组合灰色预测模型在电力负荷预测中的应用

基于灰色预测理论,研究了基本灰色预测模型及其几种传统改进模型的原理和它们在电力负荷预测中存在的局限性,提出了电力系统中长期负荷预测的实用新方法--组合灰色预测模型.以实际算例为基础,应用基本灰色预测模型和传统改进模型以及组合灰色预测模型分别对电力负荷进行了预测,并进行了分析比较.结果表明,用灰色理论预测电力负荷,理论可靠、方法简单.对于中长期电力负荷预测这样复杂的问题,组合灰色预测模型具有预测精度高、简捷实用等优点,该方法可作为中长期电力负荷预测的工具之一.     

基于趋势组合的知期电力负荷预测模型

在运用神经网络进行短期电力负荷预测中，天气是影响负荷的重要因素。为了更好地捕捉天气对负荷的影响，文中提出了一种基于神经网络的趋势组合短期负荷预测思想和模型，将短期负荷与天气变量的内在关系分解为3个不同的趋势分量，即周趋势分量、日趋势分量和小时趋势分量，每一个趋势分量分别用一个神经网络模型捕获，趋势分量的预测结果再用一个神经网络模型进行组合，从而得到最终的预测值，分别用改进的和传统的模型预测一周的小时负荷，结果表明，这种神经网络模型能取得更好的预测精度。     

基于EEMD-SSA组合模型的短期电力负荷预测

由于电力系统运行受多种因素的影响,因此电力负荷呈现较强的波动性和不稳定性,从而影响电网短期负荷预测的准确性。为减小预测误差,提出一种组合模型策略。首先采用集合经验模态分解将原始数据分解为若干分量,根据各分量数据所含信息量的不同,将分量分为两组,分别利用反向传播神经网络和长短时记忆网络进行预测。并在此基础上,利用樽海鞘群优化算法对每个分量预测网络中的神经元个数与输入变量的滞后项进行优化,得到最终的EEMD-SSA(Ensemble Empirical Mode Decomposition-Salp Swarm Algorithm)的组合预测模型。最后,将此模型应用于某地实测数据进行负荷预测。实验结果表明,该组合模型比单一网络模型及其他模型具有更好的预测效果。     

基于互信息的组合预测模型及其在电力负荷预测中的应用

应用互信息度量单个预测模型的精度, 然后以互信息为评价指标,应用模糊评判法赋予各个预测模型相应的权重,籍此建立一个新的组合预测模型.将此组合预测模型用于电力负荷预测,实例表明,互信息能有效地度量单个预测模型的精度,且能取得与传统的误差分析指标一致的评价结果.经多个误差分析指标的评价,基于互信息的组合预测模型提高了预测精度,优于基于熵的组合预测模型.     

电力系统短期负荷组合预测

基于三种单一预测模型，给出了电力系统短期负荷组合预测模型。为求解固定权系数，引入智能优化算法求解。通过计算结果比较表明，组合预测法具有较强的实用性和优越性。     

负荷预测中的组合预测方法与改进分析

组合预测方法是一种优越的组合方法,在电网负荷预测中,通常和多种预测方法结合在一起,如灰色模型、指数平滑模型等,取得很好的预测效果。随着经济快速发展,电网运行体系也不断完善,相应的负荷预测方法必须不断的改进,才能适应现阶段供电需求。本文就负荷预测中的组合预测方法与改进进行分析探讨。     

智能组合预测法在短期电力负荷预测中的应用研究

提出将Kohonen网络、Elman神经网络和遗传算法结合起来建立一种智能组合预测模型,此模型能够综合各种单一预测模型的优点,内在结构随时间的推移不断变化,符合电力负荷的特点,提高了负荷预测的精度.文中给出了三种网络模型进行短期电力负荷预测的仿真结果比较,从而验证了智能组合预测模型的合理性和良好的应用前景.     

