基于相似日负荷修正的台风期间短期负荷预测

在台风期间现有的负荷预测方法的预测精度一般不高.在此背景下,以广东地区为例,首先分析了气象因子与系统负荷之间的相关性,从总负荷中分解出趋势分量、周期分量和气象敏感分量,在此基础上提出了基于相似日气象负荷修正的适用于台风期间的短期负荷预测方法.同时,为克服台风日样本较少所导致的预测困难,将近期及往年同期气象因素相似的历史日扩充到相似日样本中,并引入趋势相似度因子、气象相似度因子和时间相似度因子来评估历史日的相似性.用广东电力系统的实际数据做了测试,预测结果表明采用所发展的修正模型时台风日的负荷预测精度较现有方法有了较大提高.     

台风期间福建电网短期负荷预测研究

台风对电网负荷的影响具有不确定性和随机性,传统负荷预测结果往往不是很理想。结合福建电网的实际情况,归纳分析历年影响福建电网的台风活动规律,提出一种适合台风期间的负荷预测方法。若存在可用相似日,考虑负荷年增长趋势等因素,给出一种基于相似日修正的负荷预测方法 ;而针对无可用相似日的台风,提出一种基准负荷修正的预测思路。研究表明,该预测方法能够有效提高福建电网的短期负荷预测精度,具有一定的理论意义和应用价值。     

基于相似日的神经网络短期负荷预测方法

人工神经网络是模仿人脑神经元结构、特性和大脑认知功能而构成的新型信号、信息处理系统。针对电力负荷短期预测，提出了一种基于相似日的神经网络预测方法，采用反向传播算法，考虑气象因素对负荷的影响，提高了学习效能，具有较好的预测精度。本方法适合在短期负荷预测中使用，预测结果验证了上述结论。     

基于相似日的神经网络短期负荷预测方法

人工神经网络是模仿人脑神经元结构，特性和大脑认知功能而构成的新型信号，信息处理系统。本文针对电力负荷短期预测问题，提出了一种基于相似日的神经网络预测方法，采用反向传播算法，考虑气象因素对负荷的影响，提高了学习效能，具有较好的预测精度。本方法很适合在短期负荷预测中使用，预测结果验证了上述结论。     

短期负荷预测中相似日选择的判别方法

在对短期负荷数据相关特性及判别结果进行分析的基础上，以吉林地区实际负荷为例。比较、分析了统计相似日负荷的均值和方差．提出合理选择相似日是提高综合预测模型预测精度的有效途径。     

电力短期负荷预测相似日选取算法

短期负荷预测是电力系统安全经济运行的基础,相似日选取的准确与否直接影响到短期负荷预测算法的精度。针对短期负荷预测的特点,提出一种能便于考虑各种因素影响的新算法。分析了气象、日类型等因素对负荷影响的常见规律,便于识别主导负荷变化的因素,建立了在短期负荷预测中选取相似日的新方法。理论和实例均表明,该方法适应性较强,能够通过历史数据分析从历史日中选取最合适的相似日,对提高短期负荷预测的精度具有较大价值。     

基于相似日的线性外推短期负荷预测

综合利用了用于超短期负荷预报的线性外推原理和基于相似日的短期负荷预测方法,相似日的选取采用了严格的差异度量方法,使得所取的相似日与预测日负荷最可能相似;线性外推法也弥补了相似日法固有的缺点,有效地提高了负荷预测的精度,本文方法对于天气异常变化时的负荷预报具有很强的适应性,实际应用表明本文所用方法效果良好.     

基于相似日的线性外推短期负荷预测

综合利用了用于超短期负荷预报的线性外推原理和基于相似日的短期负荷预测方法,相似日的选取采用了严格的差异度量方法,使得所取的相似日与预测日负荷最可能相似;线性外推法也弥补了相似日法固有的缺点,有效地提高了负荷预测的精度,本文方法对于天气异常变化时的负荷预报具有很强的适应性,实际应用表明本文所用方法效果良好。     

基于局部形相似的超短期负荷预测

为了进一步提高超短期负荷预测的精度,特别是负荷曲线出现拐点时的预测精度,在选择相似日的基础上,提出了一种基于局部形相似的超短期负荷预测方法。通过西安地区实际负荷数据的仿真,验证了该方法既能保证负荷曲线拐点处的预测精度,同时又提高了总体的预测准确度。     

基于相似日小波支持向量机的短期电力负荷预测

对受不确定性影响的短期电力负荷,本文给出一种基于小波支持向量机的预测方法.采用小波变换将日负荷数据分解到不同尺度上,利用各相似日低频部分的最大最小负荷构造相似系数,通过支持向量机预测一天中最大和最小负荷,结合相似系数得到预测日低频部分各时刻的预测值;对于高频部分采用各时刻均方加权的方法预测负荷值,把各部分的负荷值叠加得到完整的负荷预测值.用山东某电力公司的数据进行数据仿真,取得了较好的预测效果.     

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。     

基于局部形相似的超短期负荷预测方法

在对电力负荷局部特性分析的基础上,定义了一个描述负荷序列形状相似程度的指标--负荷曲线形系数,提出了一种基于局部形相似的超短期负荷预测方法.该方法将预测时刻前一段负荷序列与各相似日同一时段负荷序列的形系数引入到超短期负荷预测中,强调基于形相似基础进行值预测,克服了现有预测方法中对各相似日采用相同权重所导致的平滑效应对拐点负荷预测的影响.研究结果表明,该方法在保证运算速度的同时,提高了总体预测准确性和拐点处的预测准确性.该改进方法可用于对现有多种超短期负荷预测方法的改进.     

