基于灰色马尔科夫预测模型的中长期电力负荷预测

中长期负荷预测在电网发展规划编制中占有重要地位,而其关键是数学模型的建立。本文建立了基于马尔科夫修正的灰色负荷预测模型,利用灰色预测模型对未来负荷进行预测,对预测结果采用马尔可夫链预测方法进行改进,提高其预测的准确性。采用灰色马尔科夫模型对某市用电需求负荷建立预测模型,预测了2006至2008年的用电负荷,与实际用电负荷进行对比,结果验证了灰色马尔科夫模型在对电力负荷进行长期预测时具有较高的精度。     

马尔科夫理论在中长期负荷预测中的应用

针对灰色预测模型对随机波动性较大的数据序列拟合较差、预测精度较低的情况,提出了一种基于马尔科夫灰色残差修正的预测模型,该模型考虑到马尔科夫理论中转移概率可以反映随机因素的影响、适用于随机波动较大的动态过程的特点,将其与灰色预测模型进行有机结合.文中一方面利用马尔科夫链对电力负荷的未来残差值进行修正;另一方面运用马尔科夫...     

基于灰色Verhulst和灰色马尔科夫的电力负荷预测组合模型

本文提出了电力系统中长期负荷预测的线性组合模型,即基于灰色Verhulst和灰色马尔科夫的组合模型。针对中长期负荷日趋饱和的特点,采用具有S型预测曲线的灰色Verhulst模型进行预测;针对灰色模型预测随机波动较大的负荷时拟合性较差的缺点,采用马尔科夫理论对灰色模型进行修正,弥补了灰色模型固有缺陷,提高其预测精度。通过线性组合法将灰色Verhulst模型与灰色马尔科夫模型相结合,规避了单一算法模型产生较大误差的风险,进一步提高了预测准确性。算例表明,该组合模型精度较高,具有实用性与可行性。     

中长期电力负荷的灰色残差修正组合预测

中长期电力负荷走向趋势曲线往往呈S型,直接运用灰色GM(1,1)模型预测会造成较大的偏差。针对负荷曲线固有的发展趋势,根据曲线发展的不同阶段分阶段预测,采用GM(1,1)模型进行第一阶段的预测,采用残差修正模型进行第二阶段的预测。在分阶段预测的基础上,根据每一阶段的预测精度分配权重,进行组合预测。该方法将数据本身发展趋势和模型固有优点相结合,预测结果表明该方法在提高精度上有可行性。     

基于马尔科夫修正的电力系统超短期负荷灰色预测

针对目前超短期负荷预测在拐点处预测误差较大,提出了根据时间序列相似的拐点预测方法。算法首先运用平滑处理方法对历史数据预处理,得出负荷序列的总体趋势,再运用灰色理论模型预测负荷变化平稳时段的负荷。介绍了运用马尔科夫链统计方法对随机部分的修正。     

基于灰色理论负荷预测的应用研究

灰色预测系统GM(1,1)模型用于负荷按指数增长态势变化时,预测精度较高,但当影响负荷的因素较多、模型灰度较大时,精确度就不够理想。在分析灰色负荷预测模型GM(1,1)的基础上,对模型中的α参数和负荷预测差值建立了修正模型,进而修正负荷预测值,使预测精度得以提高。通过算例进行验证,说明了灰色GM(1,1)模型在某些情况下精度不高的原因,通过修正使预测精度得到较大的提高。     

可变参数无偏灰色模型的中长期负荷预测

由于传统灰色预测模型固有的偏差和模型参数的固定选择，导致预测精度较低，不适应中长期负荷预测，对传统模型进行改进，包括对历史数据的平滑处理，模型参数修正，等维新息数据处理和对预测值的修正等，改进后的模型能够较好的预测中长期负荷。     

基于灰色理论的中长期负荷预测

对负荷预测中的灰色预测方法进行了深入的研究,找出了灰色建模的局限性并提出了改进方法.通过对负荷原始数据序列的预处理及优化,增强了灰色预测对波动负荷数据序列的处理能力,利用等维新息递推GM(1,1)模型进行预测,保证了预测能够较为充分地利用新信息.经过改进之后的模型,扩展了普通GM(1,1)模型的适应范围,提高了预测精度.利用实例将改进模型与普通GM(1,1)模型进行比较,证明改进模型具有比普通GM(1,1)模型误差小、精度高的优点.     

基于修正权马尔科夫链的工业用电负荷预测方法

为解决当前工业电力供需矛盾问题,需要科学预测工业用电负荷。根据工业用电的特点,将加权马尔科夫链和同期因子统计特征密切结合,马尔科夫链用来揭示状态转移的随机分布,根据同期因子概率和权值修正预测状态。实证研究表明,此方法可为工业用电负荷提供参考依据。     

基于灰色系统理论的中长期电力负荷预测新方法

在进行中长期电力负荷预测课题研究中，运用灰色系统理论，研究并提出了新陈代谢局部残差灰色预测模型及相应的预测方法。经实际算例证明，该方法对于解决中长期电力负荷预测问题，具有简捷实用，预测精度高的特点。     

基于马尔可夫链筛选组合预测模型的中长期负荷预测方法

在负荷预测的模型组合过程中,主要是根据历史数据的趋势恰当选择模型,再根据模型特点选择权重分配方法。针对灰色关联度满足要求的几种模型预测值分化较大的问题,从负荷数据的增长率无后效性这一特点出发,通过对原始数据增长率的分析,采用马尔可夫链划分区间,从几种满足精度要求的模型中筛选出两种进行组合预测,通过方差—协方差方法分配权重。经过该种方法的筛选,不仅可以更准确地选择组合预测模型的类型,而且具有较高精度。     

基于改进相似日的超短期负荷预测法

在充分掌握上海电网负荷特性之后,针对上海市调AGC控制要求,提出一种基于改进相似日的超短期负荷预测方法.该法利用相似日的每两点负荷变化值相似,依概率预测未来负荷变化趋势,能准确计算未来5 min负荷值.通过算例结果分析可知,该法预测误差较好,具有较强的适应性.     

