基于随机森林与长短期记忆网络的电力负荷预测方法

电力负荷具有非线性和时序性的特点,为了深入研究各特征变量对于电力负荷预测的重要性,进而获得更高的电力负荷预测精度,提出了基于随机森林(random forest,RF)算法及长短期记忆网络(long short-term memory,LSTM)的混合负荷预测模型.首先根据时间日期因素及气候因素建立高维特征数据集作为随...     

基于深度条件概率密度函数的居民电力负荷预测

居民电力负荷预测主要用于电力调度工作的停电计划,以提高供电可靠度及居民用户满意度。由于电力数据量大且不确定性因素过多,对其负荷进行预测的难度较大。现有的电力负荷预测方法无法获取电力数据的自由度数值,导致负荷预测过程稳定性差、预测结果精度低。提出一种基于深度条件概率密度函数的居民电力负荷预测方法。引入四次方核函数,得出随时间变化下居民电力负荷数据的观测值与预测值间的变量关系;通过高斯回归方程使得预测向量值符合正态分布;利用交叉验证方法提取预测值的最优自由度,通过借自由度确定分位点,根据对比分析结果确定下一随机变量的预测数据分位点,实现居民电力负荷的预测。仿真实验证明,所提方法得出的电力负荷波动结果与实测结果相吻合,预测误差可控制在0.001~0.437 MW。说明该方法预测准确性高,可为电力决策提供有效帮助。     

电力负荷预测的模糊可变集合方法

应用模糊可变方法对电力负荷进行了预测.利用负荷与三大产业的生产总值的历史数据构造指标集,并应用差异函数建立电力负荷预测模型.该方法能够科学、合理地确定与电力负荷相关的各个研究指标处于级别区间的相对隶属函数,并根据指标重要性进行二元比较与量化,从而合理地确定各个指标的权重,得出电力负荷预测的级别特征值.实例证明,方法是合理的.     

基于逆推理论改进模糊均生函数的短期负荷预测

为提高短期电力负荷预测精度,针对电力负荷序列的周期性、随机波动性等特点,提出一种基于逆推理论改进模糊均生函数的短期负荷预测模型。该模型先将模糊均生函数算法引入负荷预测领域,同时应用逆推理论改进模糊均生函数的构造过程,然后将其与最优子集回归算法相结合,建立短期负荷预测模型,最后使用该模型进行预测。以山东电网某市的负荷数据为例,对该模型进行了验证,并与实际负荷数据及传统均生函数模型的预测结果进行对比。结果表明,所提模型能有效提高短期负荷预测的精度,具有很好的实用性。     

LS-SVM在电力系统负荷预测中的应用

针对支持向量机(SVM)法预测电力负荷存在空间划分参数率定人为因素影响的缺陷,采用谱分析法进行周期分析,比较了二次函数趋势的年负荷序列与周期性月负荷序列,并采用最小二乘支持向量机(LS-SVMlabl.5)法预测负荷.实例结果表明,周期性的月负荷序列实测值与预测值拟合度较好,预测精度高、简捷、合理、实用.     

考虑需求响应的温度敏感用户夏季短期负荷预测方法

在新常态下为了降低生产成本,用户会参与需求响应进行错峰和避峰。传统负荷预测模型对用户负荷特性变化不敏感,对一些突变信息难以准确预测。针对此问题,考虑温度敏感用户参与需求响应,提出了夏季短期负荷预测方法。该方法采用小波变换和局部离群因子方法对负荷数据预处理,基于模糊C均值聚类和径向基函数网络相结合的方法识别预测日的负荷特性,采用线性回归模型对预测日的负荷特性相同的历史负荷数据进行负荷预测,根据降温负荷的基准值和温度变化值评估出降温负荷值,最后综合得出预测日的负荷。对3类温度敏感的纺织行业大用户进行算例分析,验证了所提方法的可行性和有效性。     

优选移动平均与BP网络混合电力负荷预测方法

电力系统是一个受多种不确定因素如经济、人口、政治、市场等影响的复杂系统,这种特性也决定了电力负荷中长期预测是一个需要长期跟踪和动态管理的过程.对我国中部某地区电力负荷进行了月度预测,为解决中长期电力负荷预测精度不足、模型适用性不强、受客观因素影响较大的问题,考虑将复杂因素如温度、风速与历史区域用电负荷的时间序列进行因素耦合,利用优选移动平均法和BP神经网络混合改进预测模型,提高月度负荷预测模型的趋势预测能力,最后通过计算MAPE误差验证,经改进后的混合预测方法预测精度得到提升,适用于电力负荷的中长期预测.     

