电力中长期负荷模糊优选组合预测方法的研究

传统中长期电力负荷组合预测方法在确定权系数时,由于没能充分考虑各单一预测模型拟合值与历史实际值之间的多种误差信息,而使预测结果不够理想.为此,选取多种误差作为评价单一模型优劣的指标,引入多目标系统模糊优选理论,结合熵权法客观分配各种误差指标的权重,在全面考虑多种误差信息的情况下,通过求取各单一模型预测精度对“优”的隶属...     

基于神经网络的负荷组合预测模型研究

给出了电力系统负荷的变权系数组合预测模型,即基于神经网络的组合预测模型。该模型利用多种方法的预测结果与实际负荷数据的非线性关系,建立相应的神经网络模型。该网络为单输出的三层网络,其中输入层为各种预测方法的预测值,输出层为实际负荷值。文中用变动量因子和变学习率的BP算法对其训练,训练后的网络便具有预测能力。同时,文中对基于遗传算法的固定权系数组合预测模型进行了简要的介绍。对几个实际系统的年、月、时负荷预测表明,该模型具有很高的预测精度。     

基于负荷预测模型特性的组合预测新方法

提高短期负荷预测精度和计算速度一直是研究的热点问题之一.针对不同负荷预测方法的预测特性,提出了特性互补的组合预测新思路,建立了基于二阶自适应系数法和移动样本倒指数法的组合预测模型,采用最优组合预测与递归等权组合预测相结合的方法确定组合系数,并进行实时监测修正.结合甘肃电网的实际进行了短期负荷预测,结果表明,该方法计算速度快、预测精度高,具有一定的工程实用价值.     

采用协整检验的电力系统组合预测建模条件判定方法

对组合预测方法应用于电力系统短期负荷预测的条件进行了探讨。为了提高电力系统短期负荷预测的精度，运用计量经济学中的协整理论，对组合预测方法进行了研究，并分析了实际的负荷数据，得出应用的条件是：每种预测方法得到的预测值序列与实际负荷值序列之间应该具有协整关系，这是在电力系统短期负荷预测中采用组合预测方法的必要条件。结合实际预测数据，对协整分析方法及相关检验的实现过程进行了详细的计算说明，并对此结论的适用范围进行了介绍。     

基于Shapley值理论的能源系统需求预测方法

合理而准确的能源消费预测对于科学制定能源规划、优化调整能源与产业结构具有重要意义。针对传统能源预测方法预测精度低、未充分计及环境政策影响的缺点,提出了基于Shapley值理论的多情景修正组合预测模型。首先,根据能耗预测的要求和特点选取3个单项预测模型,并通过博弈论Shapley值理论确定单项模型在组合模型中的权重从而得到基准预测结果;然后,量化技术进步、经济发展、政策变动3个环节为修正项和修正系数,进一步改进模型函数,得到不同情景下的修正预测结果;最后,基于T市生活能耗数据进行算例分析,结果表明所提方法能够实现预测值曲线与实际值曲线的高度拟合,在充分考虑环境政策影响的基础上提高能源预测精度,为有关部门进行能源规划提供决策依据。     

基于双变量经验模态分解和最小二乘支持向量机的风电功率区间预测

准确的功率预测是应对大规模风电并网问题的重要方法,但目前风电功率预测精度仍存在较大误差。为了更精确地对风电功率进行超短期预测,提出一种基于双变量经验模态分解技术和最小二乘支持向量机的组合区间预测方法。首先,通过比例系数法构造复值区间,解决了区间构造的难题;其次,利用双变量经验模态分解和样本熵分别将上、下限结果分解重构,凸显了数据的特征信息;再次,针对各特征分量分别建立基于深度信念网络和最小二乘支持向量机的组合预测模型进行预测;最后,将各分量的预测结果组合得到一定置信率下的预测区间。实际算例表明,与现有的区间预测方法比,所提区间预测方法有效提高了区间覆盖率,达到了更准确的预测精度。     

基于IOWA-AHP的中长期负荷组合预测法

针对中长期电力负荷预测的特点,提出一种基于诱导有序加权平均(IOWA)算子和层次分析法(AHP)的中长期负荷组合预测法.首先通过各单项预测模型在历史年内各个时点的诱导值大小按顺序赋权,以误差平方和为优化目标求出IOWA加权系数;然后利用层次分析法综合考虑拟合精度、发展一致性和模型可信度,求出各单项预测模型在预测年内各个时点的诱导值,进而预测出负荷值.该方法的特点是:组合预测加权系数与单项预测模型无关,而与其在各个时点的诱导值密切相关;引入专家经验,减小了不确定因素的干扰.实际算例验证了该方法的可行性和有效性.     

一种简化的电力系统负荷线性组合预测法

负荷是电力系统运行和规划的依据，精确的预测可提高系统运行的可靠性和经济性。作者将电力系统负荷预测的三种主要方法，即外推法、灰色预测法和人工神经网络法结合起来，建立了一种线性组合预测模型。在组合模型的权重系数求解中，首先对目标函数和等式约束使用拉格朗日乘子法来求解权重系数。当出现小子零的系数时，改为只使用误差矩阵的对角元素来计算，这种近似对预测精度影响较小，但简化了计算，且保证了组合系数大于零的条件。由于组合模型的总平均误差要小于各单一预测方法的平均误差，这就提高了预测精度，尤其组合模型的最大预测误差要小于单一模型的最大预测误差，从而降低了预测的风险性，实例证明这种组合模型具有较好的实用性。     

