基于差分分解和误差补偿的短期电力负荷预测方法

基于序列分解的方法能够提高短期电力负荷预测精度,但会带来误差的积累。同时,现有方法忽略了历史预测误差与当前预测结果的相关关系。提出了一种基于差分分解和误差补偿的短期电力负荷预测方法(differential decomposition-error compensation-gated recurrent unit,DD-EC-GRU)。首先,对原始负荷序列进行一阶差分,将负荷的预测问题转化为负荷变化量的预测问题。基于此,在一组实际预测负荷序列的基础上引入多组辅助预测负荷序列,应用门控循环单元(gated recurrent unit,GRU)构建多目标迭代预测网络。最后综合考虑各序列迭代预测误差的变化趋势与平稳性,构建基于序列相似度和人工神经网络集成模型的误差补偿网络,提升预测精度。在3个实际负荷数据集上对DD-EC-GRU各环节有效性进行验证,并与多种主流算法对比,结果表明本文所提方法有较高的预测精度和较强的适应能力。     

基于LSSVM和马尔可夫链的母线负荷短期预测

提出了一种母线负荷短期预测混合算法。采用最小二乘支持向量回归方法（LSSVM）进行短期母线负荷预测,并提出一种广义网格搜索算法对模型参数进行优化;由历史预测误差组成误差序列,将历史预测误差序列看作是一个符合马尔可夫过程的时间序列,采用马尔可夫链方法对未来的预测误差进行估计,采用误差估计结果对上一步LSSVM的预测结果进行修正,得出最终预测结果。经算例分析证明,所提方法能显著提高预测精度。     

基于LSSVM和马尔可夫链的母线负荷短期预测

提出了一种母线负荷短期预测混合算法.采用最小二乘支持向量回归方法(LSSVM)进行短期母线负荷预测,并提出一种广义网格搜索算法对模型参数进行优化;由历史预测误差组成误差序列,将历史预测误差序列看作是一个符合马尔可夫过程的时间序列,采用马尔可夫链方法对未来的预测误差进行估计,采用误差估计结果对上一步LSSVM的预测结果进行修正,得出最终预测结果.经算例分析证明,所提方法能显著提高预测精度.     

基于灰色生成的卡尔曼滤波短期负荷预测

根据灰色系统理论数据生成方式,提出了利用负荷级比累加序列进行卡尔曼滤波短期负荷预测的方法,以减小数据波动对预测精度的影响.首先依据移动时间窗原理对预测点附近的历史负荷数据进行提取,再采用级比和累加生成方式对提取数据进行处理,最后运用卡尔曼滤波算法对负荷级比序列累加值进行预测,并通过还原算法得到所需预测时刻的负荷值.对实际电网的负荷数据进行为期一周的仿真分析,其结果表明了该方法比基本的移动时间窗滤波算法具有更好的预测效果.     

基于混沌神经网络理论的小电网短期电力负荷预测

通过对小电网负荷数据的特点分析,将时间序列处理、混沌理论和神经网络理论相结合提出了一种基于混沌神经网络理论的电力负荷预测模型。利用Matlab对实际数据进行了仿真计算。通过实例计算,并和不用相空间重构的神经网络的负荷预测算法的各种误差指标的分析比较说明,利用相空间重构对历史数据序列进行拆分或重构可以提高负荷预测的精度。     

基于优化稀疏编码的超短期负荷滚动多步预测

小时级的超短期负荷预测是调度部门制定日内滚动计划的基础。该文提出了一种基于优化稀疏编码的超短期负荷多步预测算法,对未来4h的负荷进行滚动预测。首先,将历史负荷功率序列组成具有时延的特征字典和目标字典,并利用稀疏编码算法建立多步预测模型;然后,基于负荷曲线的相似性特性,借助实时的负荷功率特征向量与特征字典中原子的拓展符号化距离对特征字典原子进行筛选,提高了稀疏编码的预测精度;最后,对预测结果进行误差分析。针对负荷爬坡时段误差偏大的问题,通过基于负荷增量预测值的修正模型进行优化,进一步提高了预测精度。采用实际负荷数据进行分析,验证了所提方法的有效性。     

