出负荷的最优估计。以非侵入式量测方式获取河北保定市50个家庭用户的负荷数据作为训练集进行试验,给出了电热水器和空调负荷以及家庭总负荷的预测结果和误差分析。结果显示,与单纯基于相空间重构的预测结果进行比较,该组合模型具有更好的预测性能,且对分项电器负荷和家庭总负荷均具有较好的适应性。     

基于LSSVM和马尔可夫链的母线负荷短期预测

提出了一种母线负荷短期预测混合算法。采用最小二乘支持向量回归方法（LSSVM）进行短期母线负荷预测,并提出一种广义网格搜索算法对模型参数进行优化;由历史预测误差组成误差序列,将历史预测误差序列看作是一个符合马尔可夫过程的时间序列,采用马尔可夫链方法对未来的预测误差进行估计,采用误差估计结果对上一步LSSVM的预测结果进行修正,得出最终预测结果。经算例分析证明,所提方法能显著提高预测精度。     

基于自适应噪声完备经验模态分解?样本熵?长短期记忆神经网络和核密度估计的短期电力负荷区间预测

短期电力负荷具有较强的随机性和波动性,其预测的准确性对于提升供电可靠性、电力系统运行经济性至关重要。针对传统确定性预测不能反映未来负荷波动的弊端,基于“点预测+区间估计”的思路提出了一种短期负荷区间预测方法。首先基于自适应噪声完备经验模态分解方法将负荷序列分解为多个模态分量,并根据不同序列样本熵的计算结果将序列进行重构以降低运算量。在此基础上,针对每一个分量分别构建长短期记忆神经网络预测模型,得到未来负荷点预测值。基于此利用核密度估计方法对预测误差的分布进行估计,进而结合点预测结果实现未来短期负荷的区间预测。通过将此模型与其他模型进行对比,结果表明此模型能够实现更低的点预测误差,同时在区间预测中也表现出更好的综合性能。     

区间时间序列向量自回归模型在短期电力负荷预测中的应用

电力负荷数据通常随着时间的不同而呈现一定的波动性。针对电力负荷随着时间波动呈现出一个范围波动的特点,采用区间时间序列估计与向量自回归相结合的方法对短期电力负荷进行预测,预测结果拟合良好,提高了电网公司对电力负荷的预测精确度,为电网公司制定负荷预报曲线提供精准数据信息,为电网公司编制电力负荷计划提供理论支持和有效的方法。     

负荷预报中负荷规律性评价方法的研究

负荷预报是一个历久不衰的研究课题,以往的研究主要集中于预报方法,而缺乏对负荷自身变化规律的分析和评价。这不仅导致了难以公允地评价负荷预报方法,也使运行部门对负荷预报所提出的精度要求缺乏客观依据,该文阐述了评价负荷规律性的必要性,并建立了相应的评价方法,文中分析了负荷历史数据,负荷预报以及预报误差之间的关系,构建了一种基于统计分析的负荷规律性评价方法。在此基础上,建立了预估负荷预报误差极限的分析方法,运用所提出的方法对负荷变化的规律性进行评价,不仅可以客观地评价负荷预报方法的优劣,还可以根据不同负荷的规律性确定切实可行的负荷预报精度要求,文中给出的算例说明了方法的有效性。     

基于负荷内部特性和外部随机因素的短期负荷预测模型

根据电力系统负荷序列的混沌特性,提出将其划分为基本混沌负荷分量和外部随机因素负荷分量,依据不同的理论分别构造预测模型。前者通过混沌动力学机理和动态递归时延神经网络融合来构造模型;后者在依据日类型和气象特征进行数据挖掘聚类的基础上利用统计分析与智能识别融合来构造模型。大量的仿真计算证明了所提出的短期负荷预测模型能有效保证全年的预测精度及其稳定性,对夏季高温区和特殊类型日的预测精度有明显提高。     

短期负荷预测最大李亚普诺夫指数法的改进

现有采用最大李亚普诺夫指数法进行负荷预测的3种改进技术为:应用待预测点对应的时间窗口上的最大李亚普诺夫指数估计(变化的数值),可以获得更高的准确率;应用"气温-负荷"相关系数等,改进"取舍规则":应用多个"邻近矢量"预测增加抗噪声能力.以此构造的2类改进预测方法是:采用"变最大李亚普诺夫指数、改进的取舍规则以及多邻近矢量"预测法;采用"多邻近矢量对应的1步负荷加权"预测法.后者还可用于非混沌序列预测.数值计算还表明,将原始负荷按照素数间隔抽样,可以进一步提高预测准确率.     

