蝙蝠算法优化极限学习机的电力负荷预测模型

为提高电力负荷预测的准确性,提出蝙蝠算法优化极限学习的电力负荷预测模型.首先收集电力负荷历史数据,然后采用蝙蝠算法对延迟时间和嵌入维以及极限学习的隐含层结点数目进行优化,利用电力负荷历史数据进行重构,最后采用最优隐含层结点数目的极限学习机建立电力负荷预测模型,并采用具体数据仿真测试.实验结果表明:模型建立了整体性能优异的电力负荷预测模型,提高了电力负荷的预测精度.     

具有自学习功能的电力负荷模糊推理预测

考虑到电力负荷预测问题中存在的不确定性,采用模糊推理预测方法进行负荷预测的研究。该方法利用电力最高负荷和国内生产总值的历史数据建立模糊推理规则,从而进一步建立最高负荷跟国内生产总值之间的模糊蕴涵关系,通过模糊推理得到了负荷预测结果。为了使模型能够象专家一样不断地总结新的经验并调整原有的经验,模型克服了其它模型中知识的凝固性,具有自学习功能。利用某些区的实际数据进行分析计算,得到了满足的结果。     

一元线性回归模型在电力系统负荷预测中的应用与MATLAB实现

基于一元回归模型的电力负荷预测技术是以历史负荷为资料建立数学模型,对未来时间内的负荷进行预测,从数学角度看,就是利用数理统计中的一元回归方法,通过对变量的观测数据进行统计分析,确定变量之间的相关关系,从而实现预测的目的。本文介绍了一元线型回归模型的原理,通过分析历史数据,建立数学模型,以北京地区年负荷为例,证明该模型具有良好的实用性。     

基于BP神经网络的电力系统负荷预测研究

通过对岳阳县地区电力负荷历史数据及特点的研究,分析了影响中期负荷预测准确性的多方面因素,利用日常负荷与气象条件的关系,建立神经网络中期负荷预测模型,研究了这一人工智能技术应用于电力系统负荷预测的可行性。提出了一种基于BP神经网络的综合预测方法,能够稳定和较准确地对电力负荷做出预测。在实际电力负荷预测中,该方法取得了比较高的的预测精度。     

浅谈电力负荷预测的方法

该文简述了电力负荷预测的意义,阐述了负荷预测的特点和步骤,分析了短期负荷预测经常采用的等增长率法、移动平均法、指数平滑法的计算方法,提出了提高负荷预测的精度不仅重视历史数据的积累,更应注重选择合适的计算模型,采用综合预测模型是未来电力负荷预测方法的发展方向。     

地区电网负荷预测的灰色Verhulst与系统动力学组合模型

为解决传统地区电网负荷预测中单一模型预测误差较大的风险和无法充分利用历史数据的缺陷,提出一种地区电网负荷预测的线性组合模型——灰色Verhulst与系统动力学组合模型。以社会用电量历史数据为原始数据,先后建立灰微分方程和白化微分方程并进行求解,得到基于灰色Verhulst模型的负荷预测时间序列,该模型适用于负荷按照S形曲线增长或负荷增长处于饱和阶段的预测;综合考虑经济、人口、能源替代和再电气化等对社会用电量的影响,建立负荷预测的经济子系统、人口子系统、能源替代和再电气化子系统、电力消费子系统,得到基于系统动力学的负荷预测模型,该模型适用于结构复杂、原始信息丰富、子系统之间联系紧密的负荷预测。在不增加复杂性的基础上,通过最小方差准则对单一模型进行线性组合,建立地区电网负荷预测的组合模型。采用枣庄市所有地块进行算例分析,结果表明:在充分利用了负荷历史数据后,71%的地块的预测精度较单一模型的有所提高;在采用最小方差准则对单一模型进行线性组合后,29%的地块产生较大预测误差的风险较单一模型的有所降低。     

基于GMDH-PSO-LSSVM中长期电力负荷预测

针对电力负荷预测粒子群优化最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)模型输入节点难以确定的问题,提出了一种基于数据分组处理方法(Group Method of Data Handling,GMDH)来优化PSO-LSSVM(Particle Swarm Optimization-Least Squares Support Vector Machine)的中长期电力负荷预测预测方法。该方法是首先利用GMDH算法获得LSSVM建模中的输入变量;然后利用基于自适应变异的PSO算法对LSSVM建模中的参数进行优化,选用某地区2008~2013年的历史数据作为模型的训练样本建立模型;最后使用训练好的GMDHPSO-LSSVM模型对2014、2015年的用电量进行外推预测。组合模型预测结果表明该方法达到了较高的预测精度,预测精度提高了2.21%。     

