基于聚类时间序列法的电力负荷预测

本文在传统时间序列法的基础上,提出了一种利用聚类方法进行分析的负荷预测方法,利用该方法对某市的电能负荷进行预测,得到了较精确的结果,表明该方法能为电力负荷的预测提供有效的参考。     

电力负荷预测方法

简要介绍了电力负荷预测技术的发展情况,具体介绍了电力负荷预测的几种常用方法,并详细分析了各种负荷预测方法的优点和缺点。     

电力系统短期负荷的混沌时间序列预测

电力系统短期负荷预测在电力系统的调度和管理中起着重要的作用,已有研究证明了电力短期负荷是一非线性动力系统,负荷时间序列是混沌时间序列.文章讨论混沌时间序列的相空间重构技术,并以实际电网为例重构了该电力系统的相空间,最后采用Elman递归神经网络对负荷时间序列进行仿真预测,预测结果表明采用该方法能取得较好的预测效果.     

改进时间序列网络的短期电力负荷预测方法

针对现有短期电力负荷预测方法未充分考虑负荷在不同时间尺度和空间特征的多维度变化,无法有效捕捉负荷变化而导致预测准确度不高的问题,提出一种基于双重注意力融合长短期时间序列网络（dual-attention fusion of long-and short-term time series networks,DALSTNet）的短期电力负荷预测方法. 首先,构建双重注意力模块,分别对不同时间和空间特征进行加权,有效区分电力负荷数据中不同时空特征的重要性;其次,构建多尺度因果卷积神经网络（convolutional neural network,CNN）和两个堆叠的双向长短期记忆（bidirectional long and short-term memory,BiLSTM）模块,用于学习电力负荷数据中存在的短期、长期与超长期重复特征,实现对电力负荷数据多维多尺度特征的联合提取;最后,利用融合层融合上述模块提取到的多维多尺度时空特征,并通过全连接层输出获得最终短期电力负荷预测结果. 基于IEEE Dataport住宅综合能源系统负荷数据集算例分析结果表明,本文提出方法能有效提取负荷数据的多维多尺度时空特征,相比现有方法在短期电力负荷预测中的均方根误差、平均绝对误差、平均绝对百分比误差等指标均表现更好,实现了更高的预测准确度和更优的稳定性.     

一种应用时间序列技术的短期电力负荷预测模型

提出一种时间序列算法和模糊逻辑技术相结合的电力系统短期负荷预测方法 .它包括一个具有非线性特性的传递函数模型 ,可以考虑气温等外界因素对负荷的非线性影响 ,能使预测及时跟上负荷变化的趋势 ,适用于由于天气等因素变化引起负荷突变的预测场合 .为了更好地处理影响电力系统负荷的不确定性因素 ,便于利用预报人员的丰富知识和经验 ,此文采用了具有较强结构性知识表达能力的模糊逻辑技术与时间序列相结合的方法进行负荷预测 .测试结果表明了该方法的有效性     

船舶电力负荷预测混沌时间序列分析法

为提高船舶电力系统安全稳定性,提出对船舶电力负荷时间序列进行预测.首先分析船舶电力负荷是否为混沌时间序列,利用相空间重构对船舶电力负荷时间序列的最大Lyapunov指数进行了定量计算,由计算结果发现船舶电力负荷具有混沌特性.在此基础上,提出了船舶电力负荷预测模型,该模型将混沌局域预测与灰关联相结合,并将相点间的关联性大小经过加权的方式作用于船舶电力负荷预测模型.实际船舶电力系统的计算分析表明,灰关联加权局域预测模型具有较高的预测精度,是一种有效的用于船舶电力负荷混沌时间序列的预测模型.     

电力电量负荷预测方法及应用分析

为了进一步提高预测精度,则需要对传统方法进行一些改进,使预测结果具有更高的参考价值,本文主要探讨了时间序列预测法以及其实际运用。     

基于时间序列对电力系统短期负荷的预测

针对电力系统短期负荷的预测,建立了多元回归和时间序列预测模型,分析了最高温度、最低温度、平均温度、相对湿度、降雨量分别对日最高负荷、日最低负荷、日平均负荷的影响程度,以及预测出短期负荷,应用MATLAB、SPSS进行求解,研究得出:最高温度对日最高负荷、日最低负荷、日平均负荷的影响程度最大,且预测值与实际值的相对误差在允许误差范围内,模型可靠性较高。     

大同电力负荷预测新方法

负荷预测是电网规划、设计、调度、运行控制等工作的重要基础,是制定电力系统运行方式的重要依据,是电力系统安全、经济运行的前提和保障.准确的负荷预测,可以保证社会的正常生产和生活,有效提高经济效益和社会效益.因此,电力负荷预测对于保证电力工业的健康发展,乃至整个国民经济的发展均有着十分重要的意义.本文通过对负荷密度法和时间序列法相结合,针对中期负荷预测提出了一种新的电力负荷预测模型,并对大同市电力负荷进行了预测.     

