一种改进支持向量机的电力负荷预测方法研究

我国电力负荷的快速增加和电网运行环境日趋复杂,对电力负荷预测的准确性和可靠性提出了更高的要求。为了解决电力预测准确率低的问题,提出一种改进支持向量机的电力负荷预测方法。该方法综合考虑了影响电力负荷预测效果的气象因素,采用多元线性回归模型拟合了电力负荷与最高温度、最低温度、平均温度以及相对湿度的关系,找出电力负荷数据的异常点,再使用秃鹰搜索算法优化支持向量机中参数。该方法提高了预测的效果,给电力负荷预测提供了借鉴思路。     

变形预测的一种最优线性组合模型

介绍了灰色GM(1,1)、时间序列和非线性组合模型的基本概念,讨论了最优线性组合模型的定义及其权系数的求解方法。结合某大坝变形监测数据,建立了基于灰色与时间序列的非线性组合模型和最优线性组合模型,以及基于灰色、时间序列与非线性组合的最优线性组合模型,并把这3种组合模型的预测结果与GM(1,1)、时间序列模型进行比较。结果表明,融合GM(1,1)、时间序列与非线性灰色时间序列组合的最优线性组合模型的预测效果明显好于另两种模型,其预测误差小于1 mm。     

基于LSTM时间递归神经网络的短期电力负荷预测

短期电力负荷预测对于电网运行方式安排、计划检修、静态安全分析有着越来越重要的作用。LSTM时间递归神经网络可很好地处理负荷数据的时序性和非线性,适合用于短期电力负荷预测。提出一种基于长短期记忆(Long Short-Term Memory,LSTM)时间递归神经网络的电力负荷预测方法,并使用这种方法对昆明电网日电力负荷值进行预测,最终证明LSTM模型的准确及便利。     

基于最小二乘支持向量机的万元工业GDP取水量非线性组合预测

根据支持向量机(SVM)和组合预测理论,选择趋势法预测万元工业GDP取水量的3种主要模型,提出基于最小二乘向量机(LS-SVM)的万元工业GDP取水量非线性组合预测方模型。实例表明:与单项预测模型和线性组合预测相比,基于LS-SVM非线性组合预测模型具有更强的泛化能力,能够有效提高区域万元工业GDP取水量预测精度。     

灰色模型在短期电力负荷预测中的应用

电力负荷预测是电力控制及运行方面的最重要的一项任务，根据不同的预测对象，常用的方法有概率统计法、时间序列分析及灰色系统等等。文章讨论了灰色模型GM(1，1)及其改进模型在短期电力负荷预测中的应用。采用ARIMA(p,d,q)模型与GM(1，1)改进模型对特殊日电力负荷进行组合预测，提出了适合电网特殊日电力负荷预测的数据处理方法。提高了预测的精度。准确度到了95%以上，解决了每日24点正点采样情况下预测精度较低的问题。     

Hyperbola-Logistic叠加模型预测地基沉降

针对Hyperbola模型和Logistic模型的优缺点,提出Hyperbola-Logistic叠加模型,该叠加模型综合了两种单项预测模型的优点,以期达到高精度的预测结果。结合发电厂地基沉降现场观测数据,利用Hyperbola-Logistic叠加模型预测地基沉降,并与单项沉降预测模型的拟合结果进行比较分析。结果表明:与两种单项预测模型的预测结果相比较,叠加模型减小了系统误差,提高了整体的预测精度,拟合结果可靠,适用于发电厂地基沉降量的预测。新模型具有一定的适用性,是一种分析预测地基沉降的有效方法。     

基于混沌理论的电力负荷预测

针对电力系统负荷的复杂性及非线性．提出了结合混沌理论的思想．充分利用数据信息。在重构电力负荷相空间的基础上对负荷进行预测．并综合了电力负荷混沌特征量的计算及负荷时问序列的混沌预测方法。以非线性为特征的混沌理论的应用。必将开辟电力系统负荷预测的新途径。     

考虑配电网络的综合负荷模型可辨识性分析

为更全面、准确地描述配电网络和电力负荷的结构,已有文献提出了考虑配电网支路的综合负荷模型。文中分析了该模型参数的可辨识性,获得明确结论,即已知配电电抗或电阻、或者已知两者之比时,参数是可辨识的。通过仿真算例和实测数据验证了理论分析结果的正确性。     

灰色自适应模型及在负荷短期预测中的应用

本文针对电力负荷变化的非平稳性，首先建立起灰色模型分析用电负荷的趋势项，用灰色模型值与原始数据值进行比较，得出一系列误差值，作为二级数据，进一步应用自回归AR(2)模型对灰色模型产生的误差进行适应性调整。以1991年上海市用电负荷为例，预测二周用电负荷的平均相对误差为1.65%，对于特殊的节假日负荷，根据其自身的特点，本文则采用二元线性拟合模型进行预测，以避免产生大的预测误差。采用本文的系统具有一定自适应性，对于非平稳性的电力负荷具有很好的预测效果。     

组合模型在用水量预测中的应用

鉴于一个地区用水量的复杂性和非线性的特征,分别采用灰色预测模型、Logistic模型和龚帕茨模型预测成都市城市用水量.通过进行冗余检验,灰色预测模型是冗余方法,剔除冗余方法后,对Logistic模型和龚帕茨模型采用最小化方差的办法进行权重分配,建立了成都市用水量的组合预测模型.结果表明:与单项预测模型相比,组合模型的预测精度高,预测结果更加可靠.     