变权重组合应用于短期电力负荷预测的研究

依据变权重组合预测理论,提出了一种新的适用于电力系统短期负荷预测的变权重组合预测法。这一方法建立在最大信息利用的基础上,集多种单一模型所包含的信息。介绍了变权重组合预测模型,样本点组合预测优化模型,预测时样本点组合预测权系数的确定。并通过实例分析说明在多数情况下,这一方法可以提高短期预测的精度和可信度。     

基于改进的预测有效度的中长期负荷组合预测

变权组合预测是负荷预测研究领域的热点,预测的关键是确定加权系数的原则。引入可信赖域α,改进了预测精度矩阵,推导了单个预测和组合预测的k阶改进预测有效度。通过拟合样本因子β,区分了样本区和预测区的加权系数。给出了基于一阶和二阶改进预测有效度最优级原则的中长期负荷组合预测模型。实际算例说明了预测模型的有效性。     

中长期负荷组合预测的改进

对中长期负荷组合预测进行了研究,提出了基于预测有效度最优的原则来求取组合预测加权系数的方案。通过引入可信赖域,改进预测精度矩阵,来推导单个预测和组合预测的阶预测有效度。由拟合样本因子区分样本区和预测区的加权系数,给出预测区加权系数的公式,得出基于一阶和二阶有效度最优原则的中长期负荷组合预测模型。算例结果表明,2种预测模型具有良好的预测精度。     

基于改进的并联灰色神经网络模型在电力需求预测中的应用

为了提高电力需求预测的精度,分析现有人工神经网络和灰色预测方法各自的优缺点,将二者相结合提出一种并联灰色神经网络预测方法.新方法首先采用灰色模型、神经网络分别进行预测,而后给出了一种基于粗糙集理论确定权值的方法对加权系数加以确定,最后对预测结果加以组合作为实际预测值.用上述并联灰色神经网络模型对上海市的电力需求进行预测...     

基于层次分析处理的最优组合电力负荷预测

将负荷预测问题看成是多层次、多因素问题,并采用了定性分析和定量计算综合评价的预测方法。另外,专家的经验和判断也被收集起来作为群决策的判断依据。确定组合权重是该方法的关键。     

基于Shapley值的组合预测方法

负荷预测对电网的安全运行起着至关重要的作用,预测误差较大则从长期和短期来讲都使电网公司面临很大的风险,所以必须提高负荷预测的精度、减小误差,组合预测能够有效地提高预测精度,但是其权重的设定是一个比较困难的问题。应用shapley值方法进行研究,根据分摊的误差来确定各个成员的权重,算例验证表明Shapley值方法确定的组合预测模型可以比其他方法更好地减小预测的误差。     

基于Matlab神经网络工具箱的电力负荷组合预测模型

在电力系统负荷预测中，组合预测是一种有效的方法。该方法通常是采用对单个预测模型进行加权处理，要求参加组合预测的模型误差能保持稳定，但电力负荷预测结果的误差往往是非均匀性的，针对上述做法存在问题，提出了基于人工神经网络的组合预测模型，利用人工神经网络对复杂非线性系统的拟合能力，通过网络训练自适应地调整各种预测模型的权重，同时，为了避免用常规语言建立人工神经网络负荷预测模型存在的模型结构复杂，训练时间长等缺点，利用Matlab神经网络工具箱建立组合预测模型，该模型不仅编程简单，而且收敛速度快，算例表明了该模型的实用性和有效性。     

应用负荷特性曲线由分量预测总量负荷的方法研究

负荷预测是电力规划的重要内容,由分量预测总量负荷的负荷方法,如土地利用法和报装负荷推算法等,是一种负荷预测方法的重要类型。分量负荷之间的“同时率”取值是否准确,直接影响着该类方法的预测结果。本文应用负荷特性曲线叠加代替“同时率”的经验数值,从而提高由分量预测总量的负荷预测方法的准确性与合理性。     

基于进化规划算法的电力负荷组合预测模型研究

为了提高负荷预测的准确性,引入了优化组合预测模型,使用进化规划算法以误差最小为目标优选组合预测各模型的权重系数,从而将几个电力负荷预测模型有初地结合起来,通过综合各个预测模型的优点,得出更为准确的结果。采用所提方法对某地区实际电网的供电量的历史数据进行了负荷预测,得到了满意的结果。     

灰色自适应滤波组合优化预测模型及其应用

利用时负荷的周期性,分别建立了灰色模型和自适应滤波模型,按照组合预测理论,对两种模型进行组合以提高预测精度,经实例验证,结果令人满意。     

基于最小一乘法的组合赋权法在中长期负荷预测中的应用

中长期负荷预测是电网规划的重要依据和前提,出现了大量的算法模型,但每种模型都有自己的适用条件,采用组合预测能有效地组织各种模型做到扬长避短。组合预测法的关键是确定组合模型的权重,最小二乘法是应用较为广泛的确定模型权重的方法,但研究表明,该方法在确定负荷有突变情况的权重时存在较大的误差,因此,提出基于最小一乘法的权重确定方法,与最小二乘法相比,该方法以误差绝对值之和最小为优化目标,而非平方和最小,避免了误差的缩放,残差可以真实反映与真值的偏离程度,有利于权重的确定,最后通过实例验证了该方法的有效性和优越性。     

基于非参数回归模型的短期风电功率预测

随着风电接入规模的增加,风电功率预测日益重要.非参数估计方法是模型估计和预测的典型方法之一,在国内短期风电功率预测中尚无应用.文中将非参数回归技术应用于短期风电功率预测,包括风电功率点预测和风电功率概率区间预测.首先,基于非参数回归模型,建立风速与风电功率之间的转换模型,得到风电功率的点预测值;其次,基于经验分布模型与非参数回归技术,建立风电功率预测误差的概率分布函数,得到风电功率预测值的概率区间.以内蒙古某风电场为例,验证了将非参数回归技术应用于风电功率预测的有效性.