基于EEMD-IWOA-TCN的电网短期负荷预测

为提高较少输入特征下对电网负荷的预测精度,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)、改进鲸鱼优化算法(improvewhaleoptimizationalgorithm,IWOA)和时域卷积网络(temporal convolutional network,TCN)相结合的电网负荷预测方法。首先,使用EEMD对原始序列进行分解,得到具有较高细粒度的负荷分量序列;其次,采取相关性分析对分量进行融合,对融合后的分量序列分别建立TCN预测模型;然后,使用IWOA对TCN内部的超参数进行优化,提升模型训练速度和预测性能;最后,将各分量序列的预测值进行累计,输出最终负荷预测值。实证分析表明：所提方法具有较高的预测精度和良好的鲁棒性。     

基于TCN-LSTM和气象相似日集的电网短期负荷预测方法

为充分挖掘不同气象因素的相似日信息和输入特征蕴含的信息以提升负荷预测精度,提出一种基于时间卷积网络和长短期记忆网络组合（TCN-LSTM）和气象相似日集的电网短期负荷预测方法。首先通过Pearson系数和最大信息系数,选出与负荷强相关的气象因素;然后根据该气象因素,选取最佳相似日组成气象相似日集,以气象相似日集负荷、历史负荷、气象因素和时间因素作为预测模型的输入特征;最后,搭建TCN-LSTM预测模型,用TCN进行特征提取后,再用LSTM网络完成短期负荷预测。以中国某地区的实际历史数据进行仿真验证,结果表明所提预测方法可有效提升负荷预测精度。     

基于布谷鸟搜索优化支持向量机的短期负荷预测

针对支持向量机(SVM)在短期负荷预测中,根据经验选取参数导致预测精度下降的问题,提出一种基于布谷鸟搜索算法(CSA)优化SVM的短期负荷预测新方法(CSA-SVM)。先以历史负荷、温度、湿度等属性构成训练样本集的输入向量作为SVM的输入,以负荷值作为输出,建立SVM预测模型;再根据训练误差,以CSA对SVM中惩罚因子和核参数进行寻优;最后,按照CSA寻优获得的最优参数建立基于CSA-SVM的预测模型并开展短期负荷预测。实际负荷数据试验显示,相较于SVM模型、粒子群(PSO)优化SVM模型、BP神经网络模型,CSA-SVM具有更高的预测精度,能够满足电力系统短期负荷预测精度需求。     

电力系统短期负荷预测的神经网络方法

本文构造了一种线性与非线性结合的神经网络,提出了短期负荷预测的神经网络方法。使用最近的观测资料对神经网络进行学习训练,调整神经元间的权值。然后对未来负荷进行预测。通过对华中电网的观测资料进行仿真,在正常情况下获得较好结果。     

基于支持向量机的某地区电网短期电力负荷预测

摘要： 负荷预测是电力系统安全经济运行的前提。随着电力系统的市场化和能源互联网的研究与发展,高质量的负荷预测显得愈发重要。分析了影响负荷预测的因素,对数据进行收集及挖掘,采用了基于支持向量机负荷预测算法对区域负荷进行短期预测,并进一步开展了针对城区的精细化负荷预测研究。结合某地区案例,对该算法进行验证,结果表明,该算法预测结果优越,相对误差率较小。     

基于XGB-Transformer模型的短期电力负荷预测

短期电力负荷预测作为电力系统的基本组成,能够指导电力公司制定经济合理的生产调度计划。由于电力负荷数据的时序特性和非线性特性,准确作出电力负荷预测具有很大的挑战。当下深度学习不断发展,其在复杂非线性关系建模和处理时序信息等方面表现突出。文章提出一种融合XGBoost和改进Transformer模型的新型短期电力负荷预测方法 XGB-Transformer。该方法考虑时间周期和气象因素对电力负荷的影响,利用基于XGBoost的特征选择方法进行数据规约,利用改进后的Transformer模型来学习序列内部规律和序列间的长距离依赖关系,以提高预测准确性与效率。该方法在真实的电力系统负荷数据上进行实验,结果表明XGB-Transformer方法在准确率和效率2个方面均优于传统方法和其他深度学习方法,证明了其有效性。     

基于改进麻雀搜索算法的光伏功率短期预测

为提高光伏输出功率预测精度、保证电网的优化调度和稳定运行,提出一种改进麻雀搜索算法（SSA）的光伏输出功率预测模型。首先,对实验平台收集到的历史数据进行分析,得到关键气候影响因素;然后,用经验模态分解和主成分分析法对数据进行维稳和降维处理;并建立改进麻雀搜索算法的BP神经网络预测模型;最后,进行实例验证。结果表明,该预测模型在敛散精度方面有所提升。     

基于IFOA-GRNN的电力系统短期负荷预测

考虑到电网负荷与诸多因素有关,设计了一种带有温度、气象、日期类型的广义回归神经网络（GRNN）负荷预测模型。为了提高该模型的预测精度,提出了一种改进果蝇优化算法优化广义回归神经网络（IFOA-GRNN）的方法,即在利用果蝇优化算法（FOA）进入迭代寻优时,通过改进搜索距离优化该算法的性能和稳定性。利用改进的FOA优化GRNN的光滑参数,然后利用训练好的预测模型对甘肃省某地区进行了短期负荷预测,并与FOA-GRNN和误差反向传播神经网络(BPNN)模型结果进行了误差比较。结果表明, IFOA-GRNN具有较高的预测精度,能够满足电力系统短期负荷预测的要求。     

