基于频域分解的短期负荷预测研究分析

为研究频域分量预测法对短期负荷预测精度的影响,利用频域分解算法分解原始负荷数据,将数据分解为4个部分：日周期、周周期、低频和高频分量。其中,日周期、周周期分量用Elman神经网络预测;低频分量采用随机森林预测;高频分量则使用Mallat算法二次分解,分别得到低频部分和高频部分,选取低频部分做训练样本与Elman神经网络结合预测高频分量;将各个频域分量结果重组,实现电力负荷的高精度预测。以某地市实际负荷数据为例进行仿真,将该方法与Elman神经网络法、随机森林法及频域分量预测法的预测结果对比,验证所提方法可以有效提高精度,减少预测值和真实值的离散程度。     

基于功率谱分解和实时气象因素的短期负荷预测

提出了基于功率谱分解和实时气象因素的短期负荷预测方法,采用快速傅里叶变换(fast Fourier transform,FFT)对负荷序列进行变换得到功率谱,依据变换结果分析功率谱得出负荷基频、低频和高频分量的频率范围,采用有限脉冲响应(finite impulse response,FIR)滤波器从负荷中分离出各 个负荷分量。分析各个负荷分量的特点,针对各个负荷分量分别设计预测模型,对基频分量采用Elman回归神经网络进行预测,这部分较好地反映出基频分量的时间序列特性;对低频和高频分量分别采用自适应线性回归神经网络进行预测,在对这部分分量的预测中重点引入实时气象因素,以利用最新的气象信息提高预测精度。通过在某地区的实际应用证明了所提出方法的有效性。     

基于频域分解的短期负荷预测

针对负荷本身存在随机性和间歇性,提出一种基于频域分解的负荷预测。首先采用频域分解算法将原始负荷分解为日周期和周周期分量;其次分别采用置信度理论和指数平滑法对日周期分量和周周期分量进行预测;最后将负荷的日周期分量和周周期分量重组,实现短期负荷较为准确的预测。根据某地市的2018年国庆期间的负荷数据进行仿真,证明了预测模型的精确度。     

基于灰色模型和Kalman平滑器的多母线短期负荷预测

提出一种基于灰色模型和Kalman平滑器的多母线短期负荷预测方法。首先利用频域分解消去母线负荷序列的周周期分量,建立序列的灰色模型;利用系统负荷预测方法得到系统负荷预测值。然后基于灰色模型,将各母线负荷的累加序列作为状态,系统负荷的累加序列作为观测,建立线性离散随机系统模型,利用Kalman平滑器计算各母线负荷累加序列的最优估计值,最后经过累减还原并加上周周期分量得到母线负荷的预测值。Kalman平滑器利用高准确率的系统负荷预测结果对母线负荷预测进行调整,降低预测误差。在实际系统中进行了仿真验证,证明了该方法的有效性。     

应用小波分析进行短期负荷预测

小波分析是一种新兴的数学工具，它能任意地提取短期负荷序列的细节。通过使用小波分析，可以在任何水平上分析短期负荷序列，它对信息成分采取逐渐精细的时域与频域处理，尤其对突发与短时的信息分析具有明显的优势。本文将小波分析引入了短期负荷预测，针对电力系统本身具有的负荷以天，周，年为周期发生波动的特点，使用周期自回归模型有选择的对分解序列进行预测，并对直接使用周期自回归(PAR)模型的预测结果及先使用小波分析处理的预测结果进行了比较，实例显示这种方法提高了预测的精度。     

基于小波变换理论在电力系统短期负荷预测中的应用

介绍了基于数学模型小波（变换）分析法，能够提取短期负荷时间序列中的任意细节，短期负荷序列经过小波变换后，可以分解为相应的子序列，并对子序列进行时域与频域处理，使用周期自回归模型对子序列进行预测的方法，指出其预测的精确度比传统的要高，是目前很多领域中实现短期负荷预测较好的方法。     

