基于智能加权混合模型的新型电力系统电量预测方法

随着电力系统的转型升级,新型电力系统的能源供应和消费发生了巨大的转变,因此对电量预测提出了更高的要求。月度电量的准确预测为新型电力系统的优化调度和电力市场的营销计划提供可靠的依据。在深入挖掘历史电量数据、综合分析月度电量特征及相关因素影响的基础上,结合Prophet算法和KELM神经网络算法各自的优势,提出了一种考虑气温、经济水平和节假日的月度电量组合预测方法。首先基于月度电量数据建立了Prophet预测模型,并进行了参数调优过程;其次利用KELM神经网络建立了基于历史电量、气温、GDP、节假日信息的预测模型,并通过参数调优确定最佳预测模型;最后,以加权组合的方式,建立月度电量组合预测模型。通过算例分析,比较了组合算法和其他算法的预测误差和预测效果,表明了本文所提组合模型在预测精度方面有所提升,验证了预测算法的有效性。     

采用历史数据扩充方法的风力发电量月度预测

月度风力发电量预测面临天气信息不确定性强和历史数据较少等问题,预测精度较低。根据风力所具有较强的季节特性和短时平滑变化特性,提出了风电月度发电量数据集扩展技术。基于扩展后的数据,利用中期天气预测信息前准后差的特点,提出了基于kdtree单元匹配、数据扩充、时间序列3种预测算法的熵权组合综合预测方法,通过理论及算例分析验证了所提数据扩充方法的有效性和综合预测方法的准确性。所提出的数据扩充方法和综合预测方法可为中长期风力发电月度电量预测提供一种可行的解决思路。     

考虑不同风能特征的风电中长期电量预测方法

中长期电量预测在编制中长期发电计划、提高新能源消纳以及保障电力系统电量平衡等方面发挥着重要作用。未来气候态预报信息有利于提高中长期电量预测精度,但当前中长期电量预测未能有效挖掘和利用未来气候预报信息,为此,提出了一种考虑不同风能特征的风电中长期电量预测方法,同时为提高预测模型的适应性,以风能资源气候态预报结果数据为输入,通过构建风能特征挖掘模型,实现了不同预报误差特性数据集的筛选,进而结合风电场实际发电数据,基于灰狼优化算法(grey wolf optimizer,GWO)与长短时记忆网络(long short term memory,LSTM)构建了适应性预测模型。将所提法与当前预测方法相比,结果显示:所提出的中长期电量预测方法实现了沿海某风电场及区域总电量预测,且预测模型的性能更优。研究结果验证了所提方法的有效性和先进性。     

基于加和比例分配算法的中长期电量预测改进方法

针对中长期电量预测工作中,年度、季度、月度预测结果不统一,以及1、2月供电量因受春节影响而导致预测误差较大的问题,提出了基于加和比例分配算法的电量预测改进方法。加和比例分配算法包括季度加和算法和比例分配算法2部分。首先利用组合预测算法对季度电量数据序列进行预测;然后利用季度加和算法对季度预测值进行加和得到年度预测值;接着利用比例分配算法对季度预测值进行分解,得到月度预测值,从而得到年度、季度、月度的统一预测结果。最后利用某供电局的实际供电量数据对该方法进行校验,结果证明该方法不仅能够得到统一的预测结果,且其预测精度较普通方法更高。     

基于X-12-ARIMA季节分解与年度电量校正的月度电量预测

月度电量预测是电力计划部门安排运行计划与制定购售电计划的基础。提出一种综合考虑多种经济因素的月度电量预测方法。首先,采用X-12-ARIMA模型对月度电量和多种经济因素进行季节分解,并利用逐步回归分析研究各经济量与用电量的关联关系和回归模型,获得初步预测结果;然后,利用多项式拟合进行年度电量预测,并对已有月度电量预测结果进行调整;最后,采用自回归积分滑动平均模型(autoregressive integrated moving average model,ARIM A)对受气象与节假日因素影响较大的月份进行分季节预测修正,获得精度良好的月度电量预测模型。该文采用广东省2009年3月至2014年4月的经济数据与电量数据对2014年5月至2015年4月的电量数据进行预测。预测结果的平均预测精度为97.78%,验证了预测模型的有效性。     

