短期负荷预测方法综述

电力系统为电力用户提供可靠、优质、经济、环保电能的前提条件是能对电力负荷进行精确的预测。电网中的调度部门要根据短期负荷的预测结果来安排发电和供电计划,从而优化资源配置,提高经济效益。因此,短期负荷预测具有重大意义。为了提高负荷预测的准确性,较为全面的综述了短期负荷预测方法的研究状况。首先简述了短期负荷预测的意义、特点以及影响因素,综合叙述了短期负荷预测方法的历史发展。然后分别从数据预处理和组合预测两个方面总结了各个方法的研究现状和存在的问题。最后指出了当前短期负荷预测研究的主要问题以及下一步可能的研究方向。 得出的结论是对历史数据进行预处理后结合时下流行的机器学习算法能提高电力系统短期负荷预测的精度。     

基于包容性检验和证据理论的短期负荷预测

为了提高短期负荷的预测精度,提出一种包容性检验和证据理论的短期负荷组合预测模型(ET-DS).分别采用多个单一模型对短期负荷进行预测,采用包容性检验选择最合适的单一模型,利用证据理论获取单一模型的权值,实现短期负荷的组合预测,并采用短期负荷数据对模型性能进行仿真测试.仿真结果表明,相对单一模型及其它组合模型,ET-DS组合模型更加准确刻画了短期负荷变化趋势,提高了短期负荷预测精度,预测结果可为电力规划提供有价值参考意见.     

短期电力负荷预测模型的建立与应用

研究短期电力负荷问题.电力负荷影响因子多,且含有噪音信息,传统短期电力负荷预测方法难以对其进行准确的预测,导致电力负荷精度低.为了提高短期电力负荷预测精度,提出了KPCA - BPNN的短期电力负荷预测模型.模型对电力负荷影响因素进行分析,并利用KPCA提取其主元特征分量,然后利用BPNN进行建模预测,最后对湖南某城市的短期电力负荷进行预测.仿真表明,KPCA - BPNN不仅加快了电力短期负荷预测预测速度,同时提高了电力短期负荷预测精度,是一种新型实用的电力系统短期负荷预测模型.     

鲶鱼粒子群算法优化支持向量机的短期负荷预测

为了准确、有效地预测短期负荷,提出了一种鲶鱼粒子群算法优化支持向量机的短期负荷预测模型（BFPSO-SVM）。基于混沌理论对短期负荷时间序列进行相空间重构;将支持向量机参数的组合看作一个粒子位置串,通过粒子间互作找到最优支持向量机参数,并引入“鲶鱼效应”,克服基本粒子群算法的缺点;根据最优参数建立短期负荷预测模型,并对模型性能进行仿真测试。仿真结果表明,相对于其他预测模型,BFPSO-SVM不仅加快了支持向量机参数寻优速度,而且提高了短期负荷预测精度,更适用于短期负荷预测的需要。     

基于大数据分析技术的电力市场短期电价预测

为了提升电力市场短期电价预测精度，提出大数据分析的电力市场短期电价预测模型。首先收集电力市场短期电价历史数据，然后采用大数据分析中的最小二乘支持向量机算法对电力市场短期电价变化趋势进行拟合和分析，建立最优的电力市场短期电价预测模型，最后采用具体实例分析了设计的电力市场短期电价预测模型的性能，结果表明，所提模型能够准确描述指标与电力市场短期电价之间的变化关系，获得较高精度的理想电力市场短期电价预测结果，电力市场短期电价预测效率高，具有一定的实际应用价值。     

改进神经网络的短期负荷预测模型及仿真

在电力负荷准确预测问题的研究中,电力负荷具有周期性、随机性和非线性的特点,而传统方法存在负荷预测精度低的难题,为了提高负荷的预测精度,提出一种改进神经网络的短期负荷预测模型(CPSO-BPNN).首先利用非线性预测能力强的BP神经网络对短期负荷建模;然后结合混沌粒子群优化算法挖掘短期负荷的变化规律以提高短期负荷预测精度;最后对模型性能进行仿真.仿真结果表明,CPSO-BPNN解决了传统方法存在的难题,提高了短期负荷的预测精度,为非线性负荷预测提供了依据.     

