改进的基于聚类分析的超短期负荷预测方法

分析了当前超短期负荷预测中存在的主要问题;在对大量历史负荷观测的基础上,提出并应用聚类分析理论进行负荷变化趋势分析;通过分析,在固定分类预测算法的基础上,提出了动态分类预测算法,该方法能够根据预测目标自动调整预测样本;大量的模拟测试表明,改进后的预测方法能够在无需频繁维护样本的情况下,大幅提高超短期负荷预测精度,尤其是对节假日负荷预测,效果更为明显。     

考虑负荷增长随机性的大电网电压稳定概率评估

针对电压稳定负荷裕度计算中负荷增长随机性的影响,提出一种大电网电压稳定概率评估方法。该方法根据历史负荷数据采用改进K均值聚类算法将负荷分类,基于负荷预测和负荷分类结果定义负荷随机增长的期望,在此基础上建立负荷增长方向概率模型,并采用拉丁超立方采样技术获得负荷增长方向样本,运用连续潮流对各样本进行确定性的负荷裕度计算。运用该方法对我国某实际电网进行电压稳定概率评估,评估结果验证了该方法的有效性和实用性。     

基于深度森林算法的电力系统短期负荷预测

为了提高电力系统短期负荷预测的精确度,解决目前基于机器学习算法的负荷预测需要人为凭经验对超参数进行大量设置和调整的问题,该文将深度森林算法引入了电力系统短期负荷预测领域。深度森林算法包含多粒度扫描阶段和级联森林阶段,具有表征学习的能力。与深度神经网络相比,深度森林算法能够进行高效并行训练,无须大量人为设置和调整超参数。该文选取了某地区实际电力负荷值以及气象因素数据,分别利用了前21天和前40天的数据对深度森林算法进行训练,并将其负荷预测结果与智能算法和传统分类算法的负荷预测结果进行了对比分析。试验结果表明深度森林算法具有高效的电力系统短期负荷预测的能力。     

基于模糊聚类与改进BP算法的日负荷特性曲线分类与短期负荷预测

提出了一种将模糊聚类技术与人工神经网络中的BP网络相结合的日负荷特性曲线分类与短期负荷预测的方法。通过模糊聚类技术将不同用户的负荷特性曲线进行分类,建立出不同的典型负荷曲线。然后利用同预测曲线相同类型的典型曲线,结合温度、日类型、湿度等对短期负荷预测影响较大的因素作为学习样本建立相应的BP网络模型。针对传统BP算法的不足,利用变学习速率和附加动量来改进BP算法并预测日负荷曲线。通过对实际日负荷曲线样本进行分类和对短期负荷进行预测证明该方法预测精度较高,在实际应用中具备可行性。     

基于负荷分类的短期负荷预测方法分析及应用

针对目前短期负荷预测准确率不高的情况,以秦皇岛电网为例,介绍典型日负荷曲线特点和分类,分析各类负荷曲线的特点及其适合的预测方法,提出基于负荷分类的短期负荷预测方法,并结合实例,验证了该方法的实用性.     

基于相似时间序列检索的超短期负荷预测

针对目前超短期负荷预测算法存在的预测精度不稳定、实时性能不强等问题,从时序数据挖掘的重要方法——相似时间序列的检索出发,结合负荷自身的周期性变化规律,提出了一种新的超短期负荷预测方法。该方法具有简单实用的坏数据处理机制;通过扩展负荷序列相似的概念有效地增加了预测样本的数量,提高了预测样本的质量;对预测值的加权处理抵御了单样本预测带来的风险,使预测的精度稳定在一个较高水平。实际应用结果表明,该方法的预测精度高、稳定性强,能较好地满足电力系统各方面的需求。     

超短期负荷预测在发电市场中的应用

阐述了超短期负荷预测在实时发电市场中的重要性。在充分研究和比较多种超短期负荷预测方法的基础上,提出了适合发电市场的综合预测方法;解决了负荷伪数据处理的问题;文中介绍的超短期负荷预测已成功应用于浙江发电市场中。     