融合 CEEMDAN 和 ICS-LSTM 的短期风速预测建模

为提高风速预测精度,本文从挖掘风速数据可预测性和优化预测模型性能两方面出发,提出一种融合完全经验模态分解(CEEMDAN)和改进的布谷鸟算法优化长短期记忆深度神经网络(ICS-LSTM)的风速预测模型。首先采用CEEMDAN降低风速序列的不稳定性,提高其可预测性。其次对分解得到的各子序列建立LSTM预测模型,并采用ICS优化LSTM的关键参数,提高LSTM预测模型的回归性能。然后对各个子序列采用最优参数LSTM预测模型进行建模预测,最后叠加子序列预测结果得到风速预测结果。经实测数据验证,本文所提模型的平均绝对误差和平均相对误差仅为0.82和0.95,对比研究表明本文所提预测模型的优越性。     

基于小波包分解和长短期记忆网络的短期电价预测

在电力市场环境下,精准的短期电价预测可以保障电网优化调度和安全稳定运行,但实时电价具有非平稳性和非线性的特点,加大了预测难度。针对这一问题,提出了一种基于小波包分解（WPD）和长短期记忆（LSTM）网络的短期实时电价预测方法。将实时电价序列分解,得到最高频细节部分和低频趋势部分,剔除波动性高、无效信息多的高频细节部分,再采用LSTM网络对有效信息最多、更能体现电价序列的趋势部分进行实时电价预测。使用所提方法对美国PJM市场某地区实时电价数据进行预测实验,结果表明所提方法相比随机森林、BP神经网络、支持向量机电价预测方和传统的LSTM网络电价预测方法具有更高预测精度。     

基于CNN-LSTM神经网络的电网调度火电厂短期存煤预测

采用传统的回归拟合进行发电厂存煤量单变量单步预测已无法满足电网优化调度的需求,针对该问题,提出卷积神经网络(CNN)与长短期记忆(LSTM)神经网络相结合的CNN-LSTM神经网络预测模型,利用CNN良好的特征提取能力以及LSTM神经网络特殊的记忆预测功能实现对未来电厂存煤量的精准预测.为了使预测结果更符合实际存煤量,在已有预测结果的基础上进行进一步优化.实例验证结果表明,相较于传统差分自回归移动平均(ARIMA)模型和单一LSTM神经网络模型,所提模型取得的效果更好,且经过优化后的预测精度得到了进一步提高.     

基于PSO-Softattention双向LSTM算法的光伏发电量预测研究

为解决传统的光伏发电量预测中数据特征方程较为粗糙、预测精度不高等问题,提出一种基于PSO-Soft attention双向LSTM算法的光伏发电功率预测算法,在前向传播过程中通过自适应学习策略的PSO算法对LSTM模型的关键参数进行寻优,同时优化了双向LSTM网络的反向传播过程,加入了Soft attention机制使模型收敛性更强,重新构造该模型为八层网络结构且采用两层卷积层,同时解析了PSO-Soft attention双向LSTM算法的光伏发电功率预测过程。实验结果表明,相较于SVM模型以及LSTM模型,所提预测模型的预测精度提升了2%左右。     

基于DTW-FCBF-LSTM模型的超短期风速预测

为了实时调整电网调度计划、提高电网消纳风电的能力,提出了一种基于动态时间规整(DTW)进行相似数据分析、快速相关过滤方法(FCBF)进行输入属性特征选择、以及基于长短期记忆神经网络(LSTM)的超短期风速预测方法。利用DTW方法筛选出与待预测数据相似性高的训练样本;运用FCBF算法得到优选的输入特征集;构建LSTM模型进行超短期风速预测。以风电场实测数据为算例,将文中方法与现有算法的预测精度进行了对比,验证了所提方法的有效性和先进性。     

