神经网络负荷预测模型研究

负荷预测模型直接影响预测精度,对电网调度运行具有重要作用。本文首先分析了影响负荷预测的时间因素及其周期特性,将负荷预测的时间属性分为工作日、双休日及节假日;进而分析实时气象因素和区间气象因素对负荷预测的影响;在此基础上,分别建立不同时间属性的神经网络负荷预测模型。算例结果表明,提出的模型能有效准确地预测短期负荷,具有一定的工程意义。     

基于组合式神经网络的短期电力负荷预测模型

通过对电力负荷变化规律和影响因素的分析,提出了一种基于组合式神经网络的短期电力负荷预测模型。该模型综合运用神经网络、模糊聚类分析和模式识别理论方法进行建模。首先,采用模糊聚类分析方法,以每天的24点负荷数据、天气数据以及天类别数据为指标,将历史数据分成若干类别;其次,对每一类别建立相应的神经网络预测模型;预测时通过模式识别,批出与预测天相符的预测类别,利用相应的神经网络预测模型进行24小时的短期电力负荷预测。对绍兴地区2年多的实际负荷变化数据进行预测分析的结果表明,该模型不仅对普通工作日有较高的预测精度,对双休日、节假日和一些特殊情况也有较好的预测精度。     

LSSVM与PSO—LSSVM在短期电力负荷预测中的优劣

短期电力负荷预测的精度关乎电力企业的经济效益,预测模型决定精度的高低。针对预测模型的适用性和稳定性,采用基于统计学习理论的机器学习LSSVM和PSO—LSSVM算法对广东某一区域电力负荷进行预测。结果显示:工作日、双休日和节假日,PSO—LSSVM算法预测准确度明显大于LSSVM预测;此外LSSVM和PSO—LSSVM算法对工作日和双休日24小时每时刻的预测误差约在2%左右。因此,选择预测模型时,一方面要考虑不同地区各种影响因素,另一方面要根据样本量大小,选择合适、有效的模型,从而提高预测准确度。     

考虑气温和时间因素的短期电力负荷预测

针对传统的Elman神经网络模型预测存在准确度不高的问题,提出了考虑影响因素的改进型Elman神经网络短期负商预测模型。用人工鱼群算法优化Elman神经网络预测模型的权阈值,使Elman神经网络模型收敛速度更快,准确度更高。以气温因素和时间因素作为模型输入量,分别预测工作日、非工作日和节假日的负荷。Matlab仿真结果表明,考虑影响因素的改进型Elman神经网络预测模型准确度更高,     

基于改进倍比平滑法的节假日短期负荷预测方法

为了提高节假日短期负荷预测精度,提出了基值与归一化曲线结合并加入灰色关联度气象因素修正的负荷预测方法.基值预测时兼顾“重近轻远”的原则,将指数平滑预测改进后应用于节假日负荷预测中,并采用0.618优选法确定平滑系数,对关联日样本进行指数平滑处理;归一化曲线预测时考虑基于相同节假日负荷波动的相似性,引入灰色关联度法分析气象关联性.将该方法应用于广东省某市2011年96点节假日负荷预测,预测结果精度较好,验证了该法的可行性.本模型将正常日的基值与归一化曲线短期负荷预测方法用于节假日负荷预测中,克服了样本贫乏带来的预测精度不高问题,为电力部门节假日负荷预测提供参考.     

一种改进的短期负荷预测方法

采用三层BP型人工神经网络来建立短期负荷预测模型,将影响负荷的主要因素:系统的基本负荷、温度的差异、天气的改变和日期的类型(工作日与节假日)作为数据样本,进行网络的自我训练和学习,并且在训练和学习的过程中引入误差反方向传播算法(即BP算法)来修正神经网络的连接权重,从而达到对负荷预测模型的改良和完善,进一步贴近实际的负荷变化。同时,将因电力线路或设备的检修损失的负荷量也作为影响因素进行了考虑,从而得出更精确的预测负荷值。在实际的负荷预测算例中,上述的预测思路得到了较好的印证,其预测的精度也较高。     

开放售电环境下用户短期负荷预测方法

开放售电环境下用户负荷预测精度将直接影响售电公司的利益和电力系统的稳定性。提出了一种开放售电环境下的用户短期负荷预测方法,首先根据用户历史负荷数据计算用户的典型日(工作日,节假日)负荷曲线;然后,利用Kohonen神经网络挖掘用户用电行为之间的相似性,对用户用电负荷进行聚类,将用电行为相似的用户划分到同一个聚类中;最后在考虑电价和温度等影响因素下,利用在线顺序极限学习机(OS-ELM)负荷预测模型对已经聚类的用户分别进行负荷预测,并对负荷预测结果求和得到系统负荷。为了验证提出方法的可行性,采用某地区的智能电表数据进行试验,试验结果表明,该方法能够深入挖掘用户的用电行为,揭示了用户聚类数目与系统负荷预测精度的关系,能很好地满足系统短期负荷预测的精度要求。     

