中期电力负荷预测及负荷模型的研究

对电力系统中期负荷预测提出了按照时间段预测趋势修正的新方法 ,同时提出了多阶梯中期负荷模型。     

电力负荷的中期预测分析

对电力负荷的中期预测作了综合分析，应用几种预测方法对具有较完整负荷历史资料的某市中期电力负荷作了详细的计算分析，获得明确的预测值。这样的预测分析对正在进行的“九五”计划和到２０１０年的长期电力规划的负荷预测是有参考价值的。     

基于补偿模糊神经网络的中期电力负荷预测研究

提出一种基于补偿模糊神经网络的电力负荷预测方法,介绍了给予模糊逻辑和神经网络的补偿模糊神经网络(CFNN)及其学习算法,充分利用神经网络非线性逼近能力的优点并结合CFNN学习速度快、全局稳态优化运算等特点,建立中期电力负荷预测模型,并用 MATLAB 编写了计算程序,进行了实例计算,并验证了 CFNN 用于电力负荷预测的有效性。     

基于MATLAB统计学工具箱的电力负荷中期预测

对电力负荷中期预测中常用的增长趋势预测法和回归模型预测法的优缺点进行分析,在此基础上提出一种电力负荷中期预测的新方法.该方法巧妙运用MATLAB统计学工具箱中的现有函数,并借助可决系数和预测相对标准偏差两个定量判别指标来选择预测模型,从而能更有效地对电力负荷进行中期预测.该方法在理论上兼有常用的增长趋势预测法和回归模型预测法的优点,在实践中又能很好地克服上述两种方法的缺点,且编程简单,预测结果精确度高,具有很强的实用性.最后以浙江省全社会用电量的中期预测为例,说明该方法的有效性.     

基于谱分析与LS-SVM的中期电力负荷预测

针对支持向量机方法在短系列电力负荷预测中存在空间划分参数的选择受主观因素影响的缺点,提出了谱分析和最小二乘支持向量机相结合的负荷预测方法.该方法采用谱分析预测实际发生最大电力负荷值的周期,根据周期采确定SVM的训练模型.该方法可有效地避免参数选择中的人为因素,提高预测精度.从实际算例可看出,除最后一个点位相对误差为8.67%外,其余最位的相对误差均低于±5%,实测值与预测值的拟合度较好,预测精度较高.     

基于谱分析与LS-SVM的中期电力负荷预测

针对支持向量机方法在短系列电力负荷预测中存在空间划分参数的选择受主观因素影响的缺点,提出了谱分析和最小二乘支持向量机相结合的负荷预测方法。该方法采用谱分析预测实际发生最大电力负荷值的周期,根据周期来确定SVM的训练模型。该方法可有效地避免参数选择中的人为因素,提高预测精度。从实际算例可看出,除最后一个点位相对误差为8.67%外,其余点位的相对误差均低于±5%,实测值与预测值的拟合度较好,预测精度较高。     

基于熵权的中长期电力负荷组合预测

运用多个预测效果的评价指标综合比较多种中长期电力负荷预测方法,结合熵权的方法客观地为每种预测方法分配权重,将各方法的预测结果加权求和得到最终的预测结果。实例表明,该方法在提高预测精度的同时减小预测的风险。     

基于EEMD-样本熵和Elman神经网络的短期电力负荷预测

针对电力负荷序列的非线性、非平稳性等特点,提出了一种基于集总经验模式分解EEMD-样本熵和El-man神经网络的短期负荷预测方法。为了减小电力负荷序列局部分析的计算规模以及提高负荷预测的精度,先利用EEMD-样本熵将原始电力负荷序列分解成一系列复杂度差异明显的子序列;然后在综合考虑温度及日期类型等因素对各子序列影响的基础上,根据各子序列的特点构造不同的Elman神经网络对各子序列分别进行预测;最后将各子序列的预测结果叠加得到最终预测值,并对EUNITE国际电力负荷预测竞赛公布的数据进行仿真实验。仿真结果表明该方法能有效地提高负荷预测的精度。     

基于多层次气象指标体系的电力负荷特性和负荷预测研究

气象因素作为影响电力负荷的主要因素,近年来己成为研究的焦点。本文归纳总结了气象因素在影响电力负荷变化的过程中体现出来的特点,在此基础上建立了多层次气象指标体系,梳理了研究气象对电力负荷影响时的思路,同时,提出了一套利用气象指标体系进行电力负荷特性分析和预测的方法,可依据气象条件得到不同的电力负荷特性预测结果,避免了传统...     

基于LS-SVM和PSO相结合的电力负荷预测研究

提出了一种基于最小二乘支持向量机(LS-SVM)和粒子群优化技术(PSO)相结合的电力负荷预测方法.以历史负荷数据、气象因素等作为输入,建立预测模型,对未来日最大负荷进行预测.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,以充分挖掘原始数据的信息,并应用粒子群算法优化最小二乘支持向量机的参数,提高了预测模型的训练速度和预测能力.实际算例表明,使用上述方法进行电力负荷预测,具有良好的可行性和有效性,与BP神经网络法的预测结果相比,前者具有更高的精度和更强的鲁棒性.     

考虑数据不确定性的中长期电力负荷预测

中长期负荷预测时间跨度较长,其基础数据受诸多因素影响,具有不确定性和不可控性.引入蒙特卡罗算法和区间算法处理中长期负荷预测中的数据不确定性问题.根据历史年度实际情况,假定基础数据在某一范围内存在不确定性,采用蒙特卡罗算法构建了计算流程,可以得到界于某一区间的负荷预测值;采用区间算法描述基础数据的不确定性,针对区间算法固有的过估计问题,通过推导适合的公式,可以避免产生过度保守的结果,只需一次计算,就可以严格分析数据不确定性对预测结果的影响,具有节省计算时间的优点.在考虑基础数据存在不确定性情况下,通过某省电网负荷预测实例计算并与传统预测方法相比较,验证了两种负荷预测方法可以评估数据不确定性对负荷结果的影响,避免得到过度保守的负荷预测值.     