基于数据融合算法优化的GM(1,1)负荷预测模型

为了提高中长期电力负荷预测的精度,改进传统灰色GM(1,1)模型在中长期负荷预测中因部分原始背景数据的偶然性偏差而导致预测精度降低的问题,提出了将数据融合算法与GM(1,1)模型相结合以形成数据融合算法优化下的GM(1,1)模型.首先对特定年采用多个不同历史数据进行GM(1,1)模型预测,利用数据融合算法对多次预测值进行优化分析,获得优化后的预测结果,最后通过对某电力系统年用电负荷进行实例分析,证明数据融合优化下的GM(1,1)模型具有较高预测精度.实践证明所建立的模型对电力系统中长期负荷具有良好预测能力.     

基于小波分析和灰色模型的甩电量预测

电力系统用电量预测是指从电力负荷自身的变化情况以及经济、气象等因素的影响规律出发，通过对历史数据的分析，探索事物之间的内在联系和发展变化规律，以未来韵经济、气象等因素的发展趋势为依据，对电力需求作出预先的估计和推测。从中小波分析和灰色模型角度分析了用电量预测。介绍了中小波分析和灰色模型的概念和原理，通过实例对灰色预测模型韵预测效果进行分析。     

基于聚类分析的短期负荷智能预测方法研究

短期电力负荷预测作为电网企业的基本工作,其精度的提高对于电网企业运营管理和调度管理具有较大的意义,然而由于电力负荷受到诸多非线性因素的影响,因此得到高精度的电力负荷预测结果是比较困难的.本文首先利用数据挖掘中的k-means聚类技术对训练集的气象数据进行聚类分析,分析提取相似日,在提取相似日的相关历史数据后,建立支持向量机模型进行短期电力负荷预测.经算例结果证明,由该方法得出的预测结果平均相对误差为0.88%,和同结构支持向量机预测的平均相对误差(1.66%)以及ARMA预测的平均相对误差(3.81%)相比,预测精度得到明显的提高,证明了该方法的有效性.     

精细化气象因子对短期电力负荷预测的影响研究

为分析电力负荷变化特征与气象要素的关系,定量解析气象因子对电力负荷预测的主要贡献,该文以华中电网某地区为研究对象,预报因子选用电力负荷和精细化气象数据,依据逐步回归和BP神经网络模型建立滚动预报模型.通过研究发现：当日负荷除与历史负荷有较好的相关关系外,当日温度与前一日温度对负荷也有较大的影响.气象因子在逐步回归和神经网络预测方法中对负荷预测准确率的提升均有正的贡献,贡献率分别为0.28%～17.87%和0.97%～17.78%.尤其是转折天气条件下,精细化气象因子对短期负荷预测的准确率的提升尤为重要.     

城市电力需求的建模方法

建立城市电力需求预测模型,对于制订电力开发规划和安排节电指标具有至关重要的意义。本文应用随机过程的理论,对电力需求的预测进行了尝试,对非平稳数据给出了易于处理的方法。同时,结合分段拟合的思想,对电力需求进行了联合预测,结果令人满意。     

基于云计算和改进极限学习机的电网负荷预测

随着智能电网和通信技术的迅速发展,电网系统采集的用户数据规模呈指数增长,传统电网负荷预测方法难以满足海量负荷数据情形下的高效分析和计算需求。据此,依托电力系统数据采集云平台,提出一种基于云计算和改进极限学习机的电网负荷预测模型,采用Map-Reduce网络架构,部署于Hadoop平台,利用分布式计算方式进行电网负荷的精准建模和预测分析。结果表明,相比已有方法,本研究方法具有负荷预测精度高、运行速度快的优势,可为后续智能电网系统建设及管理运用提供一种新颖的解决思路。     

