多级负荷预测的基础问题分析

围绕多级负荷预测及其协调问题,首先剖析了多级负荷预测的基础---负荷预测的分类方式,通过拓展不同的分类角度,提出了基于雷达图的负荷预测的分类方法,从而清晰地表征负荷预测的"多级"特性.从供应侧和需求侧的角度分析了相关因素对预测对象的影响途径,提出了多级负荷预测中不同级别电网对相关因素的处理策略;研究了多级负荷预测体系下母线负荷预测与系统负荷预测的关系,提出了"虚拟母线"的概念和应用方法;最后总结了多级负荷预测的分析思路和研究内容.该文的研究为建立多级负荷预测理论提供了广阔的空间.     

电力系统多级负荷预测及其协调问题（二）基本协调模型

电力负荷预测是一个包含空间、时间、属性等多维度多级别的复杂体系.文中针对具有"直接加和"特性的多级负荷预测问题,借鉴电力系统状态估计思想,建立了多级负荷预测的基本协调模型,提出了相应的基本协调方法.在基本协调模型中引入预测可信度的概念,详细分析和比较了不同可信度情况下基本模型的协调结果.引入调整系数和相对调整系数的概念,阐明了基本协调方法的物理机理.为便于比较不同协调方法的协调效果,提出了协调效果的单项评价指标及综合评价标准.最后指明了基本协调模型的应用场合,并用实例验证了所提出的方法的有效性.     

多级负荷预测协调的母线负荷预测系统

围绕多级负荷预测及其协调问题,阐述了多级负荷预测及多级负荷预测协调问题的概念,提出了多级负荷预测协调的必要性。应对多级负荷协调问题,提出多级负荷预测协调的母线负荷预测系统,并针对多级负荷预测协调问题提出了系统的系统建设和功能设计。通过构建四种协调方式,查询对比协调的各项指标及对协调结果的分析等步骤进一步提高系统的预测精度,实现智能电网中多级负荷预测的互动协调。     

多级负荷预测的基础问题分析

围绕多级负荷预测及其协调问题,首先剖析了多级负荷预测的基础---负荷预测的分类方式,通过拓展不同的分类角度,提出了基于雷达图的负荷预测的分类方法,从而清晰地表征负荷预测的“多级”特性。从供应侧和需求侧的角度分析了相关因素对预测对象的影响途径,提出了多级负荷预测中不同级别电网对相关因素的处理策略;研究了多级负荷预测体系下母线负荷预测与系统负荷预测的关系,提出了“虚拟母线”的概念和应用方法;最后总结了多级负荷预测的分析思路和研究内容。该文的研究为建立多级负荷预测理论提供了广阔的空间。     

基于预测可信度的多级协调空间负荷预测方法

提出了一种基于负荷预测可信度的多级协调SLF方法。该方法首先确定了元胞历史负荷数据的评价指标,并运用灰色关联度理论,计算出各元胞的负荷预测可信度。然后建立空间电力负荷多级协调模型,并将元胞负荷预测可信度应用到多级协调模型中,最后利用该模型调整元胞目标年的预测值。空间电力负荷多级协调模型以不同层级负荷之间的关系为基础,在一定程度上能够消除上下级电网的预测结果之间出现的不均衡、不协调的现象,从而提高了空间负荷预测结果的准确性,为进一步的电网规划打下了坚实的基础。选取了指数平滑作为预测方法,并对预测结果采用空间电力负荷多级协调模型进行优化调整,调整结果表明空间电力负荷多级协调模型具有实用性和有效性。     

电力系统多级负荷预测及其协调问题（三）关联协调模型

考虑到多级负荷预测协调的关联特性,将多级负荷预测的基本协调模型扩展为多维多级。首先针对典型的2维2级协调问题,建立了关联协调的标量模型和矩阵模型,并提出了相应的关联协调方法。引入了不平衡向量和调整系数矩阵的新概念,从而阐明了2维2级关联协调方法的物理机理。为便于比较不同协调方法的协调效果,文中继承和扩展了基本协调模型的评价标准,提出了关联协调模型的单项评价指标和综合评价标准。最后,通过实例验证了关联协调模型的协调效果。     

基于遗传算法的母线负荷预测双向协调优化研究

正电力负荷多级预测是我国电网现行分级管理制度下的必然要求。母线的多级负荷预测为电网潮流计算、离线安全校核提供数据支撑,是保证电网安全经济运行的重要基础。针对母线多级负荷预测结果的偏差问题,基于遗传算法建立了双向协调优化机制,并提出两种方式进行协调量的优化调整,得到了可信度较高的协调预测结果。最后,通过实例分析了协调优化机制的实际效果,验证了该机制的有效性。     

电力系统负荷预测研究综述与发展方向的探讨

负荷预测是电力系统规划、计划、用电、调度等部门的基础工作。讨论了年度负荷预测、月度负荷预测和短期负荷预测的特点、成熟方法，分析了负荷预测问题的各种解决方案，并指出未来的主要研究方向。根据国内电力系统负荷预测的实践和国外的经验，对我国开展电力系统负荷预测工作提出了一些建议。     

混沌理论在电力系统负荷预测中的应用

混沌理论适合描述确定性非线性系统的内在随机性,具有对初始条件敏感,遍历性、规律性等特点,作为确定论和概率论的桥梁,其特性符合电力系统负荷预测的内在要求。因此,近年来,混沌理论在电力系统负荷预测中得到了越来越广泛的应用。在总结和归纳传统预测方法的基础上,对混沌理论应用于电力系统负荷预测中的研究现状进行了综述,其中包括混沌时间序列的主要思想、混沌时间序列分别与传统预测技术、神经网络以及模糊理论相结合在负荷预测中的应用,并指出了这一技术的研究动向及应用前景。     

