短期负荷预计的专家知识系统

本文介绍一个短期负荷预计的知识系统。为了借助专家知识和系统运行人员的经验，需建立负荷计算中具有不同意义的许多不同负荷形态的每一种形式。由专家系统考虑的专门日类型包括：春节一周中极低的负荷；暴风雨或台风日的特殊负荷特性；星期六某些工厂部分停产；由于节假日导致星期五和星期一特别方式等等。所推荐专家知识库系统的特，或是容易对知识库加入新信息和新规则。     

The implementation of long-term forecasting strategies using a knowledge-based expert system: part-II

In this paper, a knowledge-based expert system (ES) is implemented to support the choice of the most suitable load forecasting model, among traditional mathematical techniques of Part I, for medium/long term power system planning. In the proposed ES, the detailed problem statement including forecasting algorithms and the key variables that affect the demand forecasts are firstly identified. So, system planner establishes a multitude of electrical, non-electrical variables for different areas. A set of decision rules relating these variables are then established and stored in the knowledge base. With the knowledge based at hand, a list of realistic models that can reflect accurately the typical system behavior over other models is emulated. Then, the best one is suggested to produce the annual load forecast. A practical application is given to demonstrate the usefulness of the developed prototype.     

能源互联环境下考虑需求响应的区域电网短期负荷预测

在区域能源互联系统中,需求响应改变了电力用户的常规用电习惯,增加了预测环境的不确定因素。针对这种特定的环境,提出一种考虑需求响应的区域电网短期负荷预测方法来满足企业对预测精度的需求,该方法通过依次构建数据处理模型、负荷预测模型和误差预测模型实现了预测精度的提升。更具体地,针对历史数据样本集,采用灰色关联分析法处理气象数据以获取输入预测模型的相似日特征变量;针对电力负荷预测,建立了长短期记忆网络模型,利用其特殊的门结构选择性地控制输入变量对模型参数的影响,从而改善了模型的预测性能;针对误差数据样本集,采用了动态模式分解技术来挖掘误差数据的潜在价值,并利用其数据驱动特性刻画了误差时间序列的趋势变化特征,实现了良好的误差预测。最后,结合实际的电网数据,对比验证了所提方法的有效性和优越性。     

SVM与Fourier算法在电网短期负荷预测中的应用

将Fourier(傅立叶)算法与SVM(支持向量机)共同引入电网短期负荷预测。对于波动性较大的负荷,Fourier算法用于滤除高次谐波分量。SVM用于对滤除了高次分量的数据进行统计学习,它首先筛选与预测点相关的历史数据构成训练样本,再将预测的平滑性和误差损失函数相结合构成问题的目标函数进行求解。编制了相应的软件,对某实际电网进行了短期负荷预测,取得了理想的结果。     

一种基于RAN和专家系统的短期负荷预测方法

结合神经网络和专家库系统对地区电网进行短期负荷预测,利用神经网络的非线性函数逼近能力进行基本负荷预测,在此基础上结合天气专家库系统再进行负荷调整。此方法已用于地区电网负荷预测,预测结果表明此方法是实用有效的,精度满足实用要求。     

相空间重构和SVR耦合的短期电力负荷预测

电力系统的短期负荷预测精度对智能电网安全运行有着重要影响,其中预测精度和训练步数至关重要,目前当地气象因素逐渐成为负荷预测中的关注点。以某市短期电力负荷为研究对象,建立了考虑日特征相关因素的支持向量回归机短期电力负荷预测模型,随后对某市考虑气象及日期类型的电力负荷做出预测。研究表明:利用考虑实时气象因素的SVR预测模型对短期电力负荷进行预测精度较高;考虑气象及日期类型的预测误差比不考虑气象及日期的预测误差小;嵌入维数和时间延迟对负荷预测模型精度具有重要影响。     

基于改进卡尔曼滤波算法的短期负荷预测

对于电网的安全运行,短期的负荷预测是必不可少的。电力系统的负荷通常是随着时间呈现出一定范围的非线性波动,这里根据电力系统中负荷特性的变化规律,提出了一种通过引入修正因子改进卡尔曼滤波算法的方法,实现了电力短期负荷预测。通过对成都地区的负荷进行短期预测,说明这种方法较传统的卡尔曼滤波具有更高的预测精度,同时与其他的新型智能算法相比,具有收敛速度快、耗时短等优点。通过MATLAB仿真,说明这种改进后的算法对实现短期负荷预测提供了一条新的途径。     