基于BP神经网络的电站负荷预测仿真研究

随着神经网络理论在电力行业应用不断广泛和深入,神经网络用于电力负荷预测也取得一定成果。为了减小负荷预测的误差,提高预测精度,将BP神经网络引入电站负荷预测,首先介绍了电力负荷传统预测方法,进而引出了人工神经网络预测方法,分析了BP神经网络原理、模型及算法,通过m语言在MATLAB中建立了负荷预测模型,对实际电站数据进行了仿真分析,得到了训练误差曲线,验证了BP神经网络应用于负荷预测满足一般精度的要求,从而改进了传统方法带来的误差,使预测结果接近实际值。     

基于自适应无迹卡尔曼滤波的配电网状态估计

随着大量分布式电源和电动汽车接入配电网,DG出力难以预测以及负荷监控复杂是配电网运行管理的难题。针对传统无迹卡尔曼滤波预测误差大,且容易受不良数据影响的问题,利用新息向量构造了自适应因子,提出自适应无迹卡尔曼滤波(Adaptive Unscented Kalman Filter,AUKF)算法对配电网进行状态估计。当系统负荷突变以及量测存在不良数据时,利用自适应因子对相应的预测协方差矩阵进行在线修正,减小了预测误差对估计精度的影响。在三相不平衡配电网中进行仿真分析,结果表明,AUKF算法比UKF估计精度高、鲁棒性强,验证了所提算法的有效性。     

基于混沌神经网络理论的小电陨短期电力负荷预测

通过对小电网负荷数据的特点分析，将时间序列处理、混沌理论和神经网络理论相结合提出了一种基于混沌神经网络理论的电力负荷预测模型。利用Matlab对实际数据进行了仿真计算。通过实例计算，并和不用相空间重构的神经网络的负荷预测算法的各种误差指标的分析比较说明，利用相空间重构对历史数据序列进行拆分或重构可以提高负荷预测的精度。     

基于纵横交叉算法优化神经网络的负荷预测模型

为了解决传统BP神经网络对高频分量预测精度不高、泛化能力弱的缺点,提出了一种混合小波变换和纵横交叉算法(CSO)优化神经网络的短期负荷预测新方法。通过小波变换对负荷样本进行序列分解,对单支重构所得的负荷子序列采用纵横交叉算法优化的神经网络进行预测。最后叠加各子序列的预测值,得出实际预测结果。通过实际电网负荷预测表明,新模型能掌握冲击毛刺的变化规律,有效提高含大量冲击负荷地区的负荷预测精度,且预测模型具有较强泛化能力。     

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。     

基于近似熵的电力系统负荷预测误差分析

为深入探究负荷时间序列预测误差的影响因素,提高负荷预测精度,提出近似熵算法,用于定量刻画负荷时间序列的规律性,全面认识负荷预测误差的成因。采用近似熵算法对负荷时间序列进行分析,确定其规律性的强弱。在此基础上,针对负荷时间序列的规律性与预测误差之间的关系进行研究。算例分析结果表明,近似熵算法可以有效刻画负荷时间序列的规律性,且负荷时间序列的规律性与其预测误差之间有着较强的相关性,证明了方法的正确性和有效性。     

一种基于加权马尔科夫链修正的SVM光伏出力预测模型

构建高效的光伏出力预测模型,能减少光伏出力随机性对电力系统的冲击。考虑光伏发电的随机性和不稳定性,提出用加权的马尔科夫链修正SVM预测模型,以提高预测精度。首先建立SVM光伏出力预测模型,预测未来1天的出力曲线。然后基于均值-均方差方法对预测残差进行分级,以残差序列标准化的各阶自相关系数为权重,运用加权马尔科夫链模型,预测残差的未来状态。最后根据未来状态空间的阈值对SVM预测结果进行修正。将此模型应用到某光伏发电系统的出力预测实例中,仿真结果表明,修正后的模型预测精度更高,模型具备可行性和有效性。     

