一种线性组合电力负荷预测模型(英文)

电力负荷预测对电力系统的有效运行是至关重要的.电力负荷预测领域迫切需要更精确、更稳定的电力负荷预测方法和技术.为进一步提高电力负荷预测精度,利用互补性原理建立了一种线性组合预测策略.该方法由一个基于互补原理的单项模型选择策略,及线性组合模型组成.选定的单项模型包括流行的线性模型,即ARIMA模型,和流行的非线性模型,即支持向量回归(SVR)模型.该线性组合结构可以有效地提取非线性电力负荷数据的特点.澳大利亚电网真实数据的实验运行验证了该模型的有效性.     

基于回归模型和GM(1,1)模型的旅游发展问题研究

以平顶山市为研究对象,选取2005-2019年相关旅游数据,建立回归模型,进行模型检验修正和预测,定量分析影响平顶山市旅游收入最主要因素;运用灰色预测GM(1,1)模型进行未来5 a旅游收入的数据模拟,并进行了回归模型和GM(1,1)模型的对比.基于此提出发展旅游经济的政策建议.     

空调系统运行负荷GRNN预测模型的应用研究

以2座五星级酒店为研究对象,通过实测数据分析了运行负荷的主要影响因素,确定冷冻水温度对运行负荷的影响作用,将其引入到空调系统运行负荷的预测研究中.应用广义回归神经网络(GRNN)理论,建立了一种动态多点输出负荷模型,提出了5种输入方案,使用2座酒店的实际数据集分别进行验证.研究结果表明:冷冻水温度对实际运行负荷的预测精度有重要影响,可显著提高GRNN负荷模型的预测准确性,以前1日24 h历史负荷、预测日天气预报以及冷冻水设定温度为输入、以预测日24 h逐时负荷为输出的GRNN负荷模型,建模简单,预测性能较好,适用于实际工程应用.     

半参数回归分析法在电力负荷预测中的应用

为了融合参数模型和非参数模型的优点,对半参数回归模型在电力负荷预测中的应用进行了研究.在原始数据预处理的基础上,运用相关性分析理论确定了半参数模型中的参数与非参数变量,构建了半参数回归模型;利用两阶段最小二乘法和权重系数法对回归系数和回归参数进行了估计.算例结果表明,半参数回归分析法具有较高的负荷预测精度和较广泛的适用范围.     

计及季节与趋势因素的综合能源系统负荷预测

针对复杂影响因素下综合能源系统月度负荷预测精度低的问题,提出基于时间序列特征分解的月度负荷预测模型.利用时间序列分解方法将负荷数据分解为季节分量、趋势分量与随机分量,根据各分量随时间变化的特性,分别采用向量自回归模型、最小二乘支持向量回归与平均值法进行预测.各分量预测结果的投影重构值作为月度负荷的预测值,并考虑了季节拐点与区域经济因素对月度负荷的影响.实例分析证明该方法能够有效提高综合能源系统的月度负荷预测精度.     

计及季节与趋势因素的综合能源系统负荷预测

针对复杂影响因素下综合能源系统月度负荷预测精度低的问题,提出基于时间序列特征分解的月度负荷预测模型.利用时间序列分解方法将负荷数据分解为季节分量、趋势分量与随机分量,根据各分量随时间变化的特性,分别采用向量自回归模型、最小二乘支持向量回归与平均值法进行预测.各分量预测结果的投影重构值作为月度负荷的预测值,并考虑了季节拐点与区域经济因素对月度负荷的影响.实例分析证明该方法能够有效提高综合能源系统的月度负荷预测精度.     

基于ARIMA LSTM组合模型的楼宇短期负荷预测方法研究

在楼宇短期负荷预测中,针对单一预测模型难以充分学习负荷时间序列中的特性问题,提出了一种基于自回归差分移动平均-长短期记忆神经网络(ARIMA-LSTM)组合模型的楼宇负荷预测方法。首先,根据灰色关联度选取相似日时间序列数据为训练样本;然后,利用ARIMA模型预测负荷,并将原始数据和ARIM A预测数据之间的误差视为非线性分量;最后,通过LSTM神经网络对误差序列进行校正,得到楼宇短期负荷的最终预测值。通过对上海市某楼宇的预测效果分析,并将其与ARIMA模型、LSTM模型和ARIMASVM组合模型进行对比,验证了所提方法能够有效控制预测误差,提高楼宇负荷预测精度。     

基于FCM-GPR模型的电力网空间负荷预测方法研究

利用高斯过程回归模型描述不同时间尺度下负荷序列的基本演化趋势、强波动和随机噪声水平.对历史负荷数据进行可视化分析,挖掘整理出不同时间尺度下的历史负荷数据,与气候数据一起作为特征数据.采用模糊聚类算法对整理出的特征数据进行筛选,消除冗余信息,构造出紧凑有效的最优特征集.将历史负荷数据代入高斯过程回归模型进行训练,并利用实...     