电力系统负荷预测研究综述与发展方向的探讨

负荷预测是电力系统规划、计划、用电、调度等部门的基础工作。讨论了年度负荷预测、月度负荷预测和短期负荷预测的特点、成熟方法，分析了负荷预测问题的各种解决方案，并指出未来的主要研究方向。根据国内电力系统负荷预测的实践和国外的经验，对我国开展电力系统负荷预测工作提出了一些建议。     

电力系统多级负荷预测及其协调问题（四）约束最小二乘可信度

多级负荷预测的基本协调模型和关联协调模型能够较好地解决各种具有直接加和特性的多级预测协调问题.文中在分析其模型特征的基础上,针对原有的加权最小二乘可信度容易出现对预测值调整幅度过大的不合理现象,提出了约束最小二乘可信度优化模型,使得由此形成的多级协调模型可以更加有效地提高电力需求预测的精度.文中还分析了基于约束最小二乘可信度的多级协调模型提高预测精度的机理,并通过实例验证了约束最小二乘可信度的有效性及其对多级预测效果的改善.     

计及需求响应的Elman-NN短期负荷预测模型研究

通过频谱分析研究了需求响应负荷的基本特性,并以此为依据建立了计及需求响应的Elman神经网络(Elman-NN)预测模型。Elman-NN具有处理动态信息能力强、训练时间短、全局寻优性强的优点。通过实际算例,对比在Elman-NN模型中计及需求响应因素前后的预测性能,结果显示计及需求响应因素可显著提高Elman-NN模型预测精度。本文证实了在模型中计及需求响应因素的重要作用,为需求响应负荷的预测研究奠定了必要的理论基础。     

基于多级聚类分析和支持向量机的空间负荷预测方法

为充分利用元胞负荷与元胞属性之间的相关联系来改善空间负荷预测效果,提出了基于多级聚类分析和支持向量机的空间负荷预测方法。首先生成元胞并建立元胞属性集合,根据各属性对元胞进行多级聚类分析,其中采用改进的k-均值算法确定聚类数目和初始聚类中心,来得到逐级细化的元胞分类;然后针对不同类型的元胞建立各自的支持向量机预测模型,同时利用遗传算法进行参数优化以提高预测模型的适应度;最后将待预测元胞的相关属性作为输入向量并代入所建立的预测模型中计算出目标年各元胞负荷最大值,从而实现空间负荷预测。工程实例分析表明了该方法的实用性和有效性。     

基于多负荷特征和TCN-GRU神经网络的负荷预测

传统负荷预测未深入考虑负荷序列对模型预测精度的影响。为提高预测精度,提出了多负荷特征组合(multi-load feature combination, MLFC),并结合时间卷积网络(temporal convolution network,TCN)和门控循环单元(gated recurrent unit,GRU)构建了负荷预测框架。首先,引入负荷变化率特征和基于集合经验模态分解的负荷分量特征,并与负荷、日期特征构成MLFC;其次,选取TCN和GRU进行特征提取和预测,基于MLFC搭建MLFC-TCN-GRU预测框架;最后,采用不同模型验证所提方法。结果表明：MLFC有助于预测精度提升,且适用于不同模型。同时,MLFC-TCN-GRU相较于其他模型有着较高预测精度。     

基于Shapley值的电力负荷预测结果溯源分析方法

针对由于机器学习的黑盒特性导致负荷预测结果不可溯源的问题,提出一种基于Shapley值的电力负荷预测结果溯源分析方法.阐述利用机器学习技术构建负荷预测模型的一般形式和基本过程;基于负荷预测模型,利用合作博弈论中的Shapley值计算各类负荷影响因素对负荷预测结果的影响;对利用梯度提升决策树算法训练的负荷预测模型的预测结果进行溯源分析.实验结果表明,利用所提方法可以洞察负荷预测过程,从而实现负荷预测结果的溯源分析以及考虑复杂非线性的负荷影响因素分析,也可以在构建负荷预测模型时指导特征选择提升模型的泛化能力.     

基于气象成分分解的夏季短期负荷预测

夏季负荷受温度等气象因素影响大,表现出随机性强、波动性大的特点。针对现有短期负荷预测模型在夏季预测精度不高的问题,提出在负荷成分分解的同时,将温度分解为日周期分量和波动分量,以此准确把握短时气象波动对夏季短期负荷预测的影响。在充分分析负荷各分量变化趋势及对整体负荷预测精度影响的基础上,针对各个负荷分量特征分别选择预测方法。在预测气象敏感负荷分量时引入温度波动分量,基于XGBoost智能算法构建预测模型。选用我国中部某市夏季历史负荷建立训练样本,对2017年8月份日96点负荷进行预测,预测结果验证了所提模型和算法的有效性。     

基于XGBoost算法的新型短期负荷预测模型研究

针对目前电网在负荷预测中所采集到的数据普遍存在着特征维度较少;特征关系不明;有效数据量较少的特点,为了提高电网短期负荷预测精度,本文提出一种基于XGBoost算法的新型负荷预测模型。基于XGBoost算法的负荷预测模型采用CART树作为基学习器,输入预处理后的历史负荷和特征数据,通过构建多个弱学习器逐层训练模型并得到模型,最后向模型输入测试集特征得到最终的预测结果。本文所搭建的负荷预测模型具有避免对数据特征的标准化、处理字段缺失的数据、不用关心特征间是否相互依赖、学习效果好的优点。根据真实电网数据实验结果,基于XGBoost算法的负荷预测平均绝对误差百分比下降到3.46%,比本文所对比的基于BP、GRNN、DBN神经网络的负荷模型预测值精度更高,表明本文所提模型的优越性。