基于EEMD-SE和GARBF的短期电力负荷预测

为了提高短期电力负荷的预测精度,提出了集合经验模态分解(EEMD)-样本熵(SE)和遗传算法(GA)来优化RBF神经网络的组合方法。利用EEMD分解法自适应地对负荷序列进行分解,结合样本熵对复杂度相似的子序列进行合并,有效减小了运算规模。基于各个子序列复杂度的差异构建相应的RBF神经网络模型,利用遗传算法避免神经网络陷入局部最优和收敛性问题,进而对合并的新子序列进行预测并叠加得到最终预测结果。仿真结果表明,该预测算法具有良好的预测效果,满足短期电力负荷预测的要求。     

一种结合互补集合经验模态分解和小波核极限学习机的短期电力负荷预测模型

电力系统的管理和调度对精确的负荷预测模型有着极高的要求。为全面提高负荷预测模型的性能,提出一种新型的结合互补集成经验模态分解(CEEMD)和小波核函数极限学习机(WKELM)的短期电力负荷组合预测模型。首先通过CEEMD将历史电力负荷数据自适应地分解为一系列相对平稳的子序列,对各分量建立小波核极限学习机的预测模型,预测各分量的负荷值并对其进行求和得到最终预测结果。用四种预测模型对真实的负荷数据进行训练预测,算例表明新模型在预测精度和效率上都具有一定优势,同时克服了传统EMD中容易出现的模态混叠问题以及ELM中存在的过拟合等缺陷,具有一定的实际应用潜力。     

二次分解组合CNN-LSTM的短期负荷预测

短期电力负荷随机性强、波动性大。为提高负荷预测精度,文章提出一种基于二次分解的卷积神经网络（CNN）与长短期记忆（LSTM）神经网络组合的预测模型。其首先采用自适应噪声完备集合经验模态分解（CEEMDAN）方法将原始负荷序列分解为若干固有模态分量和残差;然后,引入样本熵与K均值（SEK-means, SK）,将分解得到的子序列重构为3个序列,并运用变分模态分解方法将重构分量中的强非平稳序列进行二次分解,建立CNN-LSTM模型,对分解得到的各个子序列分别进行预测;最后,将预测的结果叠加,以实现对负荷的有效预测。运用实际负荷数据从确定系数、平均绝对误差、均方根误差和平均绝对百分比误差这4种评价指标角度进行验证,结果表明,该模型与XGBoost、LSTM、CEEMDAN-LSTM和CEEMDANCNN-LSTM模型相比较,具有更高的拟合度和预测精度。     

基于CEEMDAN-GRU的电网工程主材价格多步预测北大核心CSCD

电网工程主要原材料价格变动对电网工程的造价控制有着重要影响。为提高主材价格的预测精度,提出了一种基于自适应噪声完备集合经验模态分解和门控循环单元的电网工程主材价格多步预测方法。首先对原始价格序列进行分解,随后根据分解所得的各子序列的模糊熵值进行聚类。对模糊熵值较大的聚合序列进行变分模态分解,分解所得的各子序列利用GRU模型进行多步预测;对模糊熵值较小的各聚合序列直接进行多步预测。基于真实数据对所提预测方法的性能进行了实验,结果表明所提方法在预测精度上有明显提升,对电网工程材料价格预测具有较大的参考价值。     

基于特征分解的短期电负荷组合预测模型研究北大核心

针对现有模型对于电力数据特征挖掘的不够全面,导致预测精度较低等问题,提出基于特征分解的短期电负荷组合预测模型。先深入挖掘电负荷变化的影响因素,运用小波分解(Wavelet Decomposition, WD)将单一信号分解为多频信号使特征多样化,经过相关度分析进行特征筛选,在分解中引入“影响因子”捕捉影响因素变化,引入“残差”降低分解造成的误差;根据筛选后子序列和残差序列特点分别使用带循环滑窗的时间卷积网络(Time Convolution Network, TCN)和长短时记忆网络(Long Short Term Memory, LSTM)模型预测,并对预测结果分权求和,最终得到组合预测结果。实验结果表明,上述模型有效提高了预测精度,降低了误差;在不同数据集下均表现出良好的优越性,证明了模型具有泛化能力。     

基于最大互信息系数和小波分解的多模型集成短期负荷预测

为提高负荷预测精度,提出一种基于小波分解的多模型集成短期负荷预测方法.由最大互信息系数(MIC)选出与负荷相关性高的特征候选集;为获得平稳的负荷序列,将小波分解集成到多预测模型中;小波分解后的负荷序列由多种预测模型(最小二乘支持向量回归、长短期记忆循环神经网络和极限梯度提升树)进行训练,这些模型在同一小时内提供不同的预测;在集成过程中采用二次学习来组合各时段预测结果并得到最终输出.真实电网数据实验对比结果表明,该方法具有更高的泛化能力和预测精度.     