考虑分时电价的居民用户短期用电量分类预测及修正方法

为了更好地利用智能电网中的用户用电信息,提高短期用电量预测精度,针对居民用户提出一种考虑分时电价的分类短期用电量预测及修正方法。首先,通过模糊聚类将用户按用电行为分类,将电价、用电量和加权气象日期影响因素作为预测模型输入量。然后,针对各类用户的用电特点,经仿真对比选择相适应的BP、Elman、LSTM神经网络算法构建预测模型。最后,运用修正算法对误差较大的峰谷值进行修正,将修正后的分类预测结果相加以获得整体预测值。以广东省云浮市某小区为例对该方法进行仿真分析,并与随机森林、CART等算法进行对比。实验结果证明所提方法具有更高的预测精度。     

基于奇异谱分析的短期电价预测

针对电价序列具有非线性和非平稳性的特点,提出了一种基于奇异谱分析(SSA)和改进布谷鸟算法(ICS)优化极限学习机(ELM)的短期电价预测模型。采用奇异谱分析提取电价序列中的趋势成分和振荡成分,进行准周期信号分量重建,并对重建序列进行ELM建模预测。针对ELM预测模型中的参数易陷入局部最优的问题,为了提高预测精度,提出改进布谷鸟算法优化预测模型的参数。最后将所有预测序列进行叠加,得到最终的电价预测值。以澳大利亚某电力市场电价数据为例进行分析,通过与其他几种预测模型相比,表明SSA-ICS-ELM模型能有效提高电价预测的精度和稳定性。     

基于Attention-GRU的短期电价预测

通过分析得出电价与负荷具有相关性,因此在电价预测模型中需要考虑实时负荷的影响。在此基础上针对前馈神经网络不能处理时序数据的缺陷与LSTM神经网络预测速度慢的问题,提出了一种基于Attention-GRU (Attention gated recurrent unit, Attention-GRU)的实时负荷条件下短期电价预测模型。该模型充分利用电价的时序特性,并采用Attention机制突出了对电价预测起关键性作用的输入特征。以美国PJM电力市场实时数据为例进行分析,通过与其他几种预测模型相比,验证了该方法具有更高的预测精度;与LSTM神经网络相比具有更快的预测速度。     

基于MIE-LSTM的短期光伏功率预测

提升精细化的光伏预测技术对电力系统的实时调度运行至关重要。它不仅依赖于预测模型的优劣,还依赖于训练样本日与预测日的相似程度。提出一种基于MIE-LSTM的短期光伏功率预测方法。在建立基于互信息熵(Mutual Information Entropy, MIE)的相关性衡量指标基础上,计算出光伏功率与各气象因素间的互信息熵,从而对高维气象数据进行降维处理。然后,利用历史日与预测日多维气象因素间的加权互信息熵筛选出相似日样本。最后,通过长短期记忆(Long-short Term Memory, LSTM)神经网络预测模型训练并建立气象因素与光伏出力之间的映射关系。通过对某实测光伏电站不同天气类型下的发电功率进行预测分析,验证了新方法能够达到理想的预测精度。     

基于CNN-LSTM混合神经网络模型的短期负荷预测方法

为了更好地挖掘海量数据中蕴含的有效信息,提高短期负荷预测精度,针对负荷数据时序性和非线性的特点,提出了一种基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合模型短期负荷预测方法,将海量的历史负荷数据、气象数据、日期信息以及峰谷电价数据按时间滑动窗口构造连续特征图作为输入,先采用CNN提取特征向量,将特征向量以时序序列方式构造并作为LSTM网络输入数据,再采用LSTM网络进行短期负荷预测。使用所提方法对江苏省某地区电力负荷数据进行预测实验,实验结果表明,文中所提出的预测方法比传统负荷预测方法、随机森林模型负荷预测模型方法和标准LSTM网络负荷预测方法具有更高的预测精度。     

