基于Haar小波与ARIMAX模型进行短期负荷预测

为了提高对非稳态负荷的预测精度,提出了基于Haar小波分析和ARIMAX模型的短期负荷预测方案。首先,通过Haar小波将高频信息序列与低频信息序列分别从电价与负荷序列中分解出来;其次,分别利用电价序列的高、低频序列对负荷序列的高、低频序列进行ARIMAX模型构建和预测;最后,将含有电价信息的高、低频负荷预测值进行Haar小波重构,得到负荷序列的预测值。通过实例验证表明,本文采用ARIMAX模型添加的电价信息,弥补了多次预测产生的误差,对短期负荷的预测精度高于传统时间序列方法。     

基于负荷预测的电力市场寡头竞争分析

将负荷预测的思想引入到电力市场的竞争分析中,研究了完全信息下的cournot模型中负荷预测对电力市场竞争的影响.首先建立了竞争模型结构,然后获得没有预测情况下的市场均衡电价,应用博弈论获得负荷预测增量对cournot模型下市场力的影响.最后通过数据仿真获得负荷预测增量与市场均衡电价和发电商收益之间的关系.分析表明：负荷预测精度影响发电商收益、市场均衡电价和市场力.预测误差率在33%以内,预测是有用的.所以提高收益的关键是提高负荷预测精度.     

神经网络短期负荷预测中的数据分析

在运用神经网络进行短期电力负荷预测中，输入数据的复杂性和冗余性给网络训练的效率和预测精度造成了显著的负面影响。文中提出了一种复全的数据分析方法，先采用输入变量贡献分析方法，根据输入变量对输出贡献的大小划分为主要变量和次要变量，在保留主要变量的基础 ，再采用多元统计分析中的主成分分析法，消除变量间的线性相关性，在此达到压缩变量维数的目的。将此分析方法用于处理神经网络的输入变量，提取其主要成分，使结构大为简化。结果表明，经该方法处理后的数据输入神经网络，训练时间大幅度缩短，负荷预测精度亦有一定程度的提高。     

基于小波分解-卷积神经网络和支持向量回归的短期负荷预测

为了提高短期负荷预测精度,考虑到除历史负荷数据之外的其他因素对短期负荷预测的重要影响,提出了一种基于离散小波分解(wavelet decomposition, WD)、卷积神经网络(convolutional neural network, CNN)和支持向量回归(support vector regression, SVR)的负荷预测模型。首先,该方法通过小波分解算法对历史负荷数据进行分析与重构,得到长度相同的历史负荷数据,降低了原始序列中非平稳性对预测精度的影响;其次,对天气因素、日期类型进行特征构造,得到特征数据;最后,将处理后的负荷数据输入卷积神经网络支持向量回归机模型,将天气特征数据输入反向传播(back propagation, BP)神经网络支持向量回归模型,通过两个模型结果的叠加得到最终的预测值。实验结果表明,模型的预测精度和效率优于传统的CNN网络、SVR网络以及输入不进行划分的CNN-SVR模型,验证了其可行性。     

基于主成分分析的短期负荷预测模型

电力负荷预测的准确性直接影响到电力系统的安全性和经济性,但在应用神经网络进行短期负测精度造成了显著的负面影响。针对这一问题,本文采用多元统计分析中的主成分分析,根据各主成分贡献率对输入空间进行约简,提取线性无关的输入变量,以此达到压缩变量维数的目的,然后利用考虑模型输入变量相互关系的递推合成BP网络进行预测,使之更符合电力短期负荷预测的特点,提高模型的预测精度。仿真实验的结果表明,该简化模型用于短期负荷预测建模速度快、预测精度高,是一种行之有效的方法。     

自编码器与PSOA-CNN结合的短期负荷预测模型

提出了一种自编码器与PSO算法优化卷积神经网络结合的电力系统短期负荷预测模型。首先利用自编码器对相关变量数据进行处理,降低所需数据的噪声变量,提高预测效率;然后利用粒子群算法对卷积神经网络的权值和阈值进行优化,可有效提高预测模型的预测精度和预测速度。通过对实际电网的负荷数据进行仿真,验证了模型具有较高的预测精度。     

基于核极限学习机的负荷多粒度预测模型

台区负荷数据不仅作为时序数据呈现自相关性,还易受台区环境因素影响呈现非平稳性,因此预测精度不仅与预测模型结构有关,还与输入数据的时序特征有关。为了提高台区负荷的预测精度,提出一种基于混沌时序分析与核极限学习机的短期负荷多粒度预测模型。针对负荷数据的非平稳特征,通过变分模态分解算法将非平稳的原始信号转换成一系列相对平稳的子信号;针对负荷数据中的自相关特征,通过混沌时序分析方法,求解各个模态输入预测模型时的时间窗大小;构建多粒度核极限学习机预测模型,解决负荷数据中非平稳、自相关性对负荷预测的不利影响,提高模型的预测精度。结果表明,负荷的预测精度受输入数据时间窗大小的影响,不同模态分量的最佳时间窗的大小不同。采用混沌相时序分析的方法评估各个模态分量的最佳时间窗大小,可以有效提升核极限学习机的预测精度。     