混沌时间序列的预测及其在电力系统短期负荷预测中的应用

在局域预测法的基础上重点分析了一种基于Lyapunov指数的混沌时间序列预测方法,并将这种方法应用于解决电力系统短期负荷分配问题,得到了较好的仿真预测结果.     

自适应参数的AOSVR算法及其在股票预测中应用

以股票预测为背景,在一种在线SVR算法AOSVR中,引入Cherkassky参数选择策略,形成自适应参数的AOSVR算法.根据时间序列的变化,通过在线调整SVR参数达到更好的预测精度和泛化能力.另外,针对股票市场特性,利用AOSVR的\"忘记\"阈值丢掉早期数据来集中刻画近期的股市特点.将自适应参数的AOSVR算法应用到上证综合指数构成的时间序列上,取得了良好的预测效果.     

非平稳和长记忆时间序列主频率估计方法研究

许多经济时间序列表现出非平稳性和长记忆性，对这样的序列进行谱分析并估计其主频率，采用传统的谱分析方法已不适用，基于平稳和非平稳分数阶差分自回归滑动平均模型，研究了具有非平稳性和长记忆性序列的主频率的估计方法，同时提出了包括模型定阶在内的基于极小化残差平方和的近似极大似然参数估计算法。通过对上海和深圳证券交易所综合指数收益序列的分析，说明了此方法的可行性和有效性。     

多变量时间序列CAR模型在交通负荷短期预测中的应用

交通负荷是影响交通通行寿命和可靠度的一个重要因素,交通负荷变化具有明显的周期性。本文针对多变量定性计算的交通负荷难题,利用时间序列的多变量自回归CARMA模型对交通负荷进行建模、预测的理论和方法,对动态系统实行统一建模。我们用递推最小二乘法的多变量自回归模型对交通负荷参数进行估计,并用DPS系统对模型进行预测和分析,测试结果证明了方法的有效性。     

城市供水负荷短期预测方法

结合城市用水量的影响因素及特点，分析了城市用水量的变化规律，探讨了水量预测时间序列分析方法；根据城市供水运行调度对用水量预测的实际要求，采用时间序列三角函数分析法建立了管网用水量的短期负荷预测模型。实例考核证明，该模型有效可行。     

产品需求预测及其建模技术的研究

介绍了产品需求预测的概念,并比较了不同的产品需求预测方法的特点。以某电视机厂为例,利用各种预测模型,对该电视机厂2001年和2003年的产品销售量进行了模型预测,详细说明了组合预测的基本原理和建模步骤,给出了模型的实际应用效果,与实际销售量进行了比较。     

基于小波分析法与滚动式时间序列法的风电场风速短期预测优化算法

为实现风电场风速的超前多步高精度预测,提出一种基于小波分析法与滚动式时间序列法混合建模的优化算法。该优化算法引入小波分析法对风电场实测非平稳风速序列进行分解重构计算,将非平稳性原始风速序列转化为多层较平稳分解风速序列,利用对传统时间序列分析法改进后的滚动式时间序列法对各分解层风速序列建立非平稳时序预测模型,并通过模型方程实现超前多步滚动式预测计算。仿真结果表明:该优化算法实现了风速的高精度短期多步预测,将传统时间序列分析法对应超前1步、3步、5步的预测精度分别提高了54.22%,26.44%和19.38%,其预测的平均相对误差分别为1.14%,3.06%和4.41%;优化算法具有较强的细分与自学习能力。     

安徽省城镇居民人均收入的组合预测

以1995～2009年安徽省城镇居民家庭人均可支配收入的数据,分别建立时间序列模型、回归模型和灰色预测模型．然后在三个单一预测模型的基础上综合各个预测模型的优缺点．通过使组合预测误差平方和最小确定各单一预测方法的权重系数,得到最优组合预测模型．最后对几种预测方法进行了评价,得出组合预测效果比较精确．     

检测非平稳时间序列中离群点和变化点的统一框架

文章为在非平稳时间序列的在线学习理论的基础上检测离群点和变化点提出了一个统一框架.在这个框架中数据源的一个概率模型用一种在线折扣学习算法被逐步学习,该算法能通过逐渐忘记过去数据的效果自适应地跟踪变化的数据源.然后任一给定数据的分数被计算出来测量它与学习模型的偏差,高分表明更有可能是离群点.进一步地数据流中的变化点通过用这一学习模型应用这种得分方法到一个移动平均损失预测时间序列中来检测.特别地我们为来自时间序列数据的自回归模型的在线折扣学习发明了一种有效算法,并通过仿真和在股票市场数据分析的实际应用验证框架的有效性.     

A new method to improve the precision of time difference

A new time difference scheme which can use the data of past multi-time to determine its coefficients has been derived from the central and the forward difference used in numerical models. The computed result shows that this new scheme can improve the precision of time difference remarkably.