电力系统短期负荷预测方法综述

短期负荷预测是电力系统安全经济运行的基础.介绍了电力系统短期负荷预测基本方法原理与特点,说明了各种方法的优缺点以及应用的局限性.     

基于PSO的RBF神经网络短期电力负荷预测

根据电力负荷的主要影响因素,考虑时间和天气,建立了基于粒子群算法(PSO)和径向基函数(RBF)神经网络的短期负荷预测模型.由粒子群算法对RBF神经网络的训练进行优化,提高了模型的可信度和可靠性.结果表明,该方法具有较高的预测精度,有一定的应用前景.     

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。     

基于非线性IRWLS-SVM短期电价预测的改进方法

本文提出了一种基于非线性IRWLS-SVM的短期电价预测的模型．首先对不同的损失函数进行仿真,选出具有一定鲁棒性的Huber损失函数来适应模型小的变化．然后比较线性、径向基、多项式3种核函数．仿真结果表明,多项式核函数的预测效果最好．最后提出了一种改进的非线性IRWLS-SVM算法,仿真结果表明改进后的算法提高了局部预测精度．     

基于人工神经网络的实时短期负荷预测系统

应用人工神经网络设计短期电力负荷预测系统,利用广州电网的负荷数据进行仿真,分别作出提前１小时和未来２４小时的整点负荷预测,获得了比较满意的预测精度,显示出人工神经网络应用于短期电力负荷预测的良好前景。由于建立小时模型,改进了训练样本集的选取办法及采用高效率的ＬＭ训练算法,使ＡＮＮ的训练速度大大加快,形成可以实时训练和预测的ＡＮＮ－ＳＴＬＦ系统。     

基于时空图注意力的短期电力负荷预测方法

准确的电力负荷预测对现代电力系统的安全经济运行至关重要.电力负荷预测可以表述为一个具有一定潜在空间依赖性的多变量时序预测问题.然而,大多数现有的电力负荷预测工作未能探索这种空间依赖关系.基于此,本文提出了一种基于时空图注意网络的短期电力负荷预测方法.提出一种基于时空图注意网络模块,该模块使用图注意层实现自适应的捕捉各用户间的潜在空间依赖性,同时使用门控卷积注意力层对各用户用电量在时间维度上进行自适应拟合,以提高网络的预测精度.实际数据实验表明,本文提出的模型整体预测精度提高明显,特别是在一定程度上缓解了长程预测精度恶化的问题,验证了所提方法的有效性与可行性.     

基于事例推理短期负荷预测方法的改进

针对基于事例推理（CBR）短期负荷预测中的事例库组织，提出第一级按不同的时刻和星期类型粗分类、第二级按照模糊聚类方法细分类的二级分类方法，可以很好地实现不同预测环境之间的相似性和相异性；针对事例的检索，提出模糊优先比的定量属性检索方法，按此方法进行检索不但可以提高检索效率，还可以对检索过程进行控制．实际算例表明，以此方法进行负荷预测的周平均相对误差为2．620%，低于一般的CBR方法和单一预测方法．     

基于CEEMDAN算法及NARX神经网络的短期负荷预测

为了提高电力负荷预测精度,提出一种基于自适应噪声的完全集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,简称CEEMDAN)算法和外部输入非线性自回归(nonlinear auto regressive with exogenous inputs,简称NARX)神经网络的短期负荷预测模型.首先,通过CEEMDAN算法对电力负荷原始信号进行分解,得到若干个本征模态函数分量和1个残差分量;然后,将得到的若干个本征模态函数分量和1个残差分量输入NARX神经网络进行预测;最后,将各分量的预测结果进行叠加得到短期负荷预测的最终结果.实验结果表明:CEEMDAN算法与NARX神经网络相结合的负荷预测模型有较强的收敛性能,能减少噪声对预测结果的不良影响、有效提高预测精度.     

基于过程神经网络的短期负荷预测

针对目前常用方法在解决负荷预测问题时,结果往往难以达到工程要求精度的现状,利用过程神经网络输入为时间函数以及预测精度高的特点,建立了基于过程神经网络的电力系统短期负荷预测模型;给出了模型的结构,基于函数正交基展开的离散数据拟合方法以及模型的学习算法.针对东北某地区电网的日负荷数据,进行了模型训练和负荷预测正确性的研究.结果表明,所建立的预测模型对负荷的预测准确率高,优于BP神经网络负荷预测模型的预测结果.     