短期负荷预测相空间重构法参数优选的数值测试与分析

采用混沌方法中相空间重构法的局部线性法进行短期负荷预测时,需要优选3个参数,即负荷记录序列的延时时间、嵌入相空间的维数以及选择邻近点时使用的距离。数值测试表明,按混沌理论优选的延时时间和嵌入相空间的维数一般不是负荷预测的最适合参数。这2个参数的取值和搭配对预测误差的影响最大,其次才是选择邻近点时使用的距离。这是由于负荷记录不是严格混沌的,而是以双周期为主。对测试结果的分析表明,优选的延时时间,在离线预测时可以选择使负荷记录中的双周期成分延时相轨迹出现最小重叠的延时时间;在线预测时是使负荷取样序列具有最小方差。此外,还确认采用负荷记录的“平衡点 混沌”拆分通常可以降低预测误差。     

基于EMD-QRF的用户负荷概率密度预测

考虑用户负荷时间序列基数小、波动性与随机性强、难以取得较高预测精度的特点,建立基于经验模式分解(Empirical Mode Decomposition, EMD)与分位数回归森林(Quantile Regression Forest, QRF)的用户负荷概率密度组合预测模型,以提高用户负荷预测精度。首先,采用EMD信号处理算法对用户负荷原始时间序列数据进行分解处理,计算各模态函数样本熵值并根据样本熵大小对模态函数进行重构。其次,对重构分量分别建立QRF用户负荷预测模型,叠加不同分量预测结果从而获得预测值的条件分布。最后,利用核密度估计输出任意时刻用户负荷概率密度预测结果。相对于确定性点预测方法,概率密度预测具有描述用户负荷未来可能的波动范围及不确定性等优势,且算例测试验证了模型的有效性。     

基于EMD和SVM的短期负荷预测

为了有效预测具有一定周期性和随机性的非平稳时间序列性的电力负荷,提高预测精度,提出了结合经验模式分解(EMD)和支持向量机(SVM)的短期负荷预测法。该法运用EMD将负荷序列分解成若干个不同频率的平稳分量,分解后的分量突出了原负荷的局部特征,能更明显的看出原负荷序列的周期项、随机项和趋势项;根据各个分量的变化规律,选择合适的SVM参数和核函数构造不同的支持向量机分别预测;由SVM对各分量的预测值组合得到最终预测值。仿真试验表明,此方法与单一的SVM预测法及BP神经网络预测法相比,具有较高的精度和较强的推广能力。     

基于可加性模糊系统的负荷时间序列预测

本文依据可加性模糊系统理论，提出了一种新的预测方法，利用聚类方法与有监督学习相结合的训练方法，提高了系统的函数逼近能力。仿真结果表明，系统学习速度快、预测精度高，在电力负荷时间序列预测中获得相当满意的结果。     

基于基因表达式程序设计及误差循环补偿的电力系统短期负荷预测

将基因表达式程序设计(gene expression programming, GEP)算法应用于电力系统短期负荷预测中,并提出误差循环补偿模型,得到了较高的预测精度。预测过程先对负荷样本进行常规和滤波处理,消除伪数据,然后运用基因表达式程序设计的灵活表达能力,把不同日、同一时刻的负荷序列作为样本,对未来时刻的负荷进行分时短期预测。得到预测模型后,计算其与样本数据的误差,再把误差值作为样本进行演化,并把误差模型补偿到原模型上,如果达不到预测要求,则循环计算模型误差进行演化,直到满足要求为止。结果表明基因表达式程序设计算法具有较高的效率,且误差循环补偿模型能够有效补偿演化过程中的误差。经比较,基于基因表达式程序设计及其误差循环补偿的预测模型比时间序列和遗传程序设计算法具有更好的预测效果。     

基于小波分析的月度负荷组合预测

针对电力系统月负荷数据同时具有趋势增长性和季节波动性的非线性特征，提出了一种基于小波变换的月负荷预测方法。通过小波变换把月负荷序列分解为多个频率成分的叠加，针对不同频率成分的不同特点采用不同的预测方法，最后将各频率成分的预测结果重构进而得到预测数据。该方法避免了考虑气候、政策等因素，仅利用电力负荷历史数据进行预测。实例结果表明采用该方法进行月负荷预测可以达到较高的精度。     

基于功率谱分解和实时气象因素的短期负荷预测

提出了基于功率谱分解和实时气象因素的短期负荷预测方法,采用快速傅里叶变换(fast Fourier transform,FFT)对负荷序列进行变换得到功率谱,依据变换结果分析功率谱得出负荷基频、低频和高频分量的频率范围,采用有限脉冲响应(finite impulse response,FIR)滤波器从负荷中分离出各 个负荷分量。分析各个负荷分量的特点,针对各个负荷分量分别设计预测模型,对基频分量采用Elman回归神经网络进行预测,这部分较好地反映出基频分量的时间序列特性;对低频和高频分量分别采用自适应线性回归神经网络进行预测,在对这部分分量的预测中重点引入实时气象因素,以利用最新的气象信息提高预测精度。通过在某地区的实际应用证明了所提出方法的有效性。