基于提升方法的短期负荷预测的研究

目前有很多方法可以实现电力负荷预测,但各种方法都有各自的局限性,如何充分利用各种算法,使负荷预测的精确度提高,组合预测方法便应运而生了.然而当前的组合预测方法过于重视算法,而忽略样本.文中给出了一种基于提升方法的电力负荷预测挖掘算法,该方法通过样本权值进行抽样,训练生成模型,并根据模型效率改变样本权值,再次抽样训练生成模型,如此迭代生成多个模型后进行负荷预测.实际应用结果表明该方法比其它方法具有较高的精度.     

基于蚁群算法的电力负荷预测方法研究

为了提高负荷预测的精度,提出基于改进蚁群算法的电力负荷组合预测方法。该方法以回归分析、灰色模型、二次指数平滑值、龚帕兹模型、弹性系数法、逻辑斯谛模型法、二次移动平均模型为基础建立负荷组合预测模型,利用改进蚁群算法优化组合预测模型的权值,并与单个预测模型进行比较。预测结果表明,基于改进蚁群算法的电力负荷组合预测方法,运算速度快,预测精度高,相对误差小,有一定的实用价值。     

考虑不确定区间的电力负荷GELM-WNN预测方法

为提高电力市场负荷预测的可靠性,结合广义极值学习机(GELM)、小波神经网络(WNN)和抽样模型构建技术,提出一种混合概率电力负荷预测方法。考虑预测模型和数据噪声的不确定性,利用小波函数将信息分成具有不同频率属性的子序列,并采用相似的分辨率尺度对其进行分析。使用GELM对WNN进行快速训练,通过迭代自适应抽样技术实现模型的不确定性评估,以概率区间形式输出电力负荷预测。提前24 h预测电力系统的最大负荷,结果表明,该方法的MAPE值低于1.1%,优于灰度值预测和比率估计方法。     

PSO-BP神经网络的电力负荷预测研究

以提升电力负荷预测精度以及实时性为目标,设计粒子群-反向传播神经网络的电力负荷预测方法。该方法预处理历史电力负荷数据,过滤错误数据以及异常数据,归一化处理剩余数据;将归一化处理后数据视为粒子群优化算法的粒子,利用粒子跟踪局部最优值以及全局最优值实现每次迭代过程中粒子速度与位置更新;利用改进非线性动态自适应算法确定最佳惯性权重提升电力负荷预测精度,建立包含输入层、隐含层以及输出层的三层前馈BP神经网络;将粒子群优化算法所输出粒子信息设置为BP神经网络初始阈值以及初始权值训练BP神经网络,直至满足迭代终止条件,输出电力负荷预测结果。选取某电力公司作为实例分析对象,实例分析结果表明,采用该方法预测电力负荷预测精度高于99%,预测时间开销低于150 ms。     

基于改进的灰色模型的煤矿电力短期负荷预测

为了提高煤矿电力负荷预测的精度,解决传统灰色模型的缺陷,建立了改进的灰色模型。将背景值进行优化生成权重系数,通过人工蜂群算法找出合适的背景值生成权重系数,以误差最小为目标,得到了负荷预测值。通过Matlab R2012a仿真,与传统的灰色模型相比,该模型的预测精度更高,证明该方法是有效的。     

基于进化神经网络的短期电网负荷预测算法

本文提出了一种基于进化神经网络的短期电网负荷预测算法。该算法使用了改进的人工蜂群算法与BP神经网络融合生成的进化神经网络,并且使用改进的人工蜂群算法对进化神经网络的偏置和权重进行优化。该算法将火电历史负荷数据作为输入,使用进化神经网络训练预测模型,预测未来一段时间内的电网负荷。首先获取历史负荷数据,然后将收集到的数据应用于进化神经网络模型训练。人工蜂群算法作为一种全局搜索算法,可以有效地探索模型参数空间,寻找最佳的模型参数组合以提升预测精度。为了验证所提出的负荷预测方法的有效性,本文使用了火电网负荷数据进行测试。实验结果表明,在短期电网负荷预测方面,本文提出的进化神经网络比传统方法预测结果更加准确可靠。     

多算法多模型与在线第二次学习结合的短期电力负荷预测方法

为了提高短期电力负荷预测精度,首次提出多算法多模型与在线第二次学习结合的预测方法。首先,利用互信息方法和统计方法对输入变量进行选择;然后,通过Bootstrap方法对数据集进行多样性采样,利用多个不同的人工智能算法和机器学习算法训练得到多个差异化较大的异构预测模型;最后,用每个待预测时刻最近一段时间的实际负荷值、第一次学习生成的多异构预测模型的负荷预测值构成新训练数据集,对新训练数据集进行在线第二次学习,得到最终预测结果。对中国广州市负荷进行预测研究,与最优单模型、单算法多模型和多算法单模型相比,在每日总负荷预测中,全年平均绝对百分误差（MAPE）分别下降了21.07%、7.64%和5.00%,在每日峰值负荷预测中,全年MAPE分别下降了16.02%、7.60%和13.14%。实验结果表明,推荐方法有效地提高了负荷预测精度,有利于智能电网实现节能降耗、调度精细化管理和电网安全预警。     