小波分解层数及其组合分量对短期风速多步预测的影响分析

针对风速时间序列的规律性和随机性双重特征,将小波分解和RBF神经网络相结合用于短期风速预测。针对小波分解用于风速信号的不同频率成份的趋势项提取,研究了基于小波分解后的分量RBF网络预测及综合问题,包括全部高频-低频分量组合预测、部分高频-低频分量组合预测,以及低频分量组合预测三种方法的预测性能和特点。分析了三种不同方法在短期风速预测中的应用效果。通过对不同时间、不同地点短期风速预测的研究发现,进行不同步数的预测时,只有选取合适的分解层数、合适的高频分量和低频分量组合,才能得到最优的预测效果。该结论对于将小波分解用于短期风速时间序列的预测具有一定的指导意义。     

基于小波分解模糊灰色聚类和BP神经网络的短期负荷预测

提出基于小波分解、模糊灰色聚类和BP神经网络的短期负荷预测方法.通过小波分解将负荷序列分解成低频分量和高频分量,找出负荷各频率分量的规律;通过模糊灰色关联聚类方法选取待预测日的负荷相似日;针对不同频段负荷的规律采用相对应的神经网络模型进行负荷预测,获得不同频段的待预测日负荷各分量,将各分量的预测结果叠加得到负荷预测值.采用所提方法对某地区2010年实际负荷进行预测,并与已有的负荷预测方法比较,结果表明所提方法可提高负荷预测的精度.     

基于长短期记忆神经网络组合算法的短期电力负荷预测

短期电力负荷具有不平稳、随机性强等特点,传统的负荷预测方法在建模中常表现出一定的局限性。为提高预测精度,提出了一种基于互补集合经验模态分解(complement-ary ensemble empirical mode decomposition, CEEMD)、长短期记忆(long short-term memory, LSTM)神经网络和多元线性回归(multiple linear regression, MLR)方法组合而成的CEEMD-LSTM-MLR短期电力负荷预测方法。首先将电力负荷数据通过CEEMD分解为高频分量和低频分量;将复杂的高频分量通过经贝叶斯优化的LSTM神经网络进行预测,周期性的低频分量通过MLR方法进行预测,最后将各分量叠加重构得到最终预测结果。通过算例分析,一方面将不同分解方法进行对比,一方面将不同模型进行对比并探究贝叶斯调参对结果的影响,验证了所提模型更具可靠性与准确性。     

基于EMD理论的短期负荷预测

提出将经验模态分解法(empirical mode decomposition,EMD)与自回归动平均(autoregressive and moving average,ARMA)时序分析相结合的短期负荷预测方法,利用EMD算法对负荷序列进行分解,再对分解得到的每一个基本模式分量(intrinsic mode function,IMF)分别进行ARMA预测,以改善短期负荷预测的效果。以我国某地区2008年夏季负荷高峰段的用电负荷预测为例,应用提出的预测方法对各负荷分量进行单独预测,得到的仿真结果表明,采用该方法进行短期负荷预测将显著改善预测的精度。     

基于改进型自适应白噪声完备集成经验模态分解的工业用户负荷预测方法

工业用户的负荷通常由多种负荷类型共同组成,结构较为复杂,并且常常含有较大的冲击性负荷.传统的负荷预测方法难以准确预测负荷突变,导致预测精度不高.将负荷分解成不同频率的分量再分别进行预测是较为可行的解决方式.提出了基于改进型自适应白噪声完备集成经验模态分解的工业用户负荷预测方法.首先,采用ICEEMDAN算法将工业用户的...     

基于经验模态分解与特征相关分析的短期负荷预测方法

提出了一种基于经验模态分解与特征相关分析的短期负荷预测新方法。该方法从分解负荷序列入手,采用经验模态分解将原始负荷时间序列分解成不同频率的本征模函数(IMF)分量和残差分量,以弱化复杂影响因素环境下原始序列的波动性,获取更具规律性的分量。然后运用最小冗余度最大相关性标准(mRMR)技术分析各IMF分量和日类型、天气、电价等特征信息之间的相关性,获得最佳特征集。最后采用基于智能算法的最小二乘支持向量机(LSSVM)负荷预测模型对各经验模态分量进行预测,并将各分量预测结果叠加得到最终负荷预测值。以某电网实际数据进行算例分析,结果表明所提出的组合模型能够更准确地对外部因素敏感的短期负荷进行预测。     