基于短期负荷预测的超短期负荷预测曲线外推法（Only in Chinese）

针对短期和超短期负荷预测的特点，提出了一种基于短期负荷预测的超短期负荷预测曲线外推算法。该算法充分利用了短期负荷预测已取得的成果，解决了传统采用负荷历史数据进行超短期负荷预测时在拐点、天气剧烈变化和节假日期间负荷预测精度下降的问题。为了提高负荷预测精度，还讨论了在进行超短期负荷预测时，对历史坏数据的处理以及对短期负荷预测中对拐点预测不准的修正等实用性问题。通过在四川电网调度自动化系统中的应用结果表明，该方法速度快，精度高，运行可靠稳定，具有较强的适应性。     

基于自回归模型的超短期负荷预测方法

针对提前1小时的超短期负荷预测,在充分分析负荷特性的基础上,提出了基于自回归模型的超短期负荷预测,并利用拐点与负荷变化率的关系对预测结果修正。算例分析表明,该方法可以取得较高的预测精度。     

基于负荷趋势的新型超短期负荷预测法

结合浙江电力发电市场超短期负荷预测的需求,在充分分析电网负荷特性的基础上,提出了基于负荷趋势的新型超短期负荷预测法.该方法简单实用,并将负荷伪数据的判别和加工修改融合在预测过程中.算例分析表明,该方法预测结果误差分析指标优于浙江发电市场中现行的各种超短期预测方法,是一种工程实用性较强的方法.     

基于局部相似与神经网络的超短期负荷预测方法

为提高超短期负荷预测精度,特别是负荷曲线在拐点处的精度,在模糊聚类分析的基础上提出了一种选取局部相似日的改进模型。通过该模型选取局部相似日,并结合RBF网络提出一种新的预测超短期负荷方法。采用该方法建立2个预测模型,分别用于预测下个时刻和下一个小时段的数据。将该方法与灰色关联分析预测方法进行比较,发现该方法在预测精度上具有显著优势,证明新的预测超短期负荷方法有较高的可靠性与有效性。仿真结果表明,新的预测超短期负荷方法在工作日或休息日负荷曲线拐点处的预测上,均具有较高精度。     

聚类分析法在短期负荷预测中的应用

短期负荷预测是指预测未来24 h内的电力负荷需求,这是一项非常重要的工作。目前,负荷预测的实用计算方法有很多,线性回归法、时间序列法、人工神经网络法等等,但是,这些算法的预测精度欠佳。现根据相似日负荷的相似性,提出利用聚类分析法来进行短期负荷预测,为此,介绍聚类分析的步骤、方法及验证算例。实际运行结果表明:利用聚类分析法进行负荷短期预测,短期负荷预测的精度大大提高。     

基于模糊信息粒化与多策略灵敏度的短期日负荷曲线预测

针对气象变化时负荷曲线预测精度低、预测模型不能完全适应气象变化的情况,提出了一种基于模糊信息粒化与多策略灵敏度的短期日负荷曲线预测方法。提出了完全气象因子序列的概念,建立气象粒化集;采用空间多元回归及滞后模型结合多策略灵敏度分析法,建立了针对复杂气象条件下的极值预测模型;基于改进的K-means聚类分析法查找并获取气象特征日,计算初步预测曲线,主动判断预测曲线畸变概率并进行优化修正,得到最佳预测日负荷曲线;利用动态数据流对模型参数进行更新,实现精细化预测。最后采用该方法对我国南方某地区全年负荷曲线进行预测,验证了模型在多种气象条件下的预测准确性,尤其适用于短期内气象存在复杂变化的情形。     

基于模糊聚类识别及统计相关的短期负荷预测

应用模糊聚类理论，通过对负荷历史数据进行聚类和隶属度分析，依据模糊聚类和模糊模式识别、类别（或级别）变量特征值与概率统计相关分析等模型，根据模糊聚类参数与预测因子的前期特征值，确定相应的类别变量特征值，建立类别变量特征值与预测对象之间的相关关系，利用此相关关系进行负荷预测。应用隶属度来描述负荷与影响负荷因素之间的相关关系，可以同时考虑多种影响负荷因素，在算法上只是隶属度矩阵的阶数发生变化，预测过程简单明了。实践结果表明，此方法具有较高的预测精度，能较好地适应不同地区的负荷特性。     

基于聚类分析理论的空间负荷预测方法

基于时序分析的空间负荷预测方法通常先把预测区域划分成若干元胞,然后对每个元胞进行基于时序的负荷预测,从而实现对整体的空间负荷预测.目前基于时序分析的负荷预测模型有很多,但其中任意单一模型均难以做到对每个元胞预测都是误差最小的,即无法保证对总区域的空间负荷预测结果的准确性.为此提出了一种基于聚类分析理论的空间负荷预测方法...     