基于EEMD-SE和GARBF的短期电力负荷预测

为了提高短期电力负荷的预测精度,提出了集合经验模态分解(EEMD)-样本熵(SE)和遗传算法(GA)来优化RBF神经网络的组合方法。利用EEMD分解法自适应地对负荷序列进行分解,结合样本熵对复杂度相似的子序列进行合并,有效减小了运算规模。基于各个子序列复杂度的差异构建相应的RBF神经网络模型,利用遗传算法避免神经网络陷入局部最优和收敛性问题,进而对合并的新子序列进行预测并叠加得到最终预测结果。仿真结果表明,该预测算法具有良好的预测效果,满足短期电力负荷预测的要求。     

基于最大偏差相似性准则的BP神经网络短期电力负荷预测算法

针对企业电力负荷随机性强、稳定性低、预测精度不理想等问题,提出了一种基于最大偏差相似性准则的BP神经网络短期电力负荷预测算法。首先对最大偏差相似性准则算法进行修改,并提出使用预测日的负荷特征向量与最大偏差相似性准则算法聚类之后的类中心负荷特征的距离来确定预测日的相似日类别;然后将聚类后的相似日类别负荷数据作为BP网络的训练数据,输出预测日起始的连续三天96整点负荷值。实验表明,该方法提出的短期电力负荷预测方法在精度和网络训练时间上都有较大的提升,具有较高的有效性和实用性。     

基于XGBOOST-DNN的中期电力负荷预测

精准的负荷预测是电力工作者重要的工作之一,而负荷预测以预测周期的不同,一般可以划分为短期电力负荷预测与中长期电力负荷预测.其中中长期电力负荷预测相较短期电力负荷预测而言,该领域缺乏大量前沿工作者的探索.因此本文提出一种可应用于中期电力负荷预测领域且基于XGBoost-DNN的算法.该算法将树模型和深度神经网络相结合,并将短期电力负荷预测引入到了中期电力负荷预测的工作中,基于树模型自身特点,将数据特征加工成高阶的交叉特征,同时结合原有数据利用深度神经网络可学习到丰富的特征信息.这里是以2017全球能源预测竞赛的数据进行算法分析,其中实验表明,在中期电力负荷预测领域,该方法提出的XGBoost-DNN模型相较于DNN,LSTM而言,其具备更加精准的准确性.     

基于气象数据可视化降维和多模加权组合的短期负荷预测

针对短期负荷预测中数据预处理的必要性和单一预测模型的局限性,提出了一种基于气象数据可视化降维和多模加权组合的短期负荷预测方法。该方法将可视化降维、模态分解降噪、单一预测模型和权重确定理论相结合,构建了气象数据降维、历史负荷分解、模态分量降噪和多模加权组合的短期负荷预测模型。通过设置3种对比实验环境,对某地区供电公司所提供的电力负荷和气象数据进行分析。预测结果及误差分析表明,所提短期负荷预测方法在保留高维气象因素本质特征结构的同时,能有效结合数据预处理方法及单一预测模型的特点,有效提升该地区电网负荷的预测精度。     

模糊神经网络在非线性短期负荷预测中的应用

为提高负荷预测精度,提出了一种新的4层模糊神经网络短期负荷预测模型.该模型将模糊逻辑和神经网络的长处融合在一起,使模糊推理和解模糊均通过神经网络来实现.选取的隶属函数使神经网络权值有一定的知识表示意义,并通过模糊化层将输入特征量转化为模糊量.在模糊推理层提出了两种不同的算法来完成模糊推理,然后从中确定出模糊取小算法预测效果更好.最后在输出层通过适当的解模糊得到确切的预测输出值.仿真结果表明了该方法的有效性.     

基于机器学习的短期负荷预测算法综述

为维持电网稳定,各种负荷预测方法层出不穷,但由于算法泛化能力、模型复杂度等自身特点不同,使其对于负荷预测的适用性存在差异.本文讨论了近5年短期电力负荷预测的国内外研究现状,从实验数据集、数据预处理、预测算法、优化模型以及评估方法等多个维度对当前电力负荷预测研究现状进行整体概述,同时总结各种预测算法的优缺点与适用性,对短期电力负荷预测系统的发展趋势进行总结与展望,以期为未来电力系统负荷预测模型选择提供参考.     