基于模糊互补AHP的负荷预测模拟决策

对于快速发展的地区,不同的预测方法所得的中长期负荷预测结果会相去甚远,某些预测结果甚至是无效且不可信的。所以规划决策支持系统中不仅要有多种方法的预测,还应增加其模拟决策模块。文章提出负荷预测的模拟决策,将改进的模糊互补AHP方法应用于预测模拟决策系统。计及影响电力负荷预测的各相关因素,建立电力负荷预测的多层次、多因素的决策分析结构,利用专家知识,构造具有模糊互补性的个体或群体决策的判断矩阵,并简洁而准确地计算特征向量。进一步处理特征向量作为预测决策权重,获得了满意预测决策。该方法用于规划决策支持系统中的模     

电力系统短期负荷预测方法综述

简述了短期负荷预测的概念和意义,分析了短期负荷预测的特点和影响预测精度的各种因素,将目前的预测方法分为经典方法、传统方法、智能方法和预测新方法。综合分析了目前各种预测方法的应用原理,详细分析和比较了各个预测方法的优点和不足之处。提出提高短期负荷预测的精度不仅重视历史数据的积累,更应注重选择合适的预测模型,综合预测模型是未来电力负荷预测方法的发展方向。     

基于分时重构混沌相空间的电力系统负荷短期预测

为了实现高精度的电力系统负荷短期预测,该文对电力系统负荷时间序列数据分时段进行相空间重构,并计算分形维数和提取最大Lyapunov指数,经分析得出了系统负荷分时序列数据的演化具有混沌特征,由此提出了短期电力系统负荷的分时重构混沌相空间预测算法,相比目前通常采用的单一时间序列混沌预测算法,该算法具有相空间嵌入维数少和模型参数配置灵活的特点,通过电力系统负荷短期预测实例验证,结果表明该算法比单一时序混沌预测算法在预测精度上有显著提高。     

基于互补集合经验模态分解和长短期记忆神经网络的短期电力负荷预测

随着电力行业的不断发展,负荷预测的重要性也不断彰显,作为负荷预测的重要组成部分,短期负荷预测对于电力系统的调度运行、市场交易都有着重要的意义,精确的负荷预测有助于提高发电设备的利用率和经济调度的有效性。由于影响负荷数据的随机因素太多且具有较强非线性的特点,提出一种基于互补集合经验模态分解和长短期记忆神经网络的短期电力负荷预测方法。通过对某市负荷数据进行仿真,将仿真结果与其他传统预测方法结果相对比,最终证明长短期记忆神经网络模型的误差更低,具有较高的预测精度。同时将互补集合经验模态分解下的长短期记忆神经网络方法与其他分解方法下的长短期记忆神经网络模型预测结果进行对比,验证互补集合经验模态分解方法对提升预测精度的有效性。     

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。     

基于最大信息挖掘广域学习系统短期电力负荷预测研究

为了进一步挖掘混沌系统的演化信息,提升预测精度,减少训练时间,提出了一种基于最大信息挖掘广域学习系统多核最小二乘支持向量机(Least Square Support Vector Machine, LS-SVM)短期电力负荷预测算法。为了有效地捕捉电力负荷的非线性信息,引入了一种改进的漏积分器动态储层,不仅可以获取系统当前状态的信息,而且可以学习历史信息,进一步通过非线性随机映射充分挖掘非线性信息。提出了一种多核LS-SVM预测模型,有效综合了各个核函数的优点。通过两个电力负荷预测案例将文中方法与传统的反向传播算法和支持向量机算法进行预测误差对比,预测结果验证了所提出的混沌时间序列预测算法具有较高的预测精度,适用于短期电力负荷预测。     

基于改进型BP神经网络的短期电力负荷预测

科学、准确的短期电力负荷预测有利于提高电力系统运行的经济性和安全性,向用户提供高质量的电力。提出一种基于改进型BP神经网络的短期负荷预测方法,并充分考虑建模时复杂气候敏感因素的影响,对输入校本的选取、预测模型的建立进行了论述。算例表明所提出方法具有较高的预测精度,负荷预测结果的相对误差小于3.63%。     

