基于D-S证据理论的中长期电力负荷组合预测

针对电力系统中长期负荷预测的特点,分别应用灰色系统理论及回归分析方法对中长期负荷进行了预测研究。然后基于D-S证据理论对两种负荷预测方法进行了组合预测,提出了一种新的电力负荷组合预测方法。并通过与两种预测方法的仿真验证对比,证明了本方法具备较高的精度及较强的可操作性,可为电网中长期规划提供有效的借鉴指导。     

模糊理论在中长期负荷预测中的应用

本文先介绍三种用模糊理论进行中长期负荷预测的方法的数学模型，即模糊指数平滑法，模糊线性回归法和模糊聚类预测法，然后以邢台地区实际预测为例，给出预测结果，并对三种方法进行了比较和误差分析，实践证明了这三种方法具有比传统方法预测精度高、预测误差小的优点，应予推广使用。     

基于改进的D-S证据理论的中长期负荷预测方法

提出一种基于改进的证据理论的中长期负荷预测方法。该方法采用证据理论中Dempster合成法则和Yager组合规则,融合多种基础预测方法的预测结果,并将基于D-S证据理论的预测模型与专家经验进行无缝结合,使得改进后的预测方法更具实际意义。以某省级电力系统为例进行了负荷预测的分析和对比,结果证明了本文方法的有效性。     

模糊组合预测在中长期负荷预测中的应用

本文介绍了模糊组合预测对电力系统中长期负荷预测的方法和冗余方法在组合预测中的应用,以实际预测为例,给出预测分析过程和结果.分析表明该方法能综合各种方法的优点,给出一个预测区间,更符合负荷预测的客观实际.     

基于新鲜度函数和预测有效度的模糊自适应变权重中长期电力负荷组合预测

针对传统电力负荷组合预测模型中出现的负权重、没有区别对待不同历史时段的误差对权重的影响以及变权重计算方法较为复杂等问题,文中提出一种基于新鲜度函数和预测有效度的模糊自适应变权重组合预测模型,并应用到中长期电力负荷组合预测中。利用预测有效度进行模型筛选,利用新鲜度函数体现预测中的“近大远小”原则,利用滚动时间域窗口的方法实现变权。算例表明,文中提出的组合预测模型预测精度较高,实用性强。     

基于粗糙集理论的灰色理论中长期负荷预测法

针对城市配电网负荷受各种不确定因素的影响很大问题,应用粗糙集理论研究了历史数据不确定性影响下的配电网中长期负荷预测,利用粗糙集理论与灰色理论相结合,提出了适合配电网总量负荷预测的方法,通过实际算例验证了此种方法的有效性.     

基于粗糙集理论与D-S证据理论改进的多元回归负荷预测方法研究

当前,中长期负荷预测大多采用多元回归算法,但在建模时对影响因子及历史年的选择缺乏良好的依据,很难在考虑更多影响因子及历史年数据与降低回归模型误差之间做出平衡。这使多元回归算法在实际负荷预测中的精准度很不稳定。将粗糙集理论与D-S证据理论引入多元回归算法,利用粗糙集理论对影响因子进行重要性排序。分别以历史年和影响因子为对象进行聚类,以此建立多个多元回归模型。利用D-S证据理论对多个组合预测的权重分配方案进行权重融合,得出最终基于多元回归分析法的组合预测模型。经算例验证,该模型能较好地平衡影响因子和历史年的选取,能有效提高多元回归算法在中长期负荷预测中的准确性,适用性强。     

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DS证据理论的SVM分类模糊域数据修正

在介绍支持向量机(SVM)和DS证据理论的基础上,提出了一种利用DS证据理论对SVM分类模糊域数据进行分类修正的方法.该方法首先利用SVM对测试样本进行分类,对SVM分类输出模糊域的样本使用隶属度函数将SVM的输出距离转换成样本对各状态的隶属度;其次利用DS证据理论融合其他传感器信息,对各状态下的隶属度进行适度修正,从而实现该区域数据的重新合理排布;最后将该方法应用于高压断路器故障诊断,以验证其诊断性能.大量的实验结果表明,该方法可以利用断路器操作线圈电流数据,合理修正振动数据分类结果,实现断路器机械故障的准确检测.     