基于p阶最大相关熵准则损失函数的鲁棒极限学习机

当前对于短期负荷预测的研究主要针对影响因素的分析以及模型的改进,很少有对模型的鲁棒性进行研究.以极限学习机(extreme learning machine,ELM)作为研究对象,针对ELM模型的鲁棒性问题进行了深入的研究,并将其应用到短期负荷预测问题中.ELM模型的鲁棒性受损失函数的影响,当前ELM模型在处理含异常点样本时,鲁棒性差、预测精度较低.针对该问题,提出了一种基于p阶最大相关熵准则的损失函数,并将该损失函数应用到ELM模型中,以提高其在短期负荷预测问题中的鲁棒性.提出了一种估计实际样本中异常点百分比的计算方法,在建立短期负荷预测模型之前,估计出实际负荷样本中的异常点百分比.仿真结果表明,在异常点超过12％的样本中,提出的算法模型具有更好的鲁棒性以及预测精度.     

基于宽度学习系统的短期电力负荷预测方法研究

电力负荷预测已成为电力调度的一项重要工作,也是评估电力企业是否实现现代化的重要指标之一。精准可靠的电力负荷预测数据对合理安排电力企业发电机组启停、降低电力损失、保障社会用电安全和提高电力企业经济效益等方面具有重要意义。短期电力负荷预测是针对短期负荷变化、甚至实时负荷变化,但由于短期负荷变化较为突然,预测难度大。为了提高短期电力负荷预测精确度,本文提出了一种基于宽度学习系统的短期电力负荷预测方法,通过采用邻域粗糙集分类算法,对输入参数进行特征提取,然后采用宽度学习系统对电力负荷历史数据进行离线训练,利用已训练完成的模型实现24h短期负荷预测。研究结果表明,使用本方法可以有效降低MAPE和RMSE,也有效减少了训练时间,提高了模型训练速度,具有优异的预测能力。     

A novel method of short-term load forecasting based on multiwavelet transform and multiple neural networks

This paper aims to develop a load forecasting method for short-term load forecasting based on multiwavelet transform and multiple neural networks. Firstly, a variable weight combination load forecasting model for power load is proposed and discussed. Secondly, the training data are extracted from power load data through multiwavelet transform. Lastly, the obtained data are trained through a variable weight combination model. BP network, RBF network and wavelet neural network are adopted as the training network, and the trained data from three neural networks are input to a three-layer feedforward neural network for the load forecasting. Simulation results show that accuracy of the combination load forecasting model proposed in the paper is higher than any one single network model and the combination forecast model of three neural networks without preprocessing method of multiwavelet transform.     

短期电力负荷预测的灰色-小波网络组合模型

短期电力负荷数据具有离散、无规则波动的特点,先利用灰色预测弱化其波动性,然后将负荷原始检测数据与其相对应的灰色预测数据进行重构后作为小波网络的训练样本,在此基础上建立基于灰色-小波网络组合模型的短期电力负荷预测新方法。该方法有效整合了灰色理论、小波分析和人工神经网络的优点,与传统BP网络相比,收敛速度更快,预测精度更高。仿真试验表明了该方法用于短期电力负荷预测的可行性和有效性。     

基于云模型的电力系统负荷组合预测

电力系统负荷预测的精确度决定着电网安全稳定、高效的运行.最小二乘支持向量机(LSSVM)被广泛应用电力系统负荷预测上,然而该方法在处理不确定性问题上有很多不足之处.为了更精确的选择核函数的参数,处理不确定性因素,提高短期负荷预测的精度,提出了一种将云模型、粒子群优化(PSO)和LSSVM相结合的组合模型.首先通过对各影响因子的不确定性分析,按不确定性高低将各影响因子分别应用Cloud-LSSVM和PSO-LSSVM进行预测,然后通过组合模型的加权计算的得到最终预测值.最后,通过仿真对比证明该模型能更好的处理不确定性,从而提高电力系统短期负荷预测精度.     

基于VMD与MOGOA-LSTM的短期负荷预测模型

为了提高短期负荷预测的准确度,降低非平稳信号对模型预测造成的影响,提出一种集数据挖掘和多目标优化网络于一体的短期负荷预测模型。该方法将电力负荷数据通过变分模态分解技术分解成若干个不同频率的模态分量,采用相间重构方法动态确定人工神经网络的训练测试比和神经元设置,采用长短期记忆神经网络对各分量进行模型搭建,并在长短期记忆神经网络的基础上加入多目标蝗虫智能优化算法来优化网络内部参数,累加所有分量模型预测的值,实现短期负荷预测。仿真结果表明,与统计学方和混合模型相比,本文提出的模型在短期预测方面的预测精度较高、泛化能力更强。