基于小波变换与支持向量机的短期电力负荷预测

利用多分辨分析的小波变换对短期电力负荷序列进行分解处理，将负荷序列投影到不同的尺度上，对各子负荷序列根据其特性采用不同的支持向量机进行训练和预测，最后把各预测的结果叠加得到完整的负荷预测结果。算例结果表明该方法同支持向量机的方法相比较具有较高的预测精度和较强的适应能力。     

基于两步分解法和SARIMA的非饱和机场能耗预测

针对非饱和机场能耗时间序列的非线性和非平稳性特点,提出一种基于两步分解法和季节差分自回归滑动平均模型相结合的组合预测法。利用自适应噪声完整集成经验模态分解法和样本熵,将原始能耗时间序列分解为从高频至低频且复杂度不同的分量。再利用变分模态分解法对高频复杂分量再次分解,得到一系列呈现弱非线性且相对平稳的子序列。采用季节差分自回归滑动平均(SARIMA)模型对各子序列进行建模预测,将各子序列预测结果叠加得机场能耗预测值。实验结果表明,该方法可以有效提高非饱和机场能耗的预测精度。     

基于CEEMDAN-FE-KELM方法的短期风电功率预测

针对短期风电功率预测,提出一种基于自适应噪声完整集成经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）-模糊熵（FE）的核极限学习机（extreme learning machine with kernels,KELM）组合预测方法．CEEMDAN方法在信号分解的每一阶段都添加特定的白噪声,通过计算唯一的余量信号以获取各个模态分量,与EEMD（ensemble empirical mode decomposition）方法相比,其分解过程是完整的．为降低信号非平稳性对预测精度的影响及减少计算规模,采用CEEMDAN-模糊熵（FE）方法将信号分解为具有不同复杂度差异的子序列,然后分别构建相应的KELM预测模型,最后对预测结果进行合成．将CEEMDAN-FE-KELM方法应用于某地区的短期风电功率预测,在同等条件下,与单一的KELM方法及KELM的组合预测方法进行实验对比,结果证明该方法更有效．     

联合EMD和FSVM的非平稳时间序列预测

提出一种基于经验模态分解(EMD)和模糊支持向量机(FSVM)的非平稳时间序列组合预测方法。首先,利用EMD对非平稳时间序列进行分解,将其分解为时间尺度特征较为单一的单模态分量,降低待预测信号的非线性复杂度;然后,利用模糊支持向量机对EMD分解后的各固有模态函数进行预测;最后将各固有模态函数独立预测的结果进行叠加,即可得到原始序列的预测值。以带噪声的Lorenz系统和太阳黑子月平滑值序列为实验数据,对提出的预测方法进行了仿真分析。实验结果表明,与BP神经网络预测和传统的SVM预测方法相比,提出的方法具有更好的预测精度,而且对带有孤立点、噪声的序列信号具有较强的适应能力。     

Middle-long power load forecasting based on particle swarm optimization

Middle-long forecasting of electric power load is crucial to electric investment, which is the guarantee of the healthy development of electric industry. In this paper, the particle swarm optimization (PSO) is used as a training algorithm to obtain the weights of the single forecasting method to form the combined forecasting method. Firstly, several forecasting methods are used to do middle-long power load forecasting. Then the upper forecasting methods are measured by several indices and the entropy method is used to form a comprehensive forecasting method evaluation index, following which the PSO is used to attain a combined forecasting method (PSOCF) with the best objective function value. We then obtain the final result by adding all the results of every single forecasting method. Taking actual load data of a power grid company in North China as a sample, the results show that PSOCF model improves the forecasting precision compared to the traditional models.     