短期电力负荷的灰色GM(1,1)模型群组合预测

组合预测方法是一种性能优越的预测方法.由于电力负荷具有很多不确定因素,用单一预测模型进行预测时,其预测精度不高,为提高预测精度,提出组合预测模型.灰色GM(1,1)模型群能够很好地反映电力负荷的周期变化特性,而用不同时期的历史数据可反映不同的信息特征,因此,提出了基于远近数据的GM(1,1)模型群预测组合预测法.利用此方法对某地区的日电力负荷进行预测的算例结果表明:此方法的预测精度高于各单一模型的预测精度,且能够很好地反映日负荷变化的随机性和周期性.     

基于改进灰色马尔科夫预测法的中长期负荷预测

提出了一种提高对可能发生较大畸变序列的负荷预测精度的方法。由于电力负荷受天气、节日、经济等较多因素影响,在时间序列上表现为非平稳的随机过程,在某些年份负荷值可能会出现较大畸变,导致模型预测精度下降。分三步对畸变较大的数据样本进行预测以及误差分析,首先建立灰色预测模型,然后利用残差进行模型修正以增加序列波动性,而后用改进的马尔科夫链进行误差修正以提高精度。采用某市1998年至2013年最大负荷作为样本数据验证算法有效性,算例结果表明:与传统灰色系统预测模型相比,此模型有更高的拟合精度和预测精度。此方法的优势在于:在相同样本情况下,拟合程度高并且可以明显修正畸变数据带来的误差。     

考虑气象信息的节假日负荷预测

因负荷成分与正常日有较大差异且样本较少,故节假日短期负荷预测精度往往不太理想.通过对节假日负荷特性的分析,考虑到节假日负荷影响主要受负荷自然增长及天气等因素的影响较大,文中采用相似日方法和模糊推理分别预测负荷曲线模式和负荷水平.通过对实际系统负荷进行预测,结果表明预测精度较高,尤其在气象出现较大变化的节假日能够得到较好的预测结果.     

Short-term load forecasting for the holidays using fuzzy linear regression method

Average load forecasting errors for the holidays are much higher than those for weekdays. So far, many studies on the short-term load forecasting have been made to improve the prediction accuracy using various methods such as deterministic, stochastic, artificial neural net (ANN) and neural network-fuzzy methods. In order to reduce the load forecasting error of the 24 hourly loads for the holidays, the concept of fuzzy regression analysis is employed in the short-term load forecasting problem. According to the historical load data, the same type of holiday showed a similar trend of load profile as in previous years. The fuzzy linear regression model is made from the load data of the previous three years and the coefficients of the model are found by solving the mixed linear programming problem. The proposed algorithm shows good accuracy, and the average maximum percentage error is 3.57% in the load forecasting of the holidays for the years of 1996-1997.     

Short-term load forecasting for special days in anomalous loadconditions using neural networks and fuzzy inference method

Conventional artificial neural network (ANN) based short-term load forecasting techniques have limitations in their use on holidays. This is due to dissimilar load behaviors of holidays compared with those of ordinary weekdays during the year and to insufficiency of training patterns. The purpose of this paper is to propose a new short-term load forecasting method for special days in anomalous load conditions. These days include public holidays, consecutive holidays, and days preceding and following holidays. The proposed method uses a hybrid approach of ANN based technique and fuzzy inference method to forecast the hourly loads of special days. In this method, special days are classified into five different day-types. Five ANN models for each day-type are used to forecast the scaled load curves of special days, and two fuzzy inference models are used to forecast the maximum and the minimum loads of special days. Finally, the results of the ANN and the fuzzy inference models are combined to forecast the 24 hourly loads of special days. The proposed method was tested with actual load data of special days for the years of 1996-1997. The test results showed very accurate forecasting with the average percentage relative error of 1.78%     

Demand forecasting using fuzzy neural computation, with specialemphasis on weekend and public holiday forecasting