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。     

基于随机森林的短期电量负荷精准预测方法

可再生能源并入电网后,电能供给量增加,短期电量负荷情况难以预测,无法制定准确的电能分配策略,由此,提出基于随机森林的短期电量负荷精准预测方法研究。深入分析短期电量负荷预测影响因素（气象、时间、电价与随机干扰因素）,选取适当的模型输入变量（历史电量负荷数据、温度数据与日类型）,结合随机森林算法构建短期电量负荷预测模型,并重复确定相似日的选取规则,采用粒子群优化算法寻找预测模型参数最佳值,将样本集输入至模型中,获得精准的短期电量负荷预测结果。实验数据显示:当输入变量数量达到一定值后,应用提出方法获得的短期电量负荷预测时延稳定在0.55s左右,短期电量负荷预测误差几乎为0,充分证实了提出方法应用性能较佳。     

飞行器的短期冲突检测仿真系统

在空中交通管制系统的研究中,关于飞行空中有效防止飞行器之间和地面障碍物间的碰撞问题,为解决飞行器在运动环境下短期冲突检测,提出设计了虚拟飞行器的短期冲突检测仿真系统,实现系统的结构和系统建模等过程.系统仿真了飞行器的飞行、起降和滑行等运动,对设计的卡尔曼滤波的分层检测算法进行了验证,实现了飞行器的短期冲突检测.仿真结果表明,算法对飞行器的状态进行了可靠的预测和判断,对飞行器的短期冲突检测实施了有效的预警,为空中交通通畅提供了保证.     

基于LSTM和时间序列分析法的短期风速预测

短期风速对输电线路影响巨大,由于短期风速的随机性和非线性特性,使得短期风速难以精确预测。提出了一种将长短时记忆网络和时间序列分析法相结合的组合预测算法来实现对短期风速的预测。首先,利用时间序列分析法对短期风速进行预测得到预测结果和预测残差,然后利用长短时记忆网络对预测残差进行预测,最后将两种方法得到的预测结果进行线性组合得到最终的预测结果序列。为验证所提出的算法的实际效果,将提出的算法与时间序列分析法、长短时记忆网络以及BP神经网络等进行对比。实验结果表明,组合算法有效提高了短期风速序列预测精度,是一种可行的分析方法。     

基于GRNN全信息神经网络的超短期风速预测研究

为了更好地研究风功率预测,风速预测显得至关重要.国内神经网络文献均只表现出了短期风速预测,而对于超短期风速预测的神经网络数学模型却相对稀少.引入了GRNN神经网络,详细说明了该方法的超短期风速预测原理并建立了数学模型;为了使超短期风速预测精度有一个良好的对比性分析,将影响风电输出功率的各NWP(numerical weather prediection)信息(包括风速、风向、气温、气压)进行组合,以国内某风电场2014年5月份的各NWP数据进行算例分析,实验结果表明,GRNN全信息神经网络可以达到很好的预测精度,而且运算网络的稳定性甚优.     

蚁群神经网络在短期负荷预测的应用

为了进一步提高BP神经网络的性能,实现准确、快速预测电力系统负荷的目的,将蚁群算法(ACA)作为BP神经网络的学习算法,建立了一种新的蚁群神经网络(AcAN)预测模型.对某电力系统短期负荷预测的计算实例表明,基于蚁群神经网络的负荷预测方法与传统的BP神经网络预测方法相比,具有较强的自适应能力和较好的效果.     

一种复合算法在短期负荷预测中的应用

为提高电力系统短期负荷预测精度,文中提出一种基于改进遗传算法优化的径向基函数神经网络短期电力负荷预测模型,该模型采用改进的选择策略、自适应交叉和变异概率防止出现早熟现象;将自适应交叉和变异操作的改进遗传算法与梯度下降法混合交互运算,作为径向基函数神经网络的学习算法,将上述模型和算法应用于某地区电网的短期负荷预测,取得良好的预测效果.     