基于RBF神经网络与模糊控制的短期负荷预测

针对电力系统短期负荷预测,综合考虑温度、日期类型和天气等因素对短期电力负荷的影响,建立了径向基函数（Radial?Basis?Function,RBF）神经网络和模糊控制相结合的短期负荷预测模型。该模型利用RBF神经网络的非线性逼近能力对预测日负荷进行了预测,并采用在线自调整因子的模糊控制对预测误差进行在线智能修正。实际算例表明RBF神经网络与模糊控制相结合提高了预测精度。     

基于混沌时间序列的电力负荷短期预测方法

针对加权一阶局域法单步预报计算量大且存在累积误差的不足,在相空间重构技术基础上提出了一种加权一阶局域法多步预报模型。通过对统一混沌系统的预测仿真,证明该模型对混沌时间序列多步预报的有效性。采用加权一阶局域法对四川省电力系统日负荷进行了短期预测,实际结果说明加权一阶局域法的预测精度能满足要求。     

电网无功负荷预测方法研究

由于电网数据采集与监视控制系统(SCADA)中无功负荷历史数据有限以及其数据波动量较小的特点,采用传统单一预测方法不能满足精度的要求,考虑到时间序列与支持向量机对无功负荷预测的综合优势,建立了时间序列与支持向量机两种方法组合的模型。通过对某电力市场的实测值与预测值进行比较,验证了该方法的预测精度较高。     

基于云计算的电力系统扩展短期负荷预测

在电力市场环境下,制定和调整当日负荷计划的周期缩短,尤其是滚动发电计划的提出,使现有负荷预测方法无法满足电力部门对预测精度和速度的要求,因此有人提出了扩展短期负荷预测的概念来解决这一问题,但该方法导致学习机的维数灾难问题难以避免。利用云计算技术对该方法进行改进,在避免了维数灾难的同时提高了预测精度与速度,并用East-Slovakia Power Distribution Company提供的电网运行数据验证了该方法的有效性。     

基于无线输电的电动汽车动态充电负荷预测

无线充电式电动汽车因动态充电方式的便捷性,在未来规模化应用中,其充电负荷将给电力系统带来重大影响。提出了基于无线输电的电动汽车充电负荷预测方法,根据动态无线充电频率高、速度快的特点,建立了以超级电容为辅助电源的系统模型,得到了动态充电负荷的计算因子。考虑到影响电动汽车充电行为的因素众多,提出了以大数据为基础的混合分类模型,利用TAN分类器和粗糙集的互补作用,提高分类精度和效率,达到准确预测充电负荷的目的。仿真结果表明,动态充电负荷克服了静态充电负荷在时间和空间尺度下聚集的缺点,能与电网良好互动,从而为电网负荷削峰填谷。     

基于偏最小二乘法的支持向量机短期负荷预测

提出了一种基于偏最小二乘支持向量机的负荷预测模型.首先通过偏最小二乘(PLS)对负荷数据进行成分提取,提取的成分具有线性特点,并消除输入因素的多重相关性,然后采用支持向量机方法(SVM)对提取的成分进行预测.算例表明,该算法用于短期负荷预测建模速度快,预测精度高,是种行之有效的方法.     

基于混沌时间序列的地区电网负荷预测

通过采用改进的C-C方法计算得出电网日负荷的最优时延和最佳嵌入维数,从而进行相空间重构,并通过计算最大Lyapunov指数,指出该时间序列的混沌特性。然后采用基于奇异值分解的Volterra方法对某地区电网负荷进行预测。预测结果显示,该方法的预测效果较好,具有较高的预测精度,并能够反映电网未来负荷的变化趋势。     

基于大数据技术的多变量短期电力需求预测研究

针对传统多变量短期电力需求预测方法没有归一化处理电力数据,导致预测性能较差、精度较低,提出基于大数据技术的多变量短期电力需求预测方法。在电网大数据框架中,连接MONGOOSE数据库引擎与短期电子服务器,完成大数据技术支持下的短期电力环境搭建。基于大数据技术,通过确定神经预测网络层数的方式,实现电力需求数据的归一化处理,根据多变量短期预测误差的计算结果,实现基于大数据技术多变量短期电力需求预测方法的应用。实验结果表明,研究方法的电力需求预测有效性更好,预测精度更高。     

基于卡尔曼滤波二次修正的短期负荷预测

针对卡尔曼滤波在短期负荷预测中只是进行一步预测的问题,提出了由预测协方差阵构建测量方差方程的方法,对测量新息做出估计,实现了一步预测基础上的二次修正。给定某一置信度,得出负荷相应置信水平下的置信区间包络线,以此为风险分析、可靠性评估提供数据支持,对修正结果进行了确认。通过对实际电网1周的负荷数据进行仿真分析,并与普通卡尔曼滤波及基于移动窗的滤波算法分别进行比较,验证了提出方法的有效性和优越性。