基于CNN-BiLSTM-Attention的超短期电力负荷预测

超短期电力负荷预测对电力系统的快速响应和实时调度至关重要,准确预测负荷能保障电力系统的安全并提高用电效率。为获得准确可靠的负荷预测结果,针对电网负荷数据非线性和时序性等特征,提出了一种基于CNN-BiLSTM-Attention(AC-BiLSTM)的新型超短期电力负荷预测方法。该方法首先将卷积神经网络(CNN)和双向长短期记忆(BiLSTM)网络相结合充分提取负荷数据本身的时空特征。然后引入注意力(Attention)机制自动为BiLSTM隐藏层状态分配相应的权重,以区分不同时间负荷序列的重要性,能够有效减少历史信息的丢失并突出关键历史时间点的信息。最后通过全连接层输出最终负荷预测结果。以某地区真实负荷数据为例进行了实验分析。通过两种实验场景对比,验证了该方法具有较高的预测精度,可以为电力系统规划和稳定运行提供可靠的依据。     

基于时间分解技术的中远期逐时负荷预测模型

中远期电力负荷预测对于引导电网规划建设和提升电力系统资源优化配置具有重要意义。为解决当前中远期负荷预测时间尺度过大、预测精度有限的问题,利用时间分解技术,对电力负荷的长期趋势与短期特征分别进行建模分析,从而提出一种新型预测方法,将中远期负荷预测的时间尺度缩短至小时,实现中远期逐时负荷预测。算例分析表明,所建模型在中远期逐时负荷预测方面的性能优于现有的同类模型,具有较高的全局精度和稳定性。同时,能够有效呈现电力负荷的概率密度特征和极值特性,有望为中远期电力规划提供参考。     

风电预测方法与新趋势综述

风力发电作为一种技术成熟、规模较大的新能源发电形式,目前在世界各国得到了广泛应用和发展。风电具有不确定性的特点,必须对其进行准确的预测才能保证并网后电力系统的正常运行。针对风电预测的传统方法和新的研究趋势开展了综述。首先对物理方法、时间序列方法、人工智能方法和组合方法进行了总结,然后针对目前风电预测的几个重要的发展方向:空间相关性预测、集群预测、不确定性预测和爬坡预测的研究进展进行了重点阐述。对现有的风电功率预测方法进行综述后,进一步对这一领域的研究方向进行了展望。     

基于改进高斯过程回归的短期负荷概率区间预测方法

电力市场改革和分布式能源的并网给电网的运行和规划带来了许多不确定性的因素。为获取更准确、更综合的电力负荷预测值信息,提出一种基于K-means特征提取和改进高斯过程回归的短期负荷概率区间预测方法。首先利用历史负荷数据建立候选特征集,然后通过K-means的特征提取方法先对候选特征集进行分类,再利用K邻域内特征变量之间的互信息来选取负荷最优特征子集,并实时更新最优特征子集。为了准确捕捉电力负荷的时变特性,利用改进的高斯过程回归算法进行电力负荷概率区间预测,主要包括动态更新超参数和滑动窗更新训练样本集两个部分。实例表明,所提方法相比分位回归、高斯过程回归而言预测精度更好,所形成的预测区间具有更窄的区间宽度和更高的覆盖率,能为电力系统的运行规划提供更全面、更有效的负荷信息。     

融合历史数据和实时影响因素的精细化负荷预测

随着智能电网技术的飞速发展,对负荷预测的精度提出了越来越高的要求。融合负荷、天气等多源数据,提出了一种基于数据融合的支持向量机精细化负荷预测方法。首先对负荷历史数据进行聚类分析,将运行日分成六类。然后将负荷数据和温度、湿度等天气数据进行融合,针对六类聚类结果分别建立基于数据融合的支持向量机精细化负荷预测模型,并对模型参数进行全局优化。采用不同的预测模型对浙江省某地级市2013年的负荷进行预测,结果表明所提出的负荷预测方法的预测精度明显高于传统的负荷预测方法的预测精度。