基于递归等权组合模型的中长期电力负荷预测

针对电力负荷预测中单一模型不能充分利用数据信息和对其内在规律考虑不完全的问题,文中采用基于递归等权的组合预测模型,通过灰色关联度法对多个单一模型进行筛选,并确定参与组合的模型。再由递归等权法实现了对参与组合的各单一模型的变权重处理,有效地考虑各单一模型的预测好坏的变化。最后,通过对某地区最大负荷进行预测,对比单一模型与递归等权组合预测模型的预测误差。结果表明,递归等权组合预测模型比各单一预测模型的误差都小,从而验证了该模型能有效提高电力系统负荷预测能力,其精度高、结果可靠。     

组合预测方法在电力系统负荷预测中的应用研究

组合预测方法是一种性能优越的预测方法。选择了电力负荷预测精度较高的两种单一预测模型——无偏灰色预测模型和时间序列预测模型,通过它们建立了三种不同的组合预测模型,对我国电力负荷进行了预测,验证了组合预测模型的优越性。最后,通过对三种组合预测模型的预测结果进行对比,选择一个最适合电力负荷历史数据的模型,通过该模型对我国社会用电量进行预测,获得了较好的预测效果。     

基于预测决策的组合短期负荷预测

以提高短期负荷预测精度为目的,首先选择五种预测模型分别对算例进行虚拟负荷预测,再利用决策理论知识,通过几率矩阵法来筛选预测模型,舍弃不符合要求的模型,最后以各时段残差平方和最小为目标函数确定各个模型权重系数.使用选中的模型进行组合短期负荷预测,并将预测结果与各单一模型的预测结果进行比较.说明了预测决策的可参考特性和实用特性,也说明了组合预测模型的拟合精度优于各种单一模型,得到了较好的预测效果.     

基于Shapley值组合预测技术在电力负荷预测中的应用

为了提高负荷预测的准确性,减少负荷预测误差,引入了组合预测模型,使几个电力负荷预测模型有机地结合起来。在组合预测权重分配问题上,采用了博弈论中的Shapley值的分配模型,从而确定出各个模型的合理的权重。通过实例论证,证明该方法可以有效地提高负荷预测精度。     

灰色关联度组合权在电力负荷预测中的应用

电力负荷预测的复杂性、不确定性使传统的单一预测模型难以获得精确的结果.为提高电力负荷预测准确度,构建了一种组合预测模型.该模型综合灰色递阶模型、"S"曲线模型和逐步回归模型预测结果的过程中引入灰色关联度作为确定组合预测权重的依据,综合协调各个结果,得到更为合理的预测值.     

基于支持向量机的中长期电力负荷组合预测

影响中长期负荷的因素多,随机性强,单一预测方法很难满足不同情况的预测需要,组合预测能较好地解决单一模型的不足,但现有组合预测模型主要基于经验风险最小,预测精度受组合模型的限制.本文提出一种基于最小二乘支持向量机的中长期负荷组合预测模型,该模型利用结构风险最小化原则代替传统的经验风险最小化,充分挖掘原始数据和单一预测模型的信息,以单一模型的预测数据作为组合预测样本,选择多项式核函数的最小二乘支持向量机进行组合预测.实际算例表明,本文提出的组合模型预测平均误差仅为1.719%,具有良好的可行性和有效性.     

计及模型综合指标评价的西南电网中长期负荷变权组合预测

为解决单一预测模型难以适应西南电网不同区域的负荷变化问题,针对西南电网各区域年负荷变化的特点,提出采用计及综合指标评价的负荷变权组合预测模型。首先引入改进灰色关联度指标、预测有效度指标和模型冗余检验指标作为模型选择依据,形成适合不同区域的历史负荷变化的基模型库。然后引入自适应变权重算子对基模型进行组合预测,获得西南电网区域年负荷预测值。算例利用四川省、重庆市以及西藏自治区2006—2019年的电力消费量进行测试,结果表明所提预测方法能够有效预测西南电网负荷变化,相比最优权重模型、等权模型和最优单一模型算法具有更高的预测精度。     

基于HHT和神经网络组合的负荷预测模型研究

首次提出了一种基于HHT和神经网络组合的预测模型.负荷数据首先经过EMO分解,得到一系列IMF分量及余项,通过各分量的频谱观察,针对低频IMF分量规律性及周期性强,高频分量相对较弱的特点,对低频IMF分量选择合适的预测模型直接进行预测,高频IMF采用多神经网络组合预测方法.仿真结果表明,文中提出的预测模型的精度高于任一单一模型,并且高于传统的线性组合预测模型.     

短期电力负荷的灰色GM(1,1)模型群组合预测

组合预测方法是一种性能优越的预测方法.由于电力负荷具有很多不确定因素,用单一预测模型进行预测时,其预测精度不高,为提高预测精度,提出组合预测模型.灰色GM(1,1)模型群能够很好地反映电力负荷的周期变化特性,而用不同时期的历史数据可反映不同的信息特征,因此,提出了基于远近数据的GM(1,1)模型群预测组合预测法.利用此方法对某地区的日电力负荷进行预测的算例结果表明:此方法的预测精度高于各单一模型的预测精度,且能够很好地反映日负荷变化的随机性和周期性.     

突变期电力负荷预测方法及其应用

为提高天气突变期电力负荷预测的精确度,分析了气象敏感因素对突变期电力负荷的影响,提出了负荷-天气突变修正策略,结合数据挖掘模型,并利用组合预测方法相对于单一预测模型的优势,设计了一种基于组合预测的突变期电力负荷预测方法.统计结果表明该方法显著提高了突变期的负荷预测精确度,对安徽电网电力总负荷的预测结果证明了该方法的有效性和优越性.     