基于PCA-GA-LSSVM的输电线路覆冰负荷在线预测模型

针对目前输电线路覆冰负荷预测模型存在的预测精度不足、模型参数选择随意性强、预测效率低等问题,提出了一种基于现场监测数据的输电线路覆冰负荷在线预测模型。首先基于主成分分析法(PrincipalComponent Analysis, PCA)提取微气象数据中的有效信息,并采用遗传优化算法(Genetic Algorithm, GA)对惩罚系数等模型参数进行优化确定,建立离线最小二乘支持向量机(LeastSquaresSupportVectorMachines, LS-SVM)模型。然后基于KKT条件(Karush-Kuhn-Tucker conditions)和增量在线学习算法,实现了回归函数和预测模型的在线更新。最后通过云南电网相关输电线路覆冰灾害的实例进行仿真分析。实验结果表明所提模型可有效地对现场输电线路覆冰负荷进行在线预测,单步长及多步长的预测效果均优于传统的覆冰预测模型,应用该预测模型可更好地为输变电系统的除冰和维护决策服务。     

基于动态权值相似日选取算法的短期负荷预测

提出了一种基于动态权值优化的相似日选取算法和灰色GRNN串联组合模型的短期负荷预测方法。采用动态权值相似日选取算法,在考虑不同地区和季节对短期负荷的影响时,引入改进的果蝇优化算法(MFOA),动态调整各因子的权值,增强了相似日选取算法的适应性和有效性。选取出相似日后,采用灰色模型和广义回归神经网络(GRNN)串联组合的短期负荷预测方法,并通过改进的布谷鸟(MCS)算法对GRNN平滑因子进行优化,组合模型改善了单一模型预测精度的稳定性。实例预测结果验证了该方法的有效性。     

基于即时学习算法的短期负荷预测方法

针对电力系统短期负荷数据存在非线性和时变性等问题,提出了一种变量相关性局部即时学习算法和最小二乘支持向量机(LSSVM)的电力系统短期负荷预测模型。利用互信息计算气象数据、各气象因素等变量的相关度,并引入到即时学习算法训练集中,用以选择当前电力系统负荷的建模邻域,提高系统短期负荷模型预测的精度。利用相似度阈值对局部模型进行自适应更新,增强系统负荷模型实时性。利用Matlab对某市宛城区的负荷量进行预测,结果表明,基于即时学习算法的电力系统短期负荷预测模型误差更小,系统预测精度更高。     

考虑分布式光伏和电动汽车接入的配电网空间负荷预测方法

针对大规模分布式光伏和电动汽车接入配电网对空间负荷预测影响的问题,提出一种考虑远景年屋顶分布式光伏饱和安装、大规模电动汽车参与V2G的城市配电网空间负荷预测方法。区分不同小区,依据相应的容积率和可利用率系数计算屋顶光伏饱和安装面积,结合历史辐射值数据计算光伏出力。基于改进型停车生成率模型预测停车需求,结合日行驶里程、停车特性和充放电策略,建立电动汽车V2G负荷预测模型,利用蒙特卡罗仿真得出V2G负荷时空分布情况。采用改进型负荷密度指标法,实现对考虑时序的配电网传统日负荷的预测。以某规划区为例,预测结果表明:屋顶分布式光伏和电动汽车V2G对配电网空间负荷预测结果影响较大,且对不同小区负荷影响的程度不同。     

计及气象因素时间累积效应的输电线路覆冰预测

现有基于机理的覆冰预测模型考虑因素众多,结构复杂,但仍存在预测误差。基于统计回归的覆冰预测模型则较少考虑时间累积效应,与实际情况亦有出入。因此提出了计及气象因素时间累积效应的输电线路覆冰预测模型。建立了气象因素下的覆冰厚度增长简易模型,分析了覆冰厚度随时间增长的关系。并进一步考虑不同气象因素对覆冰增长的影响,构建不同气象因素覆冰厚度增长程度指标。利用历史气象数据计算该指标并与覆冰厚度监测值组成训练集,采取SVM回归方法实现对覆冰情况的预测。通过算例对现有各方法与所提方法进行了对比,验证了该预测模型在精度等方面的优势。     

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。