组合预测方法在电力系统负荷预测中的应用

组合预测方法是一种性能优越的预测方法.应用最优组合预测和递归等权组合预测方法将自适应滤波模型、灰色模型、指数平滑模型组合在一起进行电网负荷预测,获得了好的预测效果.     

基于神经网络的短期电力负荷预测

采用神经网络方案来进行短期电力负荷预测，探讨了负荷模型分类模，对应用于实际的神经网络算法进行了具体处理，如数据的归一化问题，网络权值与阈值的初始值选定，训练样本的选择策略等。     

电力系统短期负荷预计(DFY)

电力系统调度部门,为了经济、可靠和安全供电,一般要进行短期负荷预计.本文介绍一个次日24小时的负荷预计模型和其程序在计算机上的操作过程.负荷模型分为两部分—正常情况和非正常情况下的预计.对湖南电网给出了预计的实际结果.     

基于ARMA模型下的我国电力需求预测

根据历年电力消费量数据趋势图拟合出与之相似的指数回归曲线,然后对其残差序列利用时间序列进行分析和识别,建立起适合我国电力需求预测的指数回归-ARMA（1,1）模型．     

基于Elman型神经网络的空调负荷预测模型

空调系统的负荷与诸多影响因素之间是一种多变量、强耦合、严重非线性的关系，且这种关系具有动态性，因而传统方法的预测精度不高，而动态回归神经网络能更生动、更直接地反映系统的动态特性。针对这个特点，建立了基于Elman型神经网络的空调负荷预测模型，并进行了实例预测。文中还比较了Elman网络和BP终结建模效果，仿真实验证明了Elman神经网络具有动态特性好、逼近速度快、精度高等特点，说明Elman网络是一种新颖、可靠的负荷预测方法。     

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BLS-Lasso组合模型的火电厂蒸汽量预测

在火力发电过程中,蒸汽量的准确测量,对于汽轮机机组的经济稳定运行具有重要的意义。针对传统蒸汽量测量方法精度低的问题,提出了一种基于宽度学习系统(broad learning system, BLS)和Lasso (least absolute shrinkage and selection operator)回归模型的组合预测模型。首先利用One-class SVM (one-class support vector machines)算法对样本进行异常值检测,将检测得到的异常值剔除。然后,采用最大信息系数(maximal informationcoefficient, MIC)对特征变量和蒸汽量进行非线性关联性分析,确定宽度学习系统和Lasso回归模型的输入变量,通过训练得出各自的预测结果。最后,通过最优加权组合法确定两单一模型的权重系数,将它们所得的预测结果线性组合,得到最终的预测结果。实例表明,所建立的组合模型有效地缓解了单一模型在变化剧烈的峰值和谷值预测偏差大的问题,能够准确地预测蒸汽量。     

考虑环境因素的电动汽车充电站实时负荷预测模型

为了减少电动汽车大规模集成到电网造成的不利影响,提出了一种能够实现充电站充电负荷精准预测的方法。该方法利用LightGBM（light gradient boosting machine）与XGBoost（eXtreme gradient boosting）模型构建线下?线上组合模型。考虑充电负荷、时间、温度、天气等历史数据,利用LightGBM模型初步建立充电负荷线下预测模型;基于XGBoost模型,以线下预测模型输出负荷和实际负荷的误差为优化目标,实时变化的交通流量为协变量,建立线上预测模型,并对初步预测结果进行误差修正。某市实际充电站预测结果表明,相比于随机森林（RF）、LightGBM模型、XGBoost模型、多层感知机（MLP）以及LightGBM?RF组合模型,该组合模型具有更高的预测精度,同时可以准确预测不同充电站的实时充电负荷。     

基于模糊理论的电力负荷预测研究

电力系统负荷预测对电力系统规划和运行极其重要,论述了电力负荷预测的内容和基本过程。将模糊理论应用到电力系统的负荷预报中,基于模糊理论的电力负荷预测可以达到较高的精度,效果良好。