基于加权余弦相似度与极限学习机的电力负荷短期预测

为提高电力系统管理的效率,提出一种基于加权余弦相似度与极限学习机(extreme tearning machine, ELM)的电力负荷短期预测设计。通过熵权法对电力负荷相关物理信息进行权重分配,获得的权重赋予到余弦相似度中,利用加权余弦相似度对历史日与待测日的电负荷数据进行相似度选取,筛选数据作为极限学习机的输入,提高极限学习机回归模型的精度,最终获取电力负荷预测。实验分析与反向传播BP(back propagation)神经网络、支持向量机(spupport vector machine, SVM)预测算法对比,该方法能有效提高预测模型的精度,同时简化计算量。     

基于实测数据分析的风电功率预测

由于风力发电所利用的近地风能具有波动性、间歇性、低能量密度等特点,对风电场的发电功率进行尽可能准确的预测是风电发展的关键.本文根据某风场的实测数据,采用了时间序列中的自回归移动平均模型(ARMA),对风电功率进行了实时预测;为进一步提高风电功率实时预测的精确性,本文提出了一种基于BP神经网络和ARMA组合模型的预测方法,并对上述实测数据采用该方法进行了实时预测.预测结果表明:组合模型的预测结果与单独的自回归移动平均模型相比,风电功率的实时预测的均方根误差和百分比误差分别减少了4.01%和3.25%,工程中可以采用该组合模型对风电功率进行预测.     

基于高斯混合模型的光伏发电功率概率区间预测

随着世界经济的绿色发展,大力发展可再生能源逐渐成为共识。可再生能源中太阳能的开发利用已成为当前能源转型中的重要领域,并在很多科技发达国家得到了较广泛的应用。高精度的光伏发电功率预测对电力系统的优化调度、安全运行十分重要。由于光照强度和能见度等会影响太阳能发电量的随机性,提出一种基于高斯混合模型的光伏发电功率概率区间预测方法,通过利用K-means算法将光伏发电历史数据按天气进行划分,以划分后的预测误差为统计样本,采用高斯混合模型进行拟合并使用期望最大化算法估计模型参数,通过计算指定置信水平下的置信区间进行光伏发电功率概率区间预测。仿真结果表明所提方法在进行光伏发电功率区间预测时的性能评价指标均优于典型单一分布模型,证明了所提方法的准确性和适用性。     

基于DTW-SC与Bi-LSTM网络的电动公交短期充电负荷预测

对电动公交车进行较为精准的短期充电负荷预测,有利于电网合理调度,从而在一定程度上缓解大规模电动公交车接入对电网冲击的影响。因此,提出一种基于DTW-SC与Bi-LSTM网络的电动公交短期充电负荷预测方法,以提高负荷预测精度。首先,结合电动公交车充电负荷具有的间歇性和波动性特点,提出基于动态时间规整(dynamic time warping, DTW)的改进谱聚类(Spectral Clustering, SC)方法,对公交车日充电负荷曲线进行聚类;其次,对每类负荷综合考虑时间、日类型、温度及历史负荷值等影响因素,利用双向长短期记忆(bi-directional-long short-term memory, Bi-LSTM)构建电动公交车短期充电负荷预测模型;最后,利用某市实际天气数据和历史负荷数据进行仿真验证,并与其它预测方法进行对比分析。实验结果表明,所提方法能提高短期充电负荷预测准确度。     

基于矩阵分解的电力物资需求预测

准确预测变电站及配网工程的物资需求,对于节约工程成本,提高资金利用率,具有重要意义.尽管研究者在电力物资需求预测方面已经开展了一系列的研究,提出了很多预测模型和算法,例如基于神经网络的算法,然而,这些算法普遍存在输入数据过于简单和理想、仅对少数几种物资的需求量进行了预测实验、预测的准确率偏低等不足.因此,目前生产系统普遍采用人工方式进行电力物资需求预测,由有经验的领域专家根据工程初步设计方案预测各类物资的需求量.为了解决现有电力物资需求预测方法存在的不足,本文提出基于矩阵分解的预测方法,以电网建设项目物资需求历史数据和项目计划的部分物资作为输入,通过矩阵分解算法对项目其他物资需求用量进行预测.矩阵分解算法不需要大量的历史用量数据,只用部分项目的物资数据就能进行预测,且算法不需要提前进行训练.     

电力系统中长期负荷预测的灰色动态模型研究

建立了电力系统月负荷及年负荷预测的灰色动态模型 ,并验证了其准确性 ,为电网调度自动化和经济发展规划提供了较可靠的依据