基于神经元网络的短期电力负荷预测

基于多层感知器可任意精度逼近线性或非线性函数的基本原理，提出一种考虑气候影响因素的多层前馈神经网络的短期负荷预测方法，并给出相应的反向传播算法（BP）的构造过程和训练方法，研究结果表明，基于神经元网络的短期电力负荷预测方法具有精度高的特点，负荷预测结果的相对误差小于3．67％。     

基于流形距离的高速公路短时交通流预测模型

准确的高速公路短时交通流预测是实现交通诱导和控制的重要前提和基础。为了提高预测精度,提出一种基于流形距离(MD)的K近邻-长短期记忆(K-nearest neighbor-long short-term memory,KNN-LSTM)高速公路短时交通流预测模型。该模型利用流形相似性分析高速公路交通流的时空特性,计算多站点与目标站点之间的流形距离。然后,采用改进的KNN算法筛选出空间相关站点构造交通流数据集,通过LSTM模型提取时序特征得出预测结果。实验表明,与单一预测模型相比,该方法能更好地提取交通流时空特性且预测精度更高,可为高速公路的交通管理提供必要的依据。     

基于仿真和流量估计的服务性交通指标预测

提出了基于应用微观交通仿真模型和短期交通量预测的服务性交通参数预测模型.根据实际的交通系统和研究目的建立应用仿真模型并进行模型参数标定和有效性验证.根据实时采集的交通量采用基于小波分析和ARIMA(Autoregressive Integrated Moving Average)模型的混合模型进行下一时刻的交通量预测.将预测的交通量输入到应用仿真模型,根据仿真输出得到下一时刻的服务性交通参数指标.应用实例表明,该模型能够较好地进行服务性交通参数的预测.     

基于运营系统的出租车出行需求短时预测模型

出租车系统作为城市交通运输系统的重要组成部分,其宏观规划和调度管理的合理性决定了出租车服务质量.本文主要研究出租车乘客出行需求估计及预测,为出租车规划和实时调度提供数据支持.首先,分析了出租车定位系统和计费系统,改进了传统出租车需求网格划分方法,考虑了地形、建筑群和道路网络特征,保持了网格自身出行特性的完整性.其次,根据实时收集的出租车数据,建立了易于计算的出行需求估计方法.最后,以实际数据为基础,对影响短时出行量的主要变量进行了相关性分析,提出了基于人工神经网络的短时需求预测模型,根据相关性分析确定了模型结构.以实际获取的出租车数据为例,验证了提出的需求估计和预测模型.结果证明:相比于传统自回归滑动平均模型,提出的人工神经网络模型其平均绝对误差百分比提高了32%.此外,人工神经网络模型的绝对误差百分比超过50%的概率低于10%,而自回归滑动平均模型高达23%.     

利用SVM-LSTM-DBN的短期光伏发电预测方法

为解决传统预测算法的不足,利用深度信念网络(DBN)耦合支持向量机(SVM)和长短期记忆神经网络(LSTM),提出一种新的光伏功率组合预测方法.分别构建以高斯径向基函数为核函数的支持向量机预测模型、4层长短期记忆神经网络为单项预测模型,通过深度信念网络组合,优化预测结果并输出.根据实际出力和预测结果的误差,利用DBN动态调整以获得最优值,进一步验证SVM-LSTM-DBN模型的有效性和准确性,并以新疆维吾尔自治区某光伏电站的实测数据进行仿真验证.结果表明:基于SVM-LSTM-DBN组合的光伏出力预测模型与单一模型相比,预测精度明显提高.     