基于改进LS-SVM的短期电力负荷预测方法研究

针对电力负荷随机性强、稳定性差、预测精度不理想等问题,提出了一种基于粒子群优化PSO和最小二乘支持向量机LS-SVM的短期负荷预测方法.模型的输入因子是负荷数据和气象信息等.粒子群优化算法用于实现支持向量机参数的自动优化,建立了基于粒子群优化的最小二乘支持向量机短期负荷预测模型.通过仿真验证了改进前后预测模型的准确性和...     

参照系统负荷预测的母线负荷预测修正方法

由于母线负荷预测结果的精确度相对系统负荷预测较低,提出了一种参照系统负荷预测值的母线负荷预测值修正方法。先根据母线负荷预测值之和与系统负荷预测值之间的差值确定需要修正的负荷点,再选择该点临近的连续数点系统负荷组成曲线,寻找系统负荷的相似曲线,对应相似日的各母线负荷组成样本、各样本修正值的期望和方差决定修正后的各母线负荷值的范围,采用最小二乘逼近建立二次规划问题,最后利用LINGO软件求解。算例表明了该方法从整体上提高了母线负荷预测的准确率。     

一种改进Transformer的电力负荷预测方法

负荷预测是电网系统中很多应用的关键部分,具有重要作用。然而,由于电网负荷的非线性、时变性和不确定性,使得准确预测负荷具有一定的挑战。充分挖掘负荷序列的潜在特征是提升预测准确率的关键。文中认为在特征提取时应该充分利用负荷序列的位置信息、趋势性、周期性和时间信息,同时还应构建更深层次的神经网络框架进行特征挖掘。因此,提出了基于特征嵌入和Transformer框架的负荷预测模型。该模型由特征嵌入层、Transformer层和预测层组成。在特征嵌入层,模型首先对历史负荷的位置信息、趋势性、周期性和时间信息进行特征嵌入,然后再与天气信息进行融合,得到特征向量。Transformer层则接受历史序列的特征向量并挖掘序列的非线性时序依赖关系。预测层通过全连接网络实现负荷预测。从实验结果来看,文中模型的预测性能优于对比模型,体现了该模型的可行性和有效性。     

基于小波分解的电力系统短期负荷预测方法研究

为提高预测精度,提出一种基于负荷分解的电力系统短期负荷预测方法。即将负荷分成周期性不同的几部分,对分解后的各负荷序列通过相匹配的神经网络方法进行预测,并考虑温度因素的影响,采用线性回归模型对神经网络预测结果修正得到最终预测结果,预测结果与实际数据对比得出,预测方法更具准确性。     

基于局部相似与神经网络的超短期负荷预测方法

为提高超短期负荷预测精度,特别是负荷曲线在拐点处的精度,在模糊聚类分析的基础上提出了一种选取局部相似日的改进模型。通过该模型选取局部相似日,并结合RBF网络提出一种新的预测超短期负荷方法。采用该方法建立2个预测模型,分别用于预测下个时刻和下一个小时段的数据。将该方法与灰色关联分析预测方法进行比较,发现该方法在预测精度上具有显著优势,证明新的预测超短期负荷方法有较高的可靠性与有效性。仿真结果表明,新的预测超短期负荷方法在工作日或休息日负荷曲线拐点处的预测上,均具有较高精度。     

基于深度学习的电网短期负荷预测方法研究

深度模型通过学习一种深层非线性网络结构以实现复杂函数逼近,具有很强的自适应感知能力。本文为了提高电力负荷预测精度,提出一种基于栈式自编码神经网络的深度学习预测方法。该方法结合自编码器和逻辑回归分类器构建一个多输入单输出预测模型,并将重构后的历史负荷、气象信息等数据输入到预测模型中,用栈式自编码器逐层学习并提取深层特征,最后在网络顶层连接逻辑回归模型进行短期负荷预测。实例分析表明,所提预测模型能够有效刻画日负荷变化规律,泛化能力较强,其预测精度达到96.2%,比支持向量回归和模糊神经网络两种浅层学习模型更高。     

基于改进BP神经网络的短期电力负荷预测方法研究

针对短期负荷预测精度低、准确性差等问题,将猫群算法CSO和BP神经网络相结合用于短期负荷预测,模型的输入因子是负荷数据和气象信息等,利用猫群算法对BP神经网络的权值和阈值进行优化,得到BP神经网络预测模型的最优解,建立了短期预测模型。通过实例验证了预测模型的有效性和有效性,结果表明,改进模型能够有效降低BP神经网络模型的预测误差,提高预测精度,为我国电力系统短期负荷预测的发展提供了参考和借鉴。     

基于分布式光伏功率分区拟合的统调负荷预测方法

分布式光伏的大规模接入对地区统调负荷预测准确率带来极大影响,因此提出了一种基于分布式光伏功率分区拟合的统调负荷预测方法.首先将分布式光伏覆盖区域进行分区,针对每个小区域,采用区域内集中式光伏功率预测数据对分布式光伏出力进行类比预测;然后将各个小区域内分布式光伏出力预测数据进行累加得到全地区分布式光伏出力预测值;最后在此...