灰色模型在负荷预测中的应用

电力负荷预测是电力控制及运行方面的最重要的一项任务。介绍了灰色理论的相关概念和原理,以及预测负荷的步骤,通过举例讨论了灰色模型在短期电力负荷预测中的应用,对平常日电力负荷进行预测,其结果令人满意,表明灰色模型是有效的负荷预测方法之一。灰色模型在日常负荷预测中广泛得到运用。     

基于RBF-ARX模型的短期电力负荷预测

为了提高短期电力负荷预测的精度,提出基于RBF-ARX模型的短期电力负荷循环预测法:将短期电力负荷预测看作非线性时间序列预测问题,并根据历史负荷数据建立电力负荷自回归预测模型(ARX模型),用RBF神经网络逼近ARX模型的参数,并用结构化非线性参数优化法(SNPOM)离线估计模型参数。用该方法对湖南某市电力负荷进行预测,将预测结果与实际负荷值进行比较,结果表明:基于RBF-ARX模型的短期电力负荷循环预测法精度高,可靠性强,具有很好的实用性。     

基于QPSO-ELM-KF的电力系统短期负荷预测

为保证日常电力系统的正常运行,满足其生产活动安排、电力经济调度以及电网安全分析的要求,必须要进行电力系统短期负荷的预测。为提高预测精度和稳定性,提出了一种基于量子粒子群(QPSO)优化极限学习机(ELM)与卡尔曼滤波(KF)相结合的电力系统短期负荷预测模型。该模型首先通过ELM预测各时间点的电力负荷值,其中,根据QPSO算法本身的特性以及在参数寻优方面的优势,利用其对ELM网络结构中输入层-隐含层的权值和隐含层的阈值进行寻优;然后,利用KF算法将得到的预测值做进一步的更新和优化,从而得到各时刻的最优估计值,最终以实现对短期电力负荷的精准预测。实验表明,使用QPSO-ELM-KF预测模型进行短期电力负荷预测,预测精度有进一步的提高。     

灰色系统非线性回归电力负荷预测

传统灰色预测模型GM(1,1)在预测增长较快的电力负荷时预测效果会变差。针对这一缺陷,提出了一种改进的基于灰色系统的非线性回归预测模型。将非线性回归与GM(1,1)模型二者的优点相结合,利用GM(1,1)模型计算参数初始值,进而对其进行非线性回归分析预测电力负荷值。电力负荷预测实例表明该模型具有较高的预测精度和较广的应用范围。     

短期电力负荷预测模型的比较研究

为了解决提高电力负荷预测精确度这一问题,越来越多的人工智能方法应用于能量功率预测.为此利用湖南省2014年至2017年的电力负荷数据,比较自回归(AR)模型、BP神经网络(BPNN)和指数平滑(ES)模型在预测日度电力负荷和月度电力负荷上的性能,并运用统计学知识来分析三种模型之间的差异.最终根据实验结果得出两个结论:AR模型对日度数据预测的结果优于其他两个模型以及ES模型对月度数据预测的结果优于其他两个模型.     

基于PSO-ELM模型的短期电力系统负荷预测

为了提高电力负荷预测的精确度、降低预测误差,提出了一种基于粒子群优化的极限学习机(PSO-ELM)模型。通过粒子群算法对极限学习机的参数进行寻优,最后通过PSO-ELM模型和传统ELM模型预测结果的相对误差比对,改进模型将相对误差降低在1%左右,提升了学习速率和预测精度,为电网运行和电力分配提供了决策保障。     

电力系统负荷预报的模糊理论方法

基于电力负荷预测工作是整个电力系统规划设计和安全运行的基础,将模糊理论应用到电力系统的负荷预报中,建立了电力负荷预测的模糊时间序列模型．提出了确定系统模糊度最小的方法,并将其应用于实际的电力负荷预报工作．结果表明,该模型预测可以达到较高的精度,效果良好．     

基于粒子群优化算法的灰色模型在电力负荷预测中的应用

传统的灰色预测模型GM(1,1)在预测增长速度较快的电力负荷变化时,预测精度会大幅下降。针对GM(1,1)的这一局限性,本文引入了粒子群优化算法与传统的GM(1,1)相结合来求解灰色模型中的参数。通过对三组不同电力负荷的实例仿真,证明该模型在预测增长速度较快的电力负荷时具有较高的预测精度。     

基于时间序列ARIMA模型的电力负荷短期预测分析

科学的预测电力负荷数据可以更有效地进行电力生产规划和电力供需调整。本文基于代顿市2017年度电力负荷数据构建ARIMA模型,并使用该模型预测2018年的第一个月。并与1月份的实际数据进行比较,验证了模型的真实性和可靠性。研究结果表明:ARIMA(1,1,1)具有良好的预测结果和准确的预测精度。平均预测误差约为4.00%,达到了最小误差的预测效果。     

基于神经网络模型的船舶电网短期电力负荷预测

恶劣海况时电力推进船舶的电网负荷波动较大,发电机组会频繁投入或退出电网,准确的电力负荷预测将有助于优化能量管理策略,保障电力系统的安全性,并提升用电效率。人工神经网络拥有很强的学习能力和泛化能力,能够有效的进行短期电力负荷预测。通过对反向传播(BP)、径向基神经网络(RBF)、Elman共3种不同的网络模型进行原理阐述、数据处理、模型建立及参数调整后,再对其在短期电力负荷预测的表现进行比较,RBF神经网络的预测效果及各项评价指标最优,且其模型建立最简便,因此相较于另外两种网络更适合进行短期电力负荷预测。     