基于点模式匹配的电力系统短期负荷预测

输电网短期负荷预测是电力调度的基本依据。文中基于点模式策略，并借助模拟退火算法，提出了一种短期负荷预测的新方法。从模式的角度看，负荷的变动也可以看成是模式的转换。该方法首先通过相关性分析找出输入输出数据关系以及各输入数据所占的权重；然后由点模式匹配法求得各输入数据的变换值；最后由变换值、输入数据及其权重得到短期负荷预测的结果。将该方法用于一个实际系统，预测结果表明该方法预测效果较好。     

基于解释结构模型的城市电力负荷预测

影响城市电力负荷的不确定风险因素很多,各种风险因素之间相互影响,形成一个复杂的系统。研究风险系统的结构和相互关系,以及这些风险因素对城市电力负荷的影响,对于城市电网规划非常有意义。文中以影响城市电力负荷的风险因素为研究对象,运用解释结构模型（ISM）对影响城市电力负荷的风险因素进行了分析,并构建了该风险系统的阶层结构图及风险传递链。在此基础上,建立了基于ISM风险分析的城市电力负荷预测模型。通过北京市2001年—2008年全社会用电量算例检验,所提出的方法可以有效提高城市电力负荷预测水平,为城市电力负荷预测风险管理提供决策基础。     

电力负荷预测方法研究

电力负荷预测的开展始于上世纪八十年代初。最早的电力负荷预测工作完全依靠预测人员的运行经验,没有科学的理论做指导,预测误差往往较大。随着电力行业的不断发展,电力系统日趋复杂,单纯地依靠人工预测己经远远不能满足预测的要求。因此,要求电力负荷预测更科学、更准确,极大地促发了电力负荷预测理论研究的开展。     

浅析组合模型在大坝安全监测中的应用

文中简要阐述了几种组合模型在水库大坝安全监测与管理中的应用,通过线性组合模型及非线性组合模型的分析,针对大坝安全指标参数存在相关性以及因变量随时间城变化等问题,详细论述了建立组合模型,解决上述问题的方法,对大坝的长期安全运行管理有一定的借鉴作用.     

电力负荷预测的灰色随机组合模型

年电力负荷具有稳定增长的趋势成分和随机成分．由灰色模型描述趋势成分，由自回归模型刻化随机成分，两者叠加，即灰色随机组合模型，可反映年电力负荷的变化特性．实例验证表明，该途径是可行而有效的．     

基于预测误差分布特性统计分析的概率性短期负荷预测

现有短期负荷预测方法一般只能给出确定性负荷预测结果，难以满足电力市场中不确定性风险分析决策的要求。文中提出了一种基于负荷预测误差特性的统计分析的概率性预测方法。该方法首先从时段与负荷水平2个联合维度上建立了对预测误差分布规律进行统计分析的模型，并提出了检验该统计规律有效性的原则和方法;将验证后的预测误差统计分布规律与确定性的负荷预测结果相结合，即可得到概率性的负荷预测结果。基于该结果，还能求取某一置信水平下的预测负荷曲线的包络线。结合实际电网数据验证了所提出方法的有效性和实用性，为概率性短期负荷预测提供了一条可行的新思路。     

多元线性网络法在区域电力负荷预测中的应用

区域电力负荷具有特殊的变化规律，但表现出一定的周期波动性。对区域电力负荷变化影响因素分析后，分别利用多元线性回归和人工神经网络模型对电力负荷变化进行了电力消耗预测。对二者预测结果还进行了误差分析，并提出了高、中、低3个水平的电力负荷消耗。结果表明：预测结果与当地电力负荷消耗增长规律相符，且人工神经网络预测结果较多元线性回归模型稍好。预测的结果数据可以作为当地决策部门的资料参考。     

西藏林芝电网用电量的最优组合预测研究

为了科学预测西藏林芝电网用电量,提高负荷预测的准确性和精确度,提出了预测用电量的最优组合模型,即充分利用各单一模型的最大信息,以误差平方和最小为准则,求出最优加权组合系数。通过实例分析,表明其预测值比参加组合的任一单项模型的预测值都更为精确。此外还对该模型在实际中的运用以及评价等情况分别作了介绍。     

短期负荷综合预测模型的探讨

中国实用的短期负荷预测系统普遍采用的是综合预测模型机制。文中深入研究了该机制的实现和应用原理，针对其权重不等式约束、求解方案实用化方面进行了深入探讨，提出了“最优拟合模型”不等于“最优预测模型”的观点。对该观点进行了详细的论证。在此基础上，提出了“较优预测模型”的实现策略，并以实例证实该模型提高了负荷预测的准确率和误差稳定性。     

基于EMD分解与ARMA模型的电力负荷预测

随着智能电网的发展以及整个社会用电的发展,短期负荷的预测对与整个电力系统来说越来越重要,笔者提出了一种基于EMD分解和ARMA预测模型的预测方法,对原始电力负荷数据先进性EMD分解,然后再对每个EMD分量单独进行ARMA模型预测,根据MATLAB仿真结果表明,笔者方法对比与直接用ARMA模型进行预测,预测精度明显提高。