基于负荷分解的短期负荷预测传递函数模型

短期负荷预测主要用于预测未来几小时、1天甚至几天的负荷,对电力系统运行的安全性和经济性具有重要意义。时间序列模型在电力系统短期负荷预测中得到了广泛应用。然而,这种方法的一个主要缺点是无法将影响负荷预测的主要因素之一即气象因素考虑进去。在此背景下,首先基于历史负荷数据,采用传统的分解方法提取出负荷中的周期分量,得到剔除周期分量后的非周期分量。在此基础上,首先采用逐步回归法筛选出影响负荷非周期分量的主要因素,之后发展了预测负荷非周期分量的传递函数模型。最后,用广东电力系统实际负荷数据对所发展的短期负荷预测模型的准确性进行了验证。     

回归模型在RK手术中的应用

从线性回归模型中自变量的选择入手,分析了影响预测放射状角膜切开术（ＲＫ）手术结果的诸多因素,并用一类基于非连续数据的广义线性回归模型对手术结果进行了预测．     

DB小波与RBP神经网络的短期电力负荷预测

基于DB小波与BP神经网络,提出一种DB小波与RBP神经网络的方法对短期电力负荷预测.运用DB小波能够精确地提取时间序列的细微特性和RBP网络的输出反馈作为输入神经元数据增加了数据信息量的特点,构建了DB与RBP预测模型,经实际数据证明该方法提高了预测的精确性.     

改进粒子群算法在中长期电力负荷组合预测模型中的应用

为提高电力负荷预测的精度,提出了基于改进粒子群算法的电力负荷组合预测模型求解方法.该方法以回归分析、比例系数、灰色模型为基础建立负荷组合预测模型,利用改进粒子群算法优化组合预测模型的权值,并与单个预测模型进行比较.预测结果表明,基于改进粒子群算法的电力负荷组合预测模型运算速度快,预测精度高,相对误差小.     

多变量时间序列的短期负荷预测模型及其方法研究

电力系统负荷预测是日常生活中电力系统调度部门的一项重要工作,预测精度的高低直接影响到电力系统的安全性、经济性和供电质量.混沌理论中,负荷预测模型的建立通常由单变量时间序列的相空间重构来实现,但实际过程中往往难以确定是否包含了重构动力系统的全部信息,特别是在有限时间序列存在噪声时.因此,将单变量时间序列方法拓展到多变量时间序列中,进行多变量时间序列的相空间重构,计算了各时间序列的延迟时间和嵌入维数,建立了预测模型.研究结果表明多变量时间序列的预测效果有较大提高.     

时间序列自适应短期负荷预测

提出了一种应用时间序列的日负荷预测自适应算法,把电力系统的负荷变化看成由确定部分和平稳随机部分两个分量组成。计算结果表明,提出的短期负荷预测方法是简单、快速并精确的,可在个人计算机上实现。     

基于混沌蚁群算法的电力短期负荷预测

通过对电力负荷变化规律和影响因素的分析,提出了一种新的短期电力负荷预测模型。首先利用混沌理论将杂乱无章的历史数据进行相空间重构,找出其中的潜在规律,并粗选预测参考点;然后利用蚁群优化算法,考虑距离因素和相点演化的相关性因素,对粗选的预测参考点作进一步精选,提高其质量;最后采用GM（1,1）灰色模型得到预测日的负荷数据。实际算例验证了提出的方法具有较好的预测精度。     

基于RBF-NN的电动汽车充电站短期负荷预测研究

为了应对电动汽车大规模并网后对地区电网负荷模式和可靠运行带来的影响,本文以某电动汽车充电站的相关数据为依据,分析研究了电动汽车充电站的负荷特性以及影响负荷变化的主要因素,构建了基于RBF-NN的电动汽车充电站短期负荷预测模型,同时通过仿真算例验证并与BP-NN预测模型进行了比较。结果表明,基于RBF-NN的短期负荷预测模型具有更好的预测精度,适用于电动汽车充电站的短期负荷预测。该研究为下一步工程实践应用提供了理论依据。     

基于改进的模态分解和组合预测模型的短期负荷预测

短期负荷预测是电网调度计划重要的支撑依据,同时短期负荷预测的预测精度也是电网系统安全稳定运行的基础和前提。文中提出了基于改进的模态分解和组合预测模型(EEMD-组合模型)的预测思想,实现对短期电力负荷的精准预测。首先利用改进的模态分解实现对历史序列分解,挖掘不同频段序列的负荷特性以及与影响因素的关联关系,然后针对不同频段的序列使用不同的预测方法,最终集成整体预测结果,并使用均方根误差和平均相对误差进行测后评价,同时与其他预测模型进行对比。结果表明EEMD-组合模型可以很精准地预测未来负荷变化情况。     

基于多尺度卷积神经网络的短期电力负荷预测

In order to improve the accuracy of short-term load forecasting of power system, a multi-scale information fusion convolutional neural network(MS-ConvNet)model based on deep learning technology was proposed. A full convolution network structure and causal logic constraints were introduced to enhance the expression of time series features; a multi-scale convolution was utilized to extract the relationship among time domain data of different lengths for obtaining more abundant series features; a residual network structure was designed to increase the network depth, which increased the acceptance domain of outputneurons and enhanced the prediction accuracy. The results show that the accuracy and stability of MS-ConvNet model is better than those of multi-layer perceptron machine, long-short term memory network and gated recurrent unit network, indicating that the as-proposed model has a good application prospect in power load forecasting.     

基于遗传程序设计方法的短期电力负荷预测

对遗传程序设计算法进行介绍,尝试将其应用到短期电力负荷预测中。先对负荷样本进行常规和滤波处理,消除伪数据,然后运用遗传程序设计的复杂表达能力,把不同日同一时刻的负荷序列作为样本,对未来负荷进行分时短期预测。该遗传程序设计方法无需考虑如温度等因素,随机常数能自动平衡与负荷有关因素的影响,并自动生成相应的数学模型,通过模型可以计算出未来时刻的负荷,有效避免了人为造成的误差,简单可行。经过和时间序列方法的预测结果进行比较,表明该方法效果较好。