基于最小二乘组合灰色模型的中长期电力负荷预测

电力负荷预测是实现电力系统管理现代化的重要内容,有效的中长期电力负荷预测可为电网运行方式、电源建设规划等提供可靠的决策依据。针对中长期电力负荷预测,综合考虑负荷的历史数据和未来可能走势,在对三种灰色预测模型分析的基础上,以其预测值为解释变量,实际负荷值为被解释变量,通过最小二乘法建立多元回归方程,并通过计量经济检验,以此构造了负荷预测组合模型。将该模型应用于北京市年用电量预测中,结果表明所构造模型具有较高的预测精度,有效可行。     

基于方法组合创新思想的电力系统长期负荷预测

针对建立准确、有效的负荷预测模型是长期电力系统负荷预测的关键,基于灰色预测、趋势预测和二次指数平滑法等传统的定量负荷预测方法,引入方法组合创新思想,根据最小二乘原理采用Eviews软件进行变量分析及变量类比,剔除异常值并建立拟合曲线以预测电力负荷,并以供电企业的实际售电量为算例,验证了该方法的可行性和有效性.     

基于小波分析改进的神经网络模型 电力系统负荷预测

建立了模糊决策模型分析所给历史负荷数据的关联度,以提取对预测有贡献的有用数据,除去"坏数据",即对原始数据进行预处理。建立了神经网络模型,并结合小波分析和神经网络的优势建立改进小波神经网络的结构模型,预测出待测日96个时间点的电力负荷值。通过准确度分析,验证了模型的合理性。进而将所建模型应用于某地区进行负荷预测,并且对该地区的负荷特点及规律性进行了讨论。     

Wavelet transform and neural networks for short-term electrical load forecasting

Demand forecasting is key to the efficient management of electrical energy systems. A novel approach is proposed in this paper for short term electrical load forecasting by combining the wavelet transform and neural networks. The electrical load at any particular time is usually assumed to be a linear combination of different components. From the signal analysis point of view, load can also be considered as a linear combination of different frequencies. Every component of load can be represented by one or several frequencies. The process of the proposed approach first decomposes the historical load into an approximate part associated with low frequencies and several detail parts associated with high frequencies through the wavelet transform. Then, a radial basis function neural network, trained by low frequencies and the corresponding temperature records is used to predict the approximate part of the future load. Finally, the short term load is forecasted by summing the predicted approximate part and the weighted detail parts. The approach has been tested by the 1997 data of a practical system. The results show the application of the wavelet transform in short term load forecasting is encouraging.     

基于小波分析的并行膜混合核支持向量机月度负荷预测

针对现代电力系统月负荷数据的趋势增长性和波动性的非线性特征,提出了一种基于小波变换的混合支持向量机负荷预测模型。通过小波变换将负荷序列分解为不同尺度的子序列,考虑负荷的季节波动性,将温度因素作为输入变量,构建混合核函数LWPSO-LSSVM。将负荷子序列分别放入膜系统的基本膜中进行并行预测,然后对子序列预测数据进行重构得到预测结果。利用四川省某地区电网负荷数据进行应用研究,结果表明所提出的模型较传统核函数支持向量机预测精度和效率有明显提高。     

A fuzzy inference model for short-term load forecasting

This paper is concerned with the short-term load forecasting (STLF) in power system operations. It provides load prediction for generation scheduling and unit commitment decisions, and therefore precise load forecasting plays an important role in reducing the generation cost and the spinning reserve capacity. Short-term electricity demand forecasting (i.e., the prediction of hourly loads (demand)) is one of the most important tools by which an electric utility/company plans, dispatches the loading of generating units in order to meet system demand. The accuracy of the dispatching system, which is derived from the accuracy of the forecasting algorithm used, will determine the economics of the operation of the power system. The inaccuracy or large error in the forecast simply means that load matching is not optimized and consequently the generation and transmission systems are not being operated in an efficient manner. In the present study, a proposed methodology has been introduced to decrease the forecasted error and the processing time by using fuzzy logic controller on an hourly base. Therefore, it predicts the effect of different conditional parameters (i.e., weather, time, historical data, and random disturbances) on load forecasting in terms of fuzzy sets during the generation process. These parameters are chosen with respect to their priority and importance. The forecasted values obtained by fuzzy method were compared with the conventionally forecasted ones. The results showed that the STLF of the fuzzy implementation have more accuracy and better outcomes.     