基于CNN-LSTM-lightGBM组合的超短期风电功率预测方法

近年来风电装机规模逐年增加,风电数据采集量呈现规模化增长,面对海量多维、强波动的风电数据,风电功率预测精度仍面临一定的挑战。为提高风电功率预测精度,提出了基于CNN-LSTM和lightGBM组合的超短期风电功率预测方法。首先,分别建立CNN-LSTM和lightGBM的风电功率超短期预测模型。其中,CNN-LSTM模型采用CNN对风电数据集进行特征处理,并将其作为LSTM模型的数据输入,从而建立CNN-LSTM融合的预测模型;然后,采用误差倒数法对CNN-LSTM和lightGBM的预测数据进行加权组合,建立CNN-LSTM-lightGBM组合的预测模型;最后,采用华北某风电场的风电数据集,以未来4小时风电功率为预测目标,验证了组合模型的有效性。预测结果表明,相较于其他三种单一模型,组合模型具有更高的预测精度。     

基于mRMR-IPSO的短期负荷预测双阶段特征选择

电力负荷具有时空多变的特性,受众多因素的影响,在短期负荷预测中较多的输入特征会造成维度灾难,导致模型预测性能不佳,因此选择合理的输入特征集至关重要。文章提出一种新的短期负荷预测特征选择方法——mRMR-IPSO双阶段法。利用最大相关最小冗余（max-relevance and min-redundancy,mRMR）判据对原始特征进行排序,考虑输入特征与输出特征之间相关性和输入特征间冗余性,筛选掉一些排序靠后的特征,初选出对预测效果影响显著的特征子集;采用基于改进的粒子群优化算法（improved particle swarm optimization,IPSO）的搜索策略,以LightGBM模型的预测精度为适应度函数,对初选特征子集进行精选,得到最优特征子集。算例结果表明,所提方法能在对原始特征集大幅降维的情况下提升预测精度。     

基于PSO聚类分析和RBF网络的短期电价预测

针对短期电价预测具有的周期性及难预测性等特点,研究现存的人工神经网络预测方法,提出一种基于PSO聚类分析和RBF网络的短期电价预测方法。利用粒子群算法优化聚类分析的聚类半径,并用优化后的聚类方法对电价的历史数据按相似的程度分类,得到一类相似度最高的数据作为输入数据并进行预处理,建立相应的RBF网络预测模型,对短期电价进行预测仿真。通过实例分析验证了该预测模型能够有效、稳定地将预测精度提高至0.3%左右。     

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。     

基于近邻成分分析的短期风电功率集成预测

针对短期风电功率预测关键气象因素影响程度的差异和单一模型预测精度不足的问题,提出一种基于近邻成分分析（neighborhood components analysis,NCA）特征加权和Stacking集成预测的短期风电功率预测模型。考虑气象特征对风电功率影响程度不同,利用NCA对气象特征进行加权,将加权特征作为模型输入,强化关键特征的影响程度;在此基础上,构建多个基预测器预测风电功率,并利用结合器将预测结果融合,建立Stacking集成预测模型。算例分析表明,以加权特征作为输入的Stacking集成预测模型具有更高的短期风电功率预测精度。     

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.      

基于天牛须搜索算法的短期风电功率组合预测

为了提高风电功率预测精度,提出了一种完全集成经验模态分解(complete ensemble empirical mode decomposition adaptive noise,CEEMDAN)、极限学习机(extreme learning machine,ELM)和改进天牛须搜索算法(improved beetl...     

自适应变异粒子群优化BP的短期风电功率预测模型

针对反向传播(BP)神经网络预测模型在风电预测中预测精度低、输入变量多的问题,提出一种基于互信息的自适应变异粒子群优化BP的短期风电功率预测模型.首先,采用互信息筛选出原始数据中与输出功率相关度较大的影响因素,减少冗余信息;然后,引入具有自适应惯性权重系数和变异因子思想的粒子群算法对预测模型进行优化.结果表明:与传统预测模型相比,该预测模型具有收敛速度快、预测精度高等特点.     

基于AM-LSTM模型的超短期风电功率预测

近年来,中国的风力发电产业高速发展。然而风力发电具有不稳定性,风电功率超短期预测结果的准确性直接影响到电网安全有效的运行。为了进一步提高风电功率超短期预测的精确度,提出了长短期记忆网络-注意力模型(AM-LSTM)风电功率预测模型,该模型将长短期记忆网络(long-term and short-term memory,LSTM)和注意力模型(attention model,AM)相结合, LSTM网络能够处理好风速、风向等时间序列变量与风电功率之间的非线性关系,注意力模型能够优化LSTM网络的权重,从而使预测结果更加准确。采用真实的风电场历史数据进行实验,结果表明:提出的AM-LSTM预测模型能够有效利用多变量时间序列数据进行风电场发电功率的超短期预测,比传统的BP神经网络和LSTM网络具有更精确的预测效果。该预测模型为风电场地电力调度提供了科学参考。