基于负荷特性聚类及Elastic Net分析的短期负荷预测方法

提出了一种基于负荷特性聚类及Elastic Net分析的短期负荷预测方法。通过对历史负荷特性进行分析和聚类,对全年日进行分类并指定日类型,避免日类型选择过于宽泛且缺乏针对性。同时采用Elastic Net方法对影响负荷预测的主导因素进行辨识和筛选。最后,在以上预测输入变量优化的基础上,建立神经网络预测模型。以广东省某市实际负荷为例,通过与其他方法对比,验证了所提方法在提高日负荷曲线预测精度方面的有效性。算例结果表明,所提模型适用期较长,无须反复训练,对短期负荷预测有较强的应用价值。     

基于数据驱动理念的电力日负荷曲线预测方法研究

针对短期日负荷预测的精度问题,本文提出一种基于数据驱动理念的电力负荷预测方法。在建立预测模型前对所给数据采取一定的预处理:首先提取所收集的海量数据的负荷特征,对负荷特征进行分析,然后进行负荷数据与影响负荷值的因素之间的相关性分析,以此确定对负荷影响较密切的因素,随后建立分类器得到各主要影响因素与各负荷类别之间的关系为后续预测模型奠定基础。对预处理后得到的不同类型的负荷数据采用最小二乘支持向量机方法建立不同的负荷预测模型。以南方某发达城市2008年的负荷数据作为算例验证数据,将本文所提负荷预测方法所得结果与未经数据预处理的负荷预测方法所得结果进行比较,结果表明本文提出的方法得到的预测结果精度较传统方法提高约6%。     

基于负荷特性聚类及Elastic Net分析的短期负荷预测方法

提出了一种基于负荷特性聚类及Elastic Net分析的短期负荷预测方法。通过对历史负荷特性进行分析和聚类,对全年日进行分类并指定日类型,避免日类型选择过于宽泛且缺乏针对性。同时采用Elastic Net方法对影响负荷预测的主导因素进行辨识和筛选。最后,在以上预测输入变量优化的基础上,建立神经网络预测模型。以广东省某市实际负荷为例,通过与其他方法对比,验证了所提方法在提高日负荷曲线预测精度方面的有效性。算例结果表明,所提模型适用期较长,无须反复训练,对短期负荷预测有较强的应用价值。     

基于模糊聚类与RBF网络的短期负荷预测

采用模糊聚类分析方法,应用隶属度来描述负荷与影响负荷变化因素之间的关系,得到一批与预测日在样本信息上类似的历史日;改进RBF网络的训练算法,增强RBF网络的局部逼近能力和泛化能力,采用由模糊聚类分析获得的样本对RBF网络进行训练,在不需大量训练样本的前提下实现对短期负荷的预测。对浙江省某地区电网的实际负荷数据仿真结果表明:该方法预测的日平均相对误差为1.91%,预测准确度为97.41%。     

基于负荷细分的差异化用户基线负荷预测

电力用户基线负荷(CBL)预测精度会极大影响需求响应效果的评估。本文基于负荷细分,考虑多维用电行为及其影响因素,通过精细化用户用电行为特征,提出一种考虑用户用电模式差异化的基线负荷预测方法。首先采用Ward-模糊C均值(FCM)聚类法,并结合负荷特性指标,改善用户负荷曲线聚类分析的效果;然后,分析气象、时间等多维影响因素,建立考虑温湿度和气温累积效应等城市微气象因素及节假日社会行为因素的差异化用电行为分析模型,提出温度敏感型、节假日敏感型以及两者均不敏感的精细化用电模式;最后,提出不同用电模式的CBL预测方法,建立综合评估方法分析其预测准确度。算例结果表明,所提算法能进一步提高CBL预测精度。