基于因散经验模式分解的电力负荷混合预测方法

针对目前常用负荷分析方法多依赖主观经验,而经典经验模式分解有时出现混频现象的问题,提出了一种基于因散经验模式分解的电力负荷混合预测方法。首先,采用经验模式分解的改进算法——因散经验模式分解将负荷序列分解,这样可以自适应地将目标序列分解为若干个独立的内在模式,因此能够克服依赖主观经验的缺点。然后,将这些内在模式基于fine-to-coarse重构为高频、低频和趋势3个分量。在对各分量特性进行分析的基础上,分别采用支持向量机、自回归移动平均和线性回归模型对其进行预测。最后,将3个分量的预测结果叠加作为最终的预测值。利用上述方法对某电网进行24点负荷预测,结果表明该方法可以有效地提高负荷预测精度。     

An adaptive neural network approach to one-week ahead loadforecasting

A neural network approach is proposed for one-week ahead load forecasting. This approach uses a linear adaptive neuron or adaptive linear combiner called Adaline. An energy spectrum is used to analyze the periodic components in a load sequence. The load sequence mainly consists of three components: base load component, and low and high frequency load components. Each load component has a unique frequency range. A load decomposition is made for the load sequence using digital filters with different passband frequencies. After load decomposition, each load component can be forecasted by an Adaline. Each Adaline has an input sequence, an output sequence, and a desired response-signal sequence. It also has a set of adjustable parameters called the weight vector. In load forecasting, the weight vector is designed to make the output sequence, the forecasted load, follow the actual load sequence; it also has a minimized least mean square error. This approach is useful in forecasting unit scheduling commitments. Mean absolute percentage errors of less than 3.4% are presented from five months of utility data, thus demonstrating the high degree of accuracy that can be obtained without dependence on weather forecasts     

基于EMD和相关向量机的短期负荷预测

为提高电力负荷预测的准确性,提出一种基于经验模态分解EMD(empirical mode decomposition)与相关向量机RVM(relevant vector machine)的短期负荷预测方法。该方法利用EMD将目标负荷序列分解为若干个不同频率的固有模态分量I MF(intrinsic mode function),通过分析各个分量的特征规律,构造不同的RVM模型对各分量分别进行预测,再将各分量预测值通过RVM组合得到最终预测值。仿真结果表明,通过EMD分解,预测效果有显著改善,而RVM模型较之BP神经网络模型与SVM模型具有更高的预测精度。     

基于VMD和PSO-SVR的短期电力负荷多阶段优化预测

为降低短期负荷序列的非线性以提升预测精度,提出一种基于多阶段优化的变分模态分解（variational mode decomposition, VMD）和粒子群算法优化支持向量回归（particle swarm optimization support vector regression, PSO-SVR）的短期电力负荷预测模型。第1阶段采用VMD优化和预处理原始负荷序列,分解获得多个较为平稳的模态分量。第2阶段利用相空间重构优化重组各序列分量,并针对各分量分别建立支持向量回归（support vector regression,SVR）预测模型。第3阶段将粒子群算法（particle swarm optimization,PSO）用于优化SVR模型内部参数,便于更好地进行训练和预测。最后累加所有序列的预测值,实现短期电力负荷预测。研究结果表明：所提方法可以取得更高的预测精度。     

基于WD-LSSVM-LSTM模型的短期电力负荷预测

为了提高短期负荷预测精度,提出一种基于小波分析、粒子群优化(PSO)算法、最小二乘支持向量机（LSSVM）和长短时记忆网络（LSTM）的预测模型。该方法通过对用电负荷进行小波分解和重构得到与原始数据长度相同的分量,对低频分量建立LSSVM预测模型并利用PSO算法找出最优参数,对高频分量建立LSTM预测模型,将各分量预测结果组合实现最终的负荷预测。实验结果表明,该模型预测精度优于传统LSSVM模型、BP神经网络模型和WD-LSSVM模型,验证了其可行性。