基于二次模态分解的LSTM短期电力负荷预测

为进一步提高短期电力负荷的预测精度,需要更深层次发掘负荷数据中隐藏的非线性关系。提出一种基于信号分解技术的二次模态分解的长短期记忆神经网络(long short-term memory network, LSTM)用于电力负荷的短期预测。所提算法先对原始负荷序列进行自适应噪声的完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN),再将CEEMDAN分解后分量中的强非平稳分量进行变分模态分解(variational mode decomposition, VMD),同时用中心频率法对VMD分解个数进行优化,然后将两次分解后得到的负荷子序列送入LSTM中进行预测,并将所得分量预测结果进行叠加。结果表明,本文所提方法对短期电力负荷预测结果精度和模型性能都有较大提升。     

基于恐惧指数的疫情影响下短期电力负荷预测方法

突如其来的新型冠状病毒肺炎（COVID-19）疫情给电力负荷造成了严重的影响,为了有效应对疫情带来的影响,提高疫情影响下的短期负荷预测精度,提出了一种基于恐惧指数（FI）的疫情影响下短期电力负荷预测方法.利用疫情数据构建FI,与时间信息、历史负荷、气象条件一起作为广义回归神经网络（GRNN）模型的输入变量,用果蝇优化算法（FOA）对GRNN平滑因子进行优化,提高预测结果的准确度和稳定性,使用构建的预测模型进行预测.算例结果表明,该方法能有效提高疫情影响下短期负荷预测的精度,为重大灾难影响下的短期负荷预测提供参考与借鉴.      

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。     

特征空间闭操作驱动的短期电力负荷预测

为了获得更高的短期负荷预测精度,有必要充分考虑负荷变化趋势与区域整体用电行为模式之间的关联,提出一种特征空间闭操作驱动的短期电力负荷预测方法。在综合模型的基础上,首先利用特征提取模型将历史用电负荷分解成多个分量作为刻画区域用电行为的特征;然后使用特征选择模型对用电行为特征进行选择,减少冗余或无效特征的干扰,优化预测模型;最后将选择的特征子集作为预测模型的输入特征从而进一步估计出各时段负荷的分布。结果表明采用本方法预测精度更高。     

基于Attention机制和ResNet的CNN-BiLSTM短期电力负荷预测模型研究

短期电力负荷预测有利于电力系统的高效运行,对电力市场实现有效调度有重要意义。短期电力负荷受多种因素影响,波动性大、随机性强,使得其预测准确率低。双向长短期记忆网络和卷积神经网络难以在短期负荷序列中提取足够多的信息,本文提出了一种结合注意力机制和残差网络的卷积神经网络-双向长短期记忆网络短期负荷预测方法。首先利用基准模型卷积神经网络-双向长短期记忆网络对输入特征进行信息提取,然后利用注意力机制突出提取到的关键信息,最后通过残差网络创建残差层以充分学习时序特征。通过某公开数据集进行实验,结果表明该方法的平均绝对百分比误差达到2.80%,均方根误差达到2.15,并与常用的五种模型预测结果对比,验证了所提模型的准确性及有效性。     

MapReduce框架下基于线性回归的短期负荷预测

为解决负荷预测时因数据量大、数据种类繁多带来的计算速度慢、预测精度低等问题,在MapReduce并行编程框架下,提出基于小批量随机梯度下降法的线性回归模型.首先,为清理智能配电终端产生的重复数据和不良数据,提出利用自适应近邻排序算法清除重复记录的数据,并利用K均值聚类的方法剔除异常数据和记录不完整的数据,然后利用F检验...     

基于SA-LSSVM的电力短期负荷预测

提出融合模拟退火（Simulated annealing,SA）和最小二乘支持向量机（Least Square Support Vector Machine,LSSVM）的电力短期负荷预测方法.由于LSSVM的预测精度依赖于其参数的选择,并且难以选取合适的参数值,因此,参数选择是LSSVM的一个关键问题.为了提高参数选择的质量和效率,采用SA算法进行LSSVM的参数寻优.以某市2010年1月1日至2011年1月7日的电力负荷数据和气象数据进行仿真实验, 实验结果表明该方法具有较高的预测精度.     

基于CEEMDAN-CNN-GRU组合模型的短期负荷预测方法

负荷数据的高度随机性和不确定性,导致短期负荷预测的精度很难提升.为了提高短期负荷预测的准确度,提出了一种基于完全自适应噪声集合经验模态分解(CEEMDAN)与卷积神经网络(CNN)和门控循环单元(GRU)组合模型的短期负荷预测方法.首先,利用CEEMDAN模型将复杂的原始负荷序列分解为几个相对简单的子序列;其次,利用卷...     

基于CNN-LSTM的综合能源系统负荷预测模型

负荷的准确预测是综合能源系统设计、运行、调度和管理的前提。现有的负荷预测模型中大都考虑了气象、日期因素,却没有考虑系统中电、冷、热负荷间的相关性,这会对模型的预测精度造成影响。使用了科普拉理论对系统中3种负荷之间的相关性进行分析。从分析结果看,它们之间具有强相关的关系。基于上述分析结果,提出了一种基于深度学习的智慧综合能源系统负荷预测模型,该模型使用卷积神经网络(convolutional neural network,CNN)来提取系统中电、冷、热负荷间的耦合特性相关的特征量。将得到的特征量转换为时间序列后,输入到长短期记忆(long short-term memory,LSTM)网络中进行负荷预测。实验显示,所提出的CNN-LSTM组合模型的预测精度更为精准,可为综合能源系统的负荷预测提供参考。