短期电力负荷预测的灰色-小波网络组合模型

短期电力负荷数据具有离散、无规则波动的特点,先利用灰色预测弱化其波动性,然后将负荷原始检测数据与其相对应的灰色预测数据进行重构后作为小波网络的训练样本,在此基础上建立基于灰色-小波网络组合模型的短期电力负荷预测新方法。该方法有效整合了灰色理论、小波分析和人工神经网络的优点,与传统BP网络相比,收敛速度更快,预测精度更高。仿真试验表明了该方法用于短期电力负荷预测的可行性和有效性。     

基于相空间重构理论的电力负荷预测

研究电力负荷预测问题。针对电力负荷既受非线性变量的影响又受自身混沌性质的影响,单一预测方法无法同时完善地映射其复杂关系,导致预测精度较低。为进一步提高电力负荷预测准确度,融合相空间重构理论与支持向量机,提出了一种人工智能的新电力负荷预测方法(PSR-SVM)。首先以对数线性平稳法对初始电力负荷数据进行去趋势处理。然后基于粒子群算法对相空间重构参数与支持向量机参数进行同步优化,以最优延迟时间τ和嵌入维m进行电力负荷序列相空间重构,并以支持向量机及其最优参数构建非线性电力负荷预测模型。最后以某电力公司1978～1998的电力负荷进行仿真,结果表明,新模型预测精度明显高于参比模型,是一种高精度、可行的电力负荷预测方法。     

基于周期性截断灰色系统的电力负荷预测

电力负荷预测是电力系统调度和电力生产计划制定的重要依据;电力负荷时间序列有着明显的周期性特征;传统的电力负荷预测主要侧重于预测方法的研究,而忽略了电力负荷数据周期性特性的分析,影响了预测的准确性;针对电力负荷时间序列的周期性特征,提出了一种基于周期性截断的灰色系统模型来进行电力负荷预测;该模型利用周期性截断来反映负荷数据的周期性特征,提高了预测的精度;仿真采用EUNITE Network的公开负荷数据进行算法性能的测试,并与一些主流的电力负荷预测算法:BP神经网络、极限学习机、自回归模型以及传统的灰色系统模型做比较;仿真结果表明,周期性截断的灰色系统负荷预测的归一化均方误差和绝对平均误差是最小的;周期性截断的灰色系统为电力系统负荷预测提供了一种新的有效方法。     

遗传优化支持向量机在电力负荷预测中的应用

研究电力负荷准确预测问题,电力负荷与影响因子之间呈现复杂非线性关系,传统预测方法无法刻画其变化规律,预测精度低。为提高电力负荷预测精度,提出一种采用遗传优化支持向量机的电力负荷预测模型。采用最小二乘支持向量机的非线性逼近能力去描述电力负荷与影响因子间的复杂非线性关系,并采用自适应遗传算法优化最小二乘支持向量机的参数。采用某省1990～2008年电力负荷数据仿真测试,结果表明,遗传优化支持向量机提高了电力负荷的预测精度,预测平均误差低于其它对比模型,电力负荷预测提供了一种新的研究思路和途径。     

基于熵权层次分析法的云平台负载预测

为提高对云平台负载情况的预测精度,降低预测负载值的波动性,研究非线性时间序列的预测算法。对影响云平台运行的因素进行认知和分解,提出基于熵权层次分析法的主客观评价模型。在此基础上,建立基于差分整合移动平均自回归模型(autoregressive integrated moving average model,ARIMA)和BP(back propagation)神经网络的云平台负载预测模型。实验结果表明,基于熵权层次分析法的评价模型吸收主客观赋权法的优势,能够合理准确地反映云平台的实时负载情况;基于ARIMA-BP的预测模型得出的预测结果具有更小误差的精度和波动较小的数值稳定性。     

基于GRA-LSSVM密度法的配电网空间负荷预测方法研究

为提高配电网的规划水平,实现配电网的合理规划与改造,以有效提高供电质量和效益。针对配电网空间负荷预测,设计了一种新型的电网负荷密度预测算法,在算法中将支持向量机引入到基于灰色关联度分析的负荷预测模型。通过灰色关联度分析法筛选出更符合要求的样本并进行训练,同时,引入了混沌粒子群算法(PSO)对此模型进行优化,以提高算法的精度。通过实际数据对这种算法的性能进行实例分析,依据分析结果表明,提出的算法与其他方法相比对配电网空间负荷预测的精度有显著差异,本文方法可以有效的提高配电网负荷密度预测的精度。     

基于层次分析法的电力负荷组合预测

应用组合预测理论,引入层次分析法（AHP）建立电力负荷组合预测的结构模型,利用AHP的1～9标度．计算相应权重．对电网负荷进行预测,从而获得电力负荷预测的满意解及推荐值。算例结果表明,所提出的基于层次分析法的电力负荷组合预测法具有较高的预测精度,有一定的实用性。