采用稳健回声状态网络的超短期负荷预测方法

针对超短期负荷预测周期短,要求预测速度快的特点,构建了基于稳健回归和回声状态网络的超短期负荷预测方法。回声状态网络作为一种递归神经网络,其隐含层为一个储备池,并且通过线性回归训练网络,从而具有映射复杂动态系统的能力和训练快速的特点,能较好地满足超短期负荷预测的要求。考虑到异常负荷数据的影响,将稳健回归运用于网络训练阶段,以削弱异常值的影响,从而提升预测的精度。通过算例验证了所提方法的可行性和有效性。     

低成本微电网轻量化在线超短期光伏功率预测算法设计

本文结合用户侧光伏微电网的实际工程需求,研究了满足嵌入式应用需求的轻量化在线超短期光伏功率预测算法.采用了核函数极限学习机算法作为在线超短期光伏功率预测算法的核心,通过使用特征序列代替传统时间序列作为训练样本集,实现了数据量的轻量化设计;通过基于趋势加权相似度的训练样本精选,提高了算法精度,简化了计算量,降低了算法计算时间.通过嵌入式系统实验测试结果表明,本文提出的轻量化超短期光伏预测算法在精度、计算时间和数据存储等方面都能满足嵌入式系统低成本应用的需求.     

基于多分辨率遗传算法的多层感知神经网络及其在短期电力负荷预估中的应用

该文针对传统电力负荷预报方法的不足以及标准遣传算法用于人工神经网络时遇到的编码长度和表达精度之间的两难矛盾,提出了一种基于多分辨率遗传算法的神经网络,并将其应用在短期电力负荷预报系统中。运行实例表明,该预报方法具有预报精度高、训练速度快、鲁棒性和适应性强等特点。     

一种通用电力负荷预估方法及其系统实现

本文针对电力负荷预报系统中传统方法在普适性方面的不足,提出了一种基于多分辨率遗传算法的神经网络方法,并将其应用在短期电力负荷预报系统中,运行结果表明,该预报方法具有预报精度高、训练速度快,鲁棒性和适应性强等特点,使系统具有较强的通用性。     

An evolutionary‐based adaptive neuro‐fuzzy inference system for intelligent short‐term load forecasting

The continuing growth in size and complexity of electric power systems requires the development of applicable load forecasting models to estimate the future electrical energy demands accurately. This paper presents a novel load forecasting approach called genetic‐based adaptive neuro‐fuzzy inference system (GBANFIS) to construct short‐term load forecasting expert systems and controllers. At the first stage, all records of data are searched by a novel genetic algorithm (GA) to find the most suitable feature of inputs to construct the model. Then, determined inputs are fed into the adaptive neuro‐fuzzy inference system to evolve the initial knowledge‐base of the expert system. Finally, the initial knowledge‐base is searched by another robust GA to induce a better cooperation among the rules by rule weight derivation and rule selection mechanisms. We show the superiority and applicability of our approach by applying it to the Iranian monthly electrical energy demand problem and comparing it with the most frequently adopted approaches in this field. Results indicate that GBANFIS outperforms its rival approaches and is a promising tool for dealing with short‐term load forecasting problems.     

基于支持向量机的网格负载信息预测模型

提出了采用小波分析和最小二乘支持向量机（LS-SVM）混合模型对网格负载信息进行预测。该模型首先基于小波多分辨率分析对非平稳的网格负载样本做序列分解,得到不同尺度下的负载分量,然后利用LS-SVM对不同尺度的分量进行预测,最后通过对各分量预测信息进行重构得到相应的预测值。实验结果表明,使用本模型进行短期负荷预测比传统小波神经网络方法可以获得更好的预测精度。     

基于改进的Elman神经网络的股价预测模型

Elman神经网络是一种典型的回归神经网络,比前向神经网络具有更强的计算能力,具有适应时变特性的能力,因而非常适用于对股市这一类极其复杂的非线性动力学系统进行预测。文中以深市A股中的个股中集集团(股票代号:000039)的共180天的实际收盘价的时间序列作为预测对象,提出基于改进的Elman神经网络的个股价格预测模型,实验结果取得较高的预测精度、较为稳定的预测效果和较快的收敛速度。这表明该预测模型对于个股价格的短期预测是可行和有效的。