基于温度近因效应的多元线性回归电力负荷预测

为分析负荷与温度的关系,充分利用有用的气象信息,以结构简单、解释能力强的回归预测方法为基础,提出基于温度近因效应的多元线性回归负荷预测模型。在构建回归模型时,引入虚拟变量描述负荷在年、周和日周期上的周期性变化规律,对周分类时兼顾考虑节假日负荷特殊性及与休息日负荷的相似性,对节假日及其邻近日做相应转换;在近因效应方面,采用滞后时温度和24h移动平均温度。研究结果表明,考虑温度近因效应可较大程度提升负荷预测精度。     

基于混合神经网络深度学习的短期负荷预测

针对能源互联网环境下用电用户数据量大、多维度这一特点,提出了一种混合神经网络深度学习的短期电力负荷预测方法。首先,考虑常见的电力系统负荷的影响因素,建立多维数据库,并进行偏相关分析,排除其他变量干扰;其次,将LSTM、GRU两种神经网络作为前端神经网络对多维数据库中数据进行处理;最后,采用随机概率剔除与Adam训练优化函数改进的BP神经网络作为末端神经网络,建立负荷预测模型。通过算例仿真对本文方法与传统BP神经网络、LSTM神经网络、GRU神经网络进行了对比,验证了所提方法的有效性。     

基于单值聚类分析的区域居民概率负荷预测研究

随着市场竞争的加剧、基础设施的老化以及可再生能源整合的要求,概率负荷预测由于其丰富的结果表现形式在能源系统规划和运营中变得越来越重要.为提高区域居民概率负荷预测的精确性,文章将聚类分析作为概率负荷预测的预处理环节,构建基于单值聚类分析的区域居民概率负荷预测框架.通过探索多种概率负荷预测方法在不同聚类分组下总负荷预测精度...     

Short‐term load forecasting based on support vector regression and load profiling

The article proposes a methodology to forecast the electric load for the 24 h of the following day based on support vector regression. The study considers 24 distinct models, one for each predicted hour, where each individual model is treated independently. Its objective is to find the optimal combination of support vector machine parameters that could generalize low forecasting errors, using simulated annealing as a metaheuristic. The adopted methodology is compared to concurrent methods based on neural networks when applied to a simulated load diagram (to illustrate a distribution feeder supplying a sample of 740 consumers). The results have proven its effectiveness with mean absolute percentage errors being less than 5% for testing samples. The study also focuses on evaluating the potential benefits of adopting load profiling information as input in support vector regression, giving a consistent proof of its importance. Copyright © 2013 John Wiley & Sons, Ltd.     

基于粗糙集理论和遗传程序设计的短期负荷预测模型研究

利用粗糙集理论处理大数据量、消除冗余信息等方面的优势,找到了与负荷直接相关的因素。以利用遗传程序设计进行演化建模对贵州电网日96点负荷实例进行了预测,与BP神经网络法相比,本模型预测精度高,在短期负荷预测中具有有效性和可行性。     

基于分位回归鲁棒极限学习机的短时负荷预测方法

针对短期负荷预测对电力系统运行管理和优化调度的影响,提出一种基于分位回归鲁棒极限学习机的短时负荷预测方法,即先对所收集的历史负荷数据进行归一化处理,然后利用自相关分析提取最相关的历史负荷数据作为模型的输入变量,再融合鲁棒极限学习机和分位回归建立负荷预测基本模型,最后利用某电力公司2016年采样频率为30min的数据进行实例分析,试验数据表明相比极限学习机(ELM)、分位回归(QR)和分位回归支持向量机(QR-SVM),所提模型预测精度更高,验证了所提模型和算法的可行性和有效性。     

基于长短期记忆神经网络的饱和负荷预测方法及应用

为充分分析关联因素对饱和负荷水平的影响,针对饱和负荷预测不确定性强、时间相关性大的特点,利用长短期记忆神经网络的长期记忆单元与可遗忘机制保存和更新历史用电信息,构建了多输入的长短期记忆神经网络饱和负荷预测模型。首先提取出人口、经济等6个影响因素作为网络模型输入量,采用Adam优化方法训练网络模型,并在多场景下,运用优化后的模型进行饱和负荷预测,结合饱和判据得到最终的饱和时间与用电规模。某省电网的饱和负荷预测结果表明,所建模型及预测方法合理、有效。