基于对数平均迪氏指数-布谷鸟搜索算法-最小二乘支持向量机的区域中长期电力需求预测

中长期用电需求预测对地区电网规划与运行具有重要意义。准确地对其进行预测有助于配电网利用效率的提高。中长期用电需求与地区宏观经济形势息息相关,选用(对数平均迪氏指数)LMDI分解模型对用电增长量进行了分解。根据影响因素分解为生产效应、结构效应及强度效应,然后选用布谷鸟搜索优化的最小二乘支持向量机对各效应数据进行拟合及预测,再加总得到预测用电需求量。最后,以冀北地区为例对模型进行测算,通过与不同预测方法比较证明了基于LMDI电量分解的CS-LSSVM模型在中长期电力需求预测方面有较高的准确度。     

浙江省月度电力需求的变分模态分解-自适应模糊神经网络-差分整合移动平均自回归组合预测模型及应用

为提高电力需求预测的精度,提出了一种将变分模态分解(variational mode decomposition,VMD)和自适应模糊神经网络(adaptive network-based fuzzy inference system,ANFIS)相结合的方法并应用到月度电力需求预测中.首先将原始数据通过VMD分解成有限带宽的子模态序列,选用差分整合移动平均自回归模型(autoregressive integrated moving average model,ARIMA)、ANFIS、经验模态分解(empirical mode decomposition,EMD)与ANFIS相结合和VMD-ANFIS几种模型进行预测结果对比.结果表明:相比直接利用ANFIS模型得到的预测结果,增加VMD分解过程能有效减小预测误差.说明所应用的VMD-ANFIS方法更具优越性,可以获得更好的预测结果.     

数学模型在用电需求预测中的应用

对用电需求预测发展进行了介绍,以几种较为经典的、具有较好预测效果的数学预测模型为基础,提出采用组合预测模型来有效提高用电需求预测的精度。     

浅析TRANSCAD在胶州交通需求预测中的应用

本文以胶州市交通需求预测为例,介绍了TRANSCAD在城市交通需求预测中的运用,在交通需求预测中简述了交通需求预测的建模过程,对于模型选择等关键问题,尤其对交通需求预测中的交通产生和分配两步骤的模型进行了较详细说明。通过胶州城区交通量预测的实例表明,TRANSCAD是一种良好的交通量预测工具。     

能源消费碳排放零残差因素分解模型研究

LMDI模型、Shapley值模型和MRCI模型均是能源消费碳排放的零残差因素分解模型,对三种模型的基本形式进行拓展,提出基于多层次多因素分解的通用表述形式,给出各分解模型中因素的累积效应、逐年效应和效应贡献度的测算方法,并对三种模型特点进行对比。运用Kendall协调系数法对三种模型结果进行相容性检验,输出相容模型集;基于各相容单一分解模型,构建能源消费碳排放的最优加权组合分解模型。应用上述模型对青岛市能源消费碳排放进行分解实证,结果表明,人均GDP和人口是青岛市碳排放增加的驱动因素,能源消费强度下降和能源消费结构优化则对碳排放增长具有抑制作用。     

能源消费碳排放零残差因素分解模型研究

LMDI模型、Shapley值模型和MRCI模型均是能源消费碳排放的零残差因素分解模型,对三种模型的基本形式进行拓展,提出基于多层次多因素分解的通用表述形式,给出各分解模型中因素的累积效应、逐年效应和效应贡献度的测算方法,并对三种模型特点进行对比.运用Kendall协调系数法对三种模型结果进行相容性检验,输出相容模型集;基于各相容单一分解模型,构建能源消费碳排放的最优加权组合分解模型.应用上述模型对青岛市能源消费碳排放进行分解实证,结果表明,人均GDP和人口是青岛市碳排放增加的驱动因素,能源消费强度下降和能源消费结构优化则对碳排放增长具有抑制作用.     

基于数据融合算法优化的GM(1,1)负荷预测模型

为了提高中长期电力负荷预测的精度,改进传统灰色GM(1,1)模型在中长期负荷预测中因部分原始背景数据的偶然性偏差而导致预测精度降低的问题,提出了将数据融合算法与GM(1,1)模型相结合以形成数据融合算法优化下的GM(1,1)模型.首先对特定年采用多个不同历史数据进行GM(1,1)模型预测,利用数据融合算法对多次预测值进行优化分析,获得优化后的预测结果,最后通过对某电力系统年用电负荷进行实例分析,证明数据融合优化下的GM(1,1)模型具有较高预测精度.实践证明所建立的模型对电力系统中长期负荷具有良好预测能力.     