基于最大信息熵原理的短期负荷预测综合模型

引入了信息理论来研究和处理负荷变化的不确定性，提出了基于最大信息熵原理的短期负荷预测综合模型，该模型将各种单一预测模型的预测结果以及历史预测误差分布作为约束信息，利用最大熵原理得到预测结果的分布。文中阐述了新模型的应用背景、思路和理论，给出了具体的实现方案和算法，并在实际电网中得到了应用。针对实际电网的算例研究表明，对于随机性较大的电网负荷，传统综合预测模型存在明显的过拟合现象，而新模型则有效地提高了预测精度。     

基于专家评分机制的模糊综合评判法在电力系统负荷预测中的应用

针对目前电力系统单一负荷预测模型的不足之处,研究了结合各种单一预测模型优点组合预测方法。对基于模糊综合评判的组合预测模型进行了改进,从不同评价因素出发,把专家评分机制和模糊隶属函数结合起来用于各个单项模型的综合评价,可以充分利用专家的知识和预测人员的经验,有效地处理电力系统负荷预测的不确定性和模糊性,提高电力系统负荷预测的精度。最后用一个某地区的实例验证了该方案的可行性和正确性。     

基于联合模型的短期电力负荷预测方法

为了准确预测电力负荷并提高电力系统调节和调度的灵活性、准确性,提出了基于差分自回归滑动平均和长短期记忆神经网络的短期负荷联合模型预测方法,以避免单一预测模型可能难以满足预测准确需求的情况。首先,使用差分自回归滑动平均和长短期记忆神经网络单一模型对短期电力负荷开展预测;然后,使用改进的粒子群优化算法对联合模型权重进行寻优;最后,利用最优权重将单一模型预测结果进行合并得到最终的预测结果。验证结果表明,所建立的联合模型能够对短期电力负荷进行准确的预测,且联合模型的预测精度要优于差分自回归滑动平均、长短期记忆神经网络和BP神经网络等单一模型,具有一定的工程应用价值。     

基于SARIMA-GRNN-SVM的短期商业电力负荷组合预测方法

针对短期商业电力负荷预测准确性与周期难以满足现有电力现货市场的问题,提出了一种基于SARIMAGRNN-SVM(seasonal autoregressive integrated moving average-generalized regression neural network-support vector machine)的商业电力负荷组合预测模型。首先,对商业电力负荷变化的周期规律与随机因素的复杂影响进行了分析;然后,结合以上分析,选用SARIMA和GRNN为单一预测模型对商业电力负荷进行预测,并利用SVM进行组合,实现日前商业电力负荷预测;最后,通过某商业综合体的电力负荷数据进行验证。所提组合预测模型较单一预测模型拥有更优的预测精度与鲁棒性,可以为短期商业电力负荷预测提供借鉴。     

一种实用的短期负荷组合预测方法

组合预测理论的发展正逐渐趋向成熟,其在电力系统负荷预测的研究与实践也逐渐增多。文中分别应用简单平均组合与最优加权组合原理,建立了短期负荷预测的组合模型。模型通过对某省负荷样本数据的分析,采用多角度选取样本,充分利用有限历史数据;同时引入多种数学模型,吸收了各模型所具有的优点。该模型具有预测精度高,建模速度快的特点。某省实际负荷数据的测试证明了模型的实用性。     

基于自适应滚动优化的电力负荷多模型组合预测系统的研究与开发

该文提出了多模型组合预测等预测策略，采用了包括非线性优化组合模型、逻辑预测模型、组合自适应指数平滑模型和综合模型等多种组合模型来进行短期电力负荷的预测；并使用自适应波动优化技术保证每种模型能随负荷特性变化，调整模型参数；同时根据对每种模型在一段时间内的预测误差分析，选取最优的组合模型。基于该文预测策略和预测模型所开发的预测系统的预测结果表明，组合预测模型的预测结果优于单一模型的预测结果。     

考虑数据新鲜度和交叉熵的电动汽车短期充电负荷预测模型

研究了公交车充电站短期负荷预测方法,提出了一种基于数据新鲜度和交叉熵的组合预测模型。首先,对公交车充电站的负荷特性进行分析,发现日充电负荷具有波动大、周期性、与气象条件(温度、降雨等)密切相关的特点。其次,对组合预测模型在累积历史预测误差的过程中作了如下改进:1考虑充电负荷样本数据的时间特征和波动性特征,给出了基于灰色关联度的相似日选取方法;2考虑单一模型在预测过程中的精度和稳定度,基于交叉熵和正态分布概率密度函数建立组合预测模型,动态地调整权重系数;3充分考虑数据源的时间有效性,提出新鲜度函数的概念,改善了单一预测方法的概率密度分布函数,进而优化组合预测的权重系数,进一步提高组合模型预测精度。基于北京市某公交车充电站的历史充电数据构建训练样本和测试样本,通过与单一预测模型和其他组合模型的预测结果进行比较,证明了所提组合预测模型的有效性。     

一种基于多神经网络的组合负荷预测模型

针对BP神经网络、RBF神经网络和小波神经网络应用于负荷预测时所遇到的问题,提出了一种基于各种神经网络的组合预测模型。该模型为单输出的3层神经网络,即将3种神经网络的预测结果作为神经网络的输入,将实际负荷值作为神经网络的输出,使训练后的网络具有预测能力。该模型能降低单个神经网络的预测风险,提高预测精度。仿真结果表明,所提出的组合预测模型的精度高于其中任一单一网络模型,也高于传统的线性组合预测模型。