地铁乘客流量短时预测方法综述

随着地铁线路的日益复杂和人口的日渐增多,导致了地铁承载压力的急剧增加,给地铁的运营调度和管理带来了极大的困难,综述了地铁短时客流量的预测方法,并从近年来研究地铁短时客流量的方法出发,回顾和整理了国内外关于地铁乘客流量短时预测的相关文献,归纳了相关的研究方法;认为目前的研究方法可以分为三类,各有所长,但大部分都忽略了天气,日期和站点的影响,也没有将地铁的进站人数和出站人数分开预测,虽然方法取得了不错的效果,但是还存在一些不足,相关的研究还有大量工作要做,在此基础上提出了相关的建议。     

基于胜率预测的空战关键节点确定方法

以提高空战训练评估效率为目标,着眼于确定影响战局走向的关键节点,提出了一种基于胜率预测的空战关键节点确定方法。首先,基于长短期记忆网络设计并训练胜率预测模型,以实时评估空战态势;其次,引入最大类间方差法确定关键节点阈值,并将相邻时刻胜率差绝对值大于阈值的时间点确认为关键节点。实验结果表明,所设计的胜率预测模型预测胜率准确,所采用的关键节点阈值选择方法合理,总体方案具有可行性和泛化性。     

电力系统短期负荷新型Volterra预测模型研究

针对电力系统负荷短时预测问题,从分析负荷数据的混沌特性入手,利用相空间重构理论对负荷数据进行重构,构建了一种新型的Volterra模型对电力系统负荷进行预测。该模型采用二次线性微分方程方法对原Volterra级数进行变换,与以往Volterra级数相比,该模型无截断误差,包含了系统更多精确的信息。最后,以某地区实际用电负荷数据为对象进行验证,结果表明:该模型2d和4d用电负荷预测结果和实际结果误差不超过5%,完全能够满足电力调度需求,同时也为电力公司制定经济模型和实时电价调整提供了理论支持。     

基于CNN-LSTM-Attention的短期风向预测研究

风向预测对提高风能转化率、保障风力发电机偏航系统安全运行及增加风力发电效益具有重要意义。为准确预测风向,提出一种基于CNN-LSTM-Attention的短期风向预测模型。首先,利用卷积神经网络(Convolutional Neural Network, CNN)提取风向数据动态变化特征,然后将所提取的特征向量构成时间序列作为长短期记忆(Long Short-Term Memory,LSTM)网络的输入,最后使用注意力机制(Attention mechanism)分配LSTM隐含层不同权重,增强重要特征的作用,完成风向预测。采用北部湾海域历史风向数据,通过实验与其他神经网络预测模型进行对比,结果显示,CNN-LSTM-Attention模型的相对平均误差(MAPE)值为3.2119%,R²为0.982 6, 优于其他对比模型。所得结果为广西北部湾海域海上风电探索发展提供参考。     

基于Inception卷积神经网络的城市快速路行程速度短时预测

为了高效捕捉城市快速路复杂的交通拥堵特征,提升短时行程速度预测的准确性,以卷积神经网络为基础,结合Inception模块,构建行程速度短时预测模型。将行程速度信息按照时空关联关系组织为二维数据矩阵,以图像为特征学习对象,自动提取交通数据高维特征并学习多粒度复杂交通拥堵模式,通过系统的网络设计与测试训练得到模型最优结构参数和优化参数,结合回归分析方法与梯度幅度相似性偏差指标,综合评价模型性能。实证结果表明,模型提取行程速度数据时序特征和时空演化特征能力较强,预测准确性较高,可进一步应用于其他交通参数的短时预测。     

犯罪时间序列的混沌特征分析与短期预测

现有犯罪时间序列预测方法侧重于捕捉序列自相关性来构建预测模型,但缺少对犯罪时间序列所反映的社会治安系统非线性和复杂性特征的考虑。 针对这一不足,提出了一种基于混沌分析的长短期记忆(long short-term memory, LSTM)LSTM 预测方法(Chaos-LSTM)。 首先将犯罪时间序列进行相空间重构得到其重构参数以及高维特征,然后计算犯罪时间序列的 Lyapunov 指数判断其混沌特性,最后对符合混沌特征的犯罪时间序列利用重构参数进行序列重建,输入 LSTM 模型进行时序预测。 以北方某特大城市 2007—2014 年的抢劫、入室盗窃、抢夺、诈骗类犯罪的日序列数据进行了实验验证,结果表明:4类案件的时序数据均表现出明显的混沌特征。 Chaos-LSTM 模型在预测精度上较 LSTM 模型有明显提升,平均绝对百分误差(mean absolute percentage error, MAPE)提 升 度 最 高 可 达 19. 7% ,百 分 比 均 方 根 误 差 (percentage root mean square error,PRMSE)提升度最高为 4. 19% ,其中对稀疏性数据序列的提升效果更为明显,显示出该方法对稀疏犯罪时间序列具有更好的适应性。