基于数据挖掘的电力系统中长期负荷预测新方法

中长期电力系统负荷预测受大量不确定因素的影响,研究表明聚类方法能够将各种影响因素综合引入预测模型。所提出的改进聚类算法结合了层次方法中的变色龙(Chameleon)法与基于密度算法的优点,实现了最优聚类,同时还弥补了单纯层次法无法对复杂形状数据聚类和算法不可逆的缺点。算法在进行聚类前以不完备数据分析补全法算法(ROUSTIDA)为数据处理前导．确保了聚类所需历史数据的准确性和完备性。实践证明该算法具有计算速度快、预测精度高、预测误差变化小等优点。尤其在影响因素繁多、历史数据不完整或不准确时,改进算法更能体现出优越性。     

A research on short term load forecasting problem applying improved grey dynamic model

The grey dynamic model GM(1, 1), which is based on the grey system theory, has recently emerged as a powerful tool for short term load forecasting (STLF) problem. However, GM(1, 1) is only a first order single variable grey model, the forecasted accuracy is unsatisfactory when original data show great randomness. In this paper, we propose improved grey dynamic model GM(2, 1), a second order single variable grey model, to enhance the forecasted accuracy. Then it is applied to improve STLF performance. We provide a viewpoint that the derivative and background value of GM(2, 1) model can be expressed in grey number. Then cubic spline function is presented to calculate the derivative and background value in grey number interval. We call the proposed model as 3spGM(2, 1) model. Additionally, Taylor approximation method is applied to 3spGM(2, 1) for achieving the high forecasted accuracy. The improved version is defined as T-3spGM(2, 1). The power system load data of ordinary and special days are used to validate the proposed model. The experimental results showed that the proposed model has better performance for STLF problem.     

基于加权偏最小二乘回归的中长期负荷预测简

针对中长期负荷预测,考虑各历史样本在建立适用于预测对象的模型时处于不同的地位,应分配不同的权值,提出一种基于加权偏最小二乘回归（weighted partial least squares regression,WPLSR）的预测方法。利用相似离度计算历史样本与预测对象的相似度,判定样本是否含有异常值,自适应地为历史样本分配权值,进而采用偏最小二乘回归（partial least squares regression,PLSR）提取主成分和回归分析。算例结果表明WPLSR方法的预测精度比普通PLSR模型有显著提高,具有良好的可行性和有效性。     

基于修正组合模型的河川径流中长期预报

为了充分发挥灰色模型在单变量预测及神经网络在处理非线性问题上的优势,同时降低二者的线性组合模型中组合权系数计算方法的不确定性对模型预测效果的影响,本文基于修正组合预测的思想,借助马尔科夫链对灰色GM（1,1）、BP神经网络及组合灰色神经网络模型预测的误差序列进行了修正处理,并通过分析比较修正单一模型与修正简单组合模型在中长期径流预测精度上的差异,提出了基于修正组合模型的河川径流中长期预报方法。将该方法应用于黄河中游区四条一级支流窟野河、秃尾河、无定河与孤山川的控制性水文站年径流预测中,结果表明基于马尔科夫链修正的组合灰色神经网络模型具有更好的拟合与预报精度,是一种更有效的径流预测方法。     

一种基于多参量隐马尔可夫模型的负荷辨识方法

由于电力需求侧负荷形态各异、特性多变,种类繁多,采用传统方法进行负荷辨识时存在识别率不高、模型建立困难、难以推广应用等问题。为此,基于智能负荷控制器(SRLC)的用电参数检测功能和非侵入式负荷监测(NILM)原理,提出一种基于多参量隐马尔可夫模型(MPHMM)的负荷辨识方法。该方法采用4个负载特性参数(电流、有功功率、无功功率、功率因素)作为模型的观测向量,通过模型学习和多次迭代计算,求得与MPHMM模型隐藏状态相匹配的观测序列的最大输出概率和最优状态序列,再采用辅助判别算法对结果进行修正,完成对负荷的最终辨识。通过搭建实验平台对所提方法进行验证。结果表明,该方法辨识准确率可达95%以上,特别是对小功率负荷具有较好的识别效果。     

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。     

基于时间分解技术的中远期逐时负荷预测模型

中远期电力负荷预测对于引导电网规划建设和提升电力系统资源优化配置具有重要意义。为解决当前中远期负荷预测时间尺度过大、预测精度有限的问题,利用时间分解技术,对电力负荷的长期趋势与短期特征分别进行建模分析,从而提出一种新型预测方法,将中远期负荷预测的时间尺度缩短至小时,实现中远期逐时负荷预测。算例分析表明,所建模型在中远期逐时负荷预测方面的性能优于现有的同类模型,具有较高的全局精度和稳定性。同时,能够有效呈现电力负荷的概率密度特征和极值特性,有望为中远期电力规划提供参考。