基于矩阵分解的电力物资需求预测

准确预测变电站及配网工程的物资需求,对于节约工程成本,提高资金利用率,具有重要意义.尽管研究者在电力物资需求预测方面已经开展了一系列的研究,提出了很多预测模型和算法,例如基于神经网络的算法,然而,这些算法普遍存在输入数据过于简单和理想、仅对少数几种物资的需求量进行了预测实验、预测的准确率偏低等不足.因此,目前生产系统普遍采用人工方式进行电力物资需求预测,由有经验的领域专家根据工程初步设计方案预测各类物资的需求量.为了解决现有电力物资需求预测方法存在的不足,本文提出基于矩阵分解的预测方法,以电网建设项目物资需求历史数据和项目计划的部分物资作为输入,通过矩阵分解算法对项目其他物资需求用量进行预测.矩阵分解算法不需要大量的历史用量数据,只用部分项目的物资数据就能进行预测,且算法不需要提前进行训练.     

岚河流域径流中长期GM(1,2)时滞预测模型

针对半干旱地区的降雨径流机制比较复杂这一特点,应用灰色系统理论,提出一种较适合于水文实测资料缺乏情况下的中长期预报方法,建立了岚河流域径流中长期GM(1,2)时滞预测模型。运用该模型对岚河流域的未来径流量进行了预测,结果表明,模型具有比较高的预测精度,且考虑2年时滞效应的灰色预测模型具有比较好的预测结果。     

基于空间计量模型的长三角各地级市服务业用电强度影响因素研究

文章基于2005-2014年长三角地区41个地级市面板数据,构建空间计量模型分析长三角地区服务业用电强度的影响因素。在此基础上,利用空间偏微分方程,将各影响因素对服务业用电强度的空间总效应分解为直接效应和间接效应。研究结果表明,长三角地区各地级市服务业用电强度具有空间相关性和空间溢出性;人均生活用电量、人口密度、服务业人均GDP、服务业产值比重对本市服务业用电强度产生显著的作用,但对邻近市作用效果不明显;各地级市服务业用电比重、全社会用电量、城镇居民人均可支配收入、年末常住人口对本市和邻近市具有显著的相反作用。     

基于完全集成经验模态分解和模糊熵分频的短期风电功率预测

随着风电接入电力系统的比例日益增大,准确的风电功率预测显得愈发重要。为此,提出了一种基于模糊熵和完全集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)的短期风电功率预测模型。采用完全集成经验模态分解将原始风电功率序列进行分解,得到一系列不同频率的子序列。再使用模糊熵(Fuzzy Entropy,FE)算法识别各频率分量特征,将子序列分量分为高、中频分量类和趋势项。趋势项为低频分量,具有较为平稳,波动性小的特点,采用麻雀算法(sparrowSsearch algorithm,SSA)优化支持向量回归(support vector regression,SVR)进行预测；高、中频分量的波动性大且特点较为复杂,则采用SSA优化长短期记忆神经网络(Long Short-Term Memory,LSTM),同时引入注意力机制(Attention Mechanism,AM)对重要信息进行更好的权值分配。最后,经过实验结果分析表明,该模型具有更高的风电功率预测精度。     

我国电力需求量与经济增长的动态效应研究

电力需求量是关系到我国电力发展和经济发展的关键问题.基于我国1990—2012年的数据,对电力需求量与经济增长的动态效应关系进行实证研究.研究表明,所选变量均通过ADF平稳性检验,具有很好的平稳性.检验通过后,构建了电力需求量与经济增长之间的向量自回归模型;然后运用脉冲响应函数分析了经济增长的变化对电力需求量的冲击效应;最后利用方差分解的方法,分析了经济增长对电力需求量的贡献率水平.     

中国电力需求长期增长趋势预测

基于协整理论和指数增长模型,分析预测了中国电力需求长期增长趋势,基于协整研究的结果,指出电力需求和经济增长之间存在长期稳定均衡关系,考虑到数据在生成过程中的变化,采用1983—2005年子样本拟合指数增长模型预测电力需求,预测效果良好。     

参数优化变分模态分解与LSTM的电力物资需求预测

国家电网物资采购管理水平不断提高,线上采购流程逐步完善,但仍存在由于采购计划预估不准导致招投标过程中,供应商利用招投标总标包机制进行价格博弈而造成电网公司采购成本增加,因此,建立准确有效的电力物资需求预测模型具有重要意义。针对电力物资序列的非稳定性、波动性和间歇性特点,提出一种基于参数优化变分模态分解(variational mode decomposition, VMD)与长短时记忆神经网络(long short-term memory, LSTM)的电力物资需求预测方法,选取国网电商专区平台的典型电力物资,采用鲸鱼优化算法(whale optimization algorithm, WOA)参数优化的VMD对原始序列进行模态分解,将分解获得的各模态分量分别构建LSTM模型,最后将各模态的预测值叠加重构为电力物资的预测值。实验结果表明：所提电力物资需求预测方法较LSTM、EMD-LSTM、VMD-LSTM、PSO-VMD-LSTM、SSA-VMD-LSTM有更高的准确率,对电网物资采购预测具有一定实际意义。     

混合算法在港口吞吐量预测中的应用

针对单一预测方法存在的不足,采用一种联合时间序列法和因果分析法的混合算法预测港口吞吐量.并以宿迁港吞吐量预测为例,对这种方法进行了详细说明.预测过程中借助主成分分析法提取出影响港口吞吐量的关键因子,利用改进的灰色模型理论对关键因子中远期未来值做出预估,最后通过吞吐量与关键因子的线性回归得出宿迁港在预测年份的吞吐量值.通过对混合算法预测模型误差的检验发现,此预测方法的模型精度较高,能够满足港口吞吐量预测的要求,可以推广到类似港口吞吐量的预测中.     