A hybrid economic indices based short-term load forecasting system

The bankruptcy event of Lehman Brothers and the corresponding global economic recession in 2008 and 2009, influenced the electricity load demand patterns for which traditional load forecasting approaches were not able to effectively predict. To overcome this problem, this paper proposes a new hybrid economic indices based short-term load forecasting (HEI-STLF) system. In which business indicators, such as the leading index or the coincide index, each combined with stock index as hybrid economic indices influencing factors for the support vector regression (SVR) model, to respond to the economic dynamics and reduce its impact on forecasting accuracy. The Taiwan island-wide electricity load demands from 2008 to 2011 are used as the case study for performance testing with different combinations of the Taiwan business indicator and the Taiwan Stock Exchange Capitalization-Weighted Stock Index (TAIEX). The results show that the proposed HEI-STLF system with hybrid economic indices of an annualized six-month rate of change of composite leading index and a 90 days moving average of TAIEX, achieves the best forecasting performance. Compared to the traditional SVR load forecasting approach, it improves the forecasting accuracy in the best condition by 30.39% in the period when the load demands are affected by the global economic recession.     

Development of peak load forecasting system using neural networks and fuzzy theory

This paper presents a peak load forecasting system using multilayer neural networks and fuzzy theory. Electric load forecasting in power systems is a very important task from the perspective of reliability and economic operation. Daily peak load forecasting is one of the basic operations of generation scheduling for the following day. Therefore, many statistical methods have been developed and used for such forecasting even though it has been difficult to construct a proper functional model. The developed system is applied by neural network and fuzzy theory to forecast for daily, weekly and monthly peak load. The system consists of an engineering workstation (EWS) and a personal computer (PC). The EWS is for learning and data-bases, and the PC is for man-machine interface such as forecasting operation. The system has been used since June 1993. The result evaluated with an absolute mean error is 1.63 percent for 10 months. From the results shown here, the system applied by neural network and fuzzy theory has high validity.     

基于模糊逻辑与神经网络的短期负荷预测

针对电力系统受多种因素影响的特点,应用模糊逻辑理论和人工神经网络两种方法,发挥各自优势,设计出一个有效的电力系统短期负荷预测系统。该系统着重考虑温度、日期类型以及特殊日期等因素对负荷的影响,实际测试证明可以提高系统的预测精度,适合在电力系统短期负荷预测中应用。     

A new ARMAX model based on evolutionary algorithm and particle swarm optimization for short-term load forecasting

In this paper, a new ARMAX model based on evolutionary algorithm and particle swarm optimization for short-term load forecasting is proposed. Auto-regressive (AR) and moving average (MA) with exogenous variables (ARMAX) has been widely applied in the load forecasting area. Because of the nonlinear characteristics of the power system loads, the forecasting function has many local optimal points. The traditional method based on gradient searching may be trapped in local optimal points and lead to high error. While, the hybrid method based on evolutionary algorithm and particle swarm optimization can solve this problem more efficiently than the traditional ways. It takes advantage of evolutionary strategy to speed up the convergence of particle swarm optimization (PSO), and applies the crossover operation of genetic algorithm to enhance the global search ability. The new ARMAX model for short-term load forecasting has been tested based on the load data of Eastern China location market, and the results indicate that the proposed approach has achieved good accuracy.     

提高电网短期负荷预测精度的研究

以广东珠海电网为例,对负荷特性、经济发展特点、气候变化、预测技术等影响负荷预测的因素进行分析,提出提高电网短期负荷预测精度的措施:建立和完善典型日负荷样本数据库;特殊事件造成负荷较大变化时进行人工干预;合理做好负荷日的类型分析;采用扩展短期负荷预测方法进行明日负荷预测;建立气象负荷数据源预测模型.这些措施在珠海电网中应...     

基于BP神经网络的短期负荷预测建模仿真

通过BP神经网络与Matlab相结合,建立起三层四功能单元的BP神经网络短期负荷预测模型,并采用某条线路1年的历史负荷波动数据对模型进行“学习”训练.预测日24 h负荷数据的Matlab仿真及误差分析结果表明,所构筑的BP神经网络模型具有较高的可靠性和准确性,误差率控制在2％以内.BP神经网络模型大大提高了短期负荷预测数据的处理效率与可信性,为研究电力系统经济调度提供了一种新的非线性仿真建模模型.