Short‐term electricity load and price forecasting based on clustering and next symbol prediction

Short‐term electricity load and price forecasting is an important issue in competitive electricity markets. In this paper, we propose a new direct time series forecasting method based on clustering and next symbol prediction. First, the cluster label sequence is obtained from time series clustering. Then a lossless compression algorithm of prediction by partial match version C coder (PPMC) is applied on this obtained discrete cluster label sequence to predict the next cluster label. Finally, the whole time series values of one‐step‐ahead can be directly forecast from the predicted cluster label. The proposed method is evaluated on electricity time series datasets, and the numerical experiments show that the proposed method can achieve promising results in day‐ahead electricity load and price forecasting. © 2014 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

基于迁移学习的中长期电力负荷预测

由于时间跨度大并受多种复杂因素影响,电力系统中长期负荷预测需要从大量数据中挖掘负荷特性及影响因素,实际应用中常常面临数据不足的问题。提出基于迁移学习的中长期负荷预测以降低样本不足对预测精度的影响,模型将源地区电力负荷及社会经济因素数据样本进行迁移以扩充目标地区数据集,通过隐变量描述不同源地区的特征,继而对目标地区和源地区建立集成模型进行预测。通过实际算例进行验证,所提出的模型能有效降低中长期负荷预测的误差。     

经济新常态下基于偏最小二乘回归的中长期负荷预测模型

经济新常态下,中长期负荷预测面临负荷趋势呈S形、可依赖数据样本少等问题,传统预测方法精度受限,因此提出一种基于偏最小二乘回归和情景分析法的中长期负荷预测模型。从经济新常态的速度、结构、动力3个宏观方面入手,建立一个宏观与微观相结合、层次化的电力负荷影响因素指标体系;采用偏最小二乘回归法获取电力负荷与各影响因素的关系方程;根据"十二五"及"十三五"期间经济和电力发展的特点,采用情景分析法设定多个情景及相应参数,获得不同情景下有区别的负荷预测结果,以降低预测风险。利用所提模型对某省"十三五"期间的逐年用电量进行预测,通过与现有成熟方法预测结果及官方公布数据的对比,验证了所提模型的有效性。     

Medium term system load forecasting with a dynamic artificial neural network model

This paper presents the development of a dynamic artificial neural network model (DAN2) for medium term electrical load forecasting (MTLF). Accurate MTLF provides utilities information to better plan power generation expansion (or purchase), schedule maintenance activities, perform system improvements, negotiate forward contracts and develop cost efficient fuel purchasing strategies. We present a yearly model that uses past monthly system loads to forecast future electrical demands. We also show that the inclusion of weather information improves load forecasting accuracy. Such models, however, require accurate weather forecasts, which are often difficult to obtain. Therefore, we have developed an alternative: seasonal models that provide excellent fit and forecasts without reliance upon weather variables. All models are validated using actual system load data from the Taiwan Power Company. Both the yearly and seasonal models produce mean absolute percent error (MAPE) values below 1%, demonstrating the effectiveness of DAN2 in forecasting medium term loads. Finally, we compare our results with those of multiple linear regressions (MLR), ARIMA and a traditional neural network model.     

Neural network based short term load forecasting

The artificial neural network (ANN) technique for short-term load forecasting (STLF) has been proposed previously. In order to evaluate ANNs as a viable technique for STLF, one has to evaluate the performance of ANN methodology for practical considerations of STLF problems. The authors make an attempt to address these issues. The results of a study to investigate whether the ANN model is system dependent, and/or case dependent, are presented. Data from two utilities are used in modeling and forecasting. In addition, the effectiveness of a next 24 h ANN model in predicting 24 h load profile at one time was compared with the traditional next 1 h ANN model     

基于时变参数模型的中长期负荷预测

提出了一种基于状态空间时变参数模型的中长期负荷预测建模新方法．将状态变量纳入可观模型求解,反映了变量间均衡关系的变化规律。实证部分使用中国年度用电量与国内生产总值时间序列建立了模型,对2002—2005年度的用电量进行了测算,检验了方法的有效性,     

基于ESPRIT分解算法的短期电力负荷预测

电力负荷具有一定的周期相似性,为此,提出一种基于子空间旋转矢量不变技术(E S P R I T)的综合负荷预测方法。对电力负荷数据进行移位平移处理构造出满足子空间不变性的数据矩阵,利用最小二乘法E S P R I T原理进行谐波检测,提取出各主要频率分量成分。利用K均值聚类法把提取的分量根据频率特点分为不同类型,之后建立不同预测模型对各部分进行独立负荷预测,最终得到综合的预测负荷值。E S P R I T算法具有较高的频谱分辨率,可降低原数据维数,且综合预测法能针对不同成分有更好的预测。最后仿真也证明了该方法预测的准确性及有效性。     

基于RBF神经网络的短期负荷预测模型设计

在分析了某地区日平均负荷曲线的年周期性、周周期性、日周期性的基础上提出了每日24个整点负荷值的分段预测模型。根据该模型建立相应的RBF神经网络进行预测。并将预测结果与实际负荷值、由传统的BP网络模型得到的结果分别进行了对比分析,表明这种模型结合RBF神经网络的预测效果具有较高的精度,具备了一定的实用价值。