计及误差修正的VMD-LSTM短期负荷预测

精确地短期负荷预测为电力系统经济调度和机组最优负荷分配交易奠定基础。因此,提出了一种将变分模态分解（variational mode decomposition,VMD）和长短期记忆神经网络（long short-term memory,LSTM）结合的短期负荷预测模型,并使用支持向量回归（support vector regression,SVR）构建修正后的误差序列对初始预测序列补偿。首先,运用VMD算法将非平稳的负荷序列分解为多个相对平稳的模态分量;然后,将每个模态分量输入LSTM模型进行预测,并将各分量预测结果合并得到VMD-LSTM的预测结果;最后将残差值输入SVR模型中构造误差序列,来修正后一日的VMD-LSTM预测结果。通过实际案例测试,实验结果对比其他模型结果有更低的预测误差,证明所提方法的有效性。     

基于VMD-EWT-IASSP-EBILSTM的短期电力负荷预测

电力系统在国家工业基础设施中起着举足轻重的作用,维持系统负荷高精度预测是保障电力系统高效供应的关键。针对负荷数据的非平稳性、随机性与非线性,负荷预测误差较大的问题,结合变分模态分解(variational mode decomposition, VMD)、经验小波变换(empirical wavelet transform, EWT)、改进的空洞卷积金字塔模块(improved atros spatial pyramid pooling, IASSP)、集成双向长短时记忆模块(ensemble BiLSTM,EBiLSTM),提出了一种短期电力负荷预测模型。为解决负荷数据的非平稳性引起的模型预测波动问题,通过变分模态分解方法与经验小波变换的结合分解为若干子序列,显著降低了原始负荷序列的复杂性;为提高模型预测精度,将分解的负荷子序列利用过零率指标划分高低频序列,在低频序列中构建一种时序依赖捕获模块EBiLSTM提取长期负荷特征,高频序列中构建特征提取模块IASSP提取局部负荷特征,最后累加各子序列的预测结果,实现电力系统负荷的短期预测。选取行业通用客观评价指标：平均绝对误差、均方根误差,...     

基于激励策略自报电量的电价算法研究

研究了用户自报用电量的激励电价的建模问题,并设计了相应的电价算法.该模型的主要思想是,让用户自己申报每月的计划用电数额,实际用电超额或是没达到自报额,将给予惩罚性质的电价.运用对策论中的激励Stackelberg策略对模型中的单位电价进行线性激励.此电价模型鼓励用户根据自己的实际需要自报合适的用电量,从长远效益来看,起到了节约资源、满足需求的作用.最后,利用MATLAB对所制订的激励策略进行了数值仿真,仿真结果说明所得方法的有效性和结果的实用性.     

基于两级分解和GRU-AT网络的短时交通流预测模型

为提升城市道路短时交通流预测准确性,提出了一种基于小波分解(wavelet decomposition,WD)、变分模态分解(variational mode decomposition,VMD)和融合注意力机制(attention ,AT)的门控循环单元(gated recurrent units,GRU)网络的短时交通流预测模型。首先采用WD算法将原始交通流数据分解重构成低频分量和高频分量;然后将各高频分量累加,利用VMD算法将其分解为多个本征模态函数(intrinsic mode functions,IMF)分量;最后通过建立GRU-AT模型,提高模型对交通流重要特征信息提取的能力,分别预测算法分解后的交通流分量,将各个分量预测的最优结果进行聚合后获得最终的交通流预测结果。以国内外道路交通流数据为基础进行实例验证,结果表明,WD+VMD+GRU-AT模型的均方误差的平方根、平均绝对误差均小于长短时记忆(long short-term memory,LSTM)网络模型、 GRU、WD+GRU、WD+VMD+GRU,提高了短时交通流预测结果的准确度和稳定性。     

基于双深度神经网络的光功率预测方法

光伏发电是新兴的清洁能源发电方式之一,其光功率受辐照度等环境因素影响较大,导致注入电网的电量不稳定。采集的环境数据能准确预测发电量变化趋势,对电网平稳运行具有重要意义。现有光功率预测方法大多采用单个模型构建预测结构,当面对不同环境数据时预测结果不够稳定。文中提出一种基于双深度神经网络的光功率预测方法,该方法以BPNN(back propagation neural networks)和LSTM(long short term memory)为基础判别器,并通过遗传算法将二者融合为更加精确和鲁棒的光功率预测模型。在东北电网实际数据集上的实验结果表明,相比现有单一神经网络模型,文中提出的方法具有更高的判别精度,且预测结果更加稳定。