基于云理论的中长期负荷预测

针对中长期电力负荷预测,选取了7个影响因素:最高温度、湿度、居民人均支出、人口增长率、经济发展情况、电价、消费价格指数,并基于云的模糊性和随机性,针对每个因素建立相应的云推理规则,以收集到的样本数据作为输入,通过云推理形成客观评分矩阵,然后基于评分矩阵,结合关联度分析法计算各影响因素的客观权重,最后利用地区发展的相似性确定未来负荷的增长趋势,采用模糊聚类的方法对算例进行预测.算例结果表明该方法预测精度高,具有较强的可操作性.     

基于粗糙集和多元线性回归的电力系统中长期负荷预测

基于粗糙集理论和多元线性回归模型,提出一种预测电力系统中长期负荷的新方法。首先采用一种完备的属性约简算法对影响电力负荷的诸多相关因素进行约简,得到与负荷关系最为密切的核心因素。在此基础上,建立多元线性回归模型来预测未来年的负荷。对一个实际电网的负荷进行预测,结果表明所提方法符合中长期负荷预测的特点并具有较高的预测精度。     

灰色Elman神经网络的电网中长期负荷预测

为了降低原始负荷数据突变对Elman神经网络预测精度的影响,考虑电网负荷预测样本时变性强、不确定因素影响多的特点,利用Elman神经网络计算和适应时变特性的能力强、误差可控以及灰色理论所需计算数据少、计算量小,在样本较少的情况下也能达到较高预测精度的优点,建立灰色Elman神经网络的负荷预测模型,首次将灰色Elman神经网络模型在中长期负荷预测中应用.实例结果表明,该预测方法提高了预测精度、取得了较快的收敛速度,说明该模型是可行而有效的.     

采用支持向量机和模拟退火算法的中长期负荷预测方法

准确的中长期负荷预测能够提高电力系统的经济效益和社会效益.分析了支持向量机(support vector nachine,SVM)模型,并针对利用支持向量机进行负荷预测需要人为地确定相关参数的不足,提出了利用支持向量机进行中长期预测的新方法.该方法利用模拟退火(simulated annealing,SA)算法自动优化参数.实例验证结果表明,所提出的方法可以有效地选取支持向量机模型的参数,降低支持向量机的建模误差和测试误差,该方法与利用默认参数支持向量机进行预测的方法相比,有效地提高了负荷预测精度.     

基于层次分析法的中长期电力负荷组合预测

针对单一负荷预测方法较难准确预测电力负荷的情况,将层次分析法应用于中长期电力负荷组合预测中,分析组合预测的层次模型和计算方法,以某市2007-2009年用电量进行模拟预测,结果表明该方法预测精度高,具有较强的实用性.     

GMDH方法在中长期电力负荷预测中的应用

在时间序列预测法的基础上,将数据处理组合方法GMDH应用于中长期电力负荷预测。介绍了GMDH的基本原理,根据历史数据建立GMDH模型,通过某地区电力负荷预测实例,对电力负荷值进行了计算分析,结果表明该方法可获得较高的预测精度。     

电力系统中长期负荷预测的新方法

在分析灰色GM(1,1)模型缺陷的基础上,将遗传算法引入GM(1,1)模型中,对其加以改进,提出一种新的灰色预测方法,用以对电力系统的中长期负荷进行预测。通过仿真计算结果验证了该方法的正确性和有效性。     

基于支持向量机的中长期电力负荷组合预测

影响中长期负荷的因素多,随机性强,单一预测方法很难满足不同情况的预测需要,组合预测能较好地解决单一模型的不足,但现有组合预测模型主要基于经验风险最小,预测精度受组合模型的限制.本文提出一种基于最小二乘支持向量机的中长期负荷组合预测模型,该模型利用结构风险最小化原则代替传统的经验风险最小化,充分挖掘原始数据和单一预测模型的信息,以单一模型的预测数据作为组合预测样本,选择多项式核函数的最小二乘支持向量机进行组合预测.实际算例表明,本文提出的组合模型预测平均误差仅为1.719%,具有良好的可行性和有效性.