This paper describes the implementation and forecasting results of a hybrid fuzzy neural technique, which combines neural network modeling, and techniques from fuzzy logic and fuzzy set theory for electric load forecasting. The strengths of this powerful technique lie in its ability to forecast accurately on weekdays, as well as, on weekends, public holidays, and days before and after public holidays. Furthermore, use of fuzzy logic effectively handles the load variations due to special events. The fuzzy-neural network (FNN) has been extensively tested on actual data obtained from a power system for 24-hour ahead prediction based on forecast weather information. Very impressive results, with an average error of 0.62% on weekdays, 0.83% on Saturdays and 1.17% on Sundays and public holidays have been obtained. This approach avoids complex mathematical calculations and training on many years of data, and is simple to implement on a personal computer     

以神经网络与模糊逻辑互补的电力系统短期负荷预测模型及方法

根据电力系统短期负荷预测的特点,采用神经网络与模糊逻辑互补的方法建立了负荷预测模型.通过粗糙集理论中的信息熵概念对神经网络的输入参数进行了筛选,以与待预测量相关性大的参数作为输入,不仅减少了神经网络的工作量,缩短了计算时间,而且提高了预测的准确性;在神经网络中,通过引进动量系数和遗忘系数优化网络,提高了ANN的收敛速度;在模糊逻辑中,充分利用了人们对负荷变化取得的主观经验,引进不平均隶属函数,来反映负荷对温度的敏感性.     

节假日和极端天气电力负荷特征的萃取模型

负荷预测是电力系统的一个传统研究问题,通常情况下,相近日期的负荷曲线有较强的相似性,然而在特殊节假日和极端气象条件下,负荷的预测具有较强的不确定性。提出了一种节假日和极端天气条件下的电力负荷特征萃取模型,对传统遗传算法的编码机制和遗传操作进行了重新规定。以黑龙江省电网公司的历史负荷数据和气象数据为基础,从中萃取节假日和极端天气对负荷影响的相关规则,并通过实践证明了这些规则的可行性。     

Short-term hourly load forecasting using time-series modeling withpeak load estimation capability

This paper presents a new time series modeling for short term load forecasting, which can model the valuable experiences of the expert operators. This approach can accurately forecast the hourly loads of weekdays, as well as, of weekends and public holidays. It is shown that the proposed method can provide more accurate results than the conventional techniques, such as artificial neural networks or Box-Jenkins models. In addition to hourly loads, daily peak load is an important problem for dispatching centers of a power network. Most of the common load forecasting approaches do not consider this problem. It is shown that the proposed method can exactly forecast the daily peak load of a power system. Obtained results from extensive testing on the Iran's power system network confirm the validity of the developed approach     

基于负荷细分的差异化用户基线负荷预测

电力用户基线负荷(CBL)预测精度会极大影响需求响应效果的评估。本文基于负荷细分,考虑多维用电行为及其影响因素,通过精细化用户用电行为特征,提出一种考虑用户用电模式差异化的基线负荷预测方法。首先采用Ward-模糊C均值(FCM)聚类法,并结合负荷特性指标,改善用户负荷曲线聚类分析的效果;然后,分析气象、时间等多维影响因素,建立考虑温湿度和气温累积效应等城市微气象因素及节假日社会行为因素的差异化用电行为分析模型,提出温度敏感型、节假日敏感型以及两者均不敏感的精细化用电模式;最后,提出不同用电模式的CBL预测方法,建立综合评估方法分析其预测准确度。算例结果表明,所提算法能进一步提高CBL预测精度。     

基于智能加权混合模型的新型电力系统电量预测方法

随着电力系统的转型升级,新型电力系统的能源供应和消费发生了巨大的转变,因此对电量预测提出了更高的要求。月度电量的准确预测为新型电力系统的优化调度和电力市场的营销计划提供可靠的依据。在深入挖掘历史电量数据、综合分析月度电量特征及相关因素影响的基础上,结合Prophet算法和KELM神经网络算法各自的优势,提出了一种考虑气温、经济水平和节假日的月度电量组合预测方法。首先基于月度电量数据建立了Prophet预测模型,并进行了参数调优过程;其次利用KELM神经网络建立了基于历史电量、气温、GDP、节假日信息的预测模型,并通过参数调优确定最佳预测模型;最后,以加权组合的方式,建立月度电量组合预测模型。通过算例分析,比较了组合算法和其他算法的预测误差和预测效果,表明了本文所提组合模型在预测精度方面有所提升,验证了预测算法的有效性。     

基于负荷内部特性和外部随机因素的短期负荷预测模型

根据电力系统负荷序列的混沌特性,提出将其划分为基本混沌负荷分量和外部随机因素负荷分量,依据不同的理论分别构造预测模型。前者通过混沌动力学机理和动态递归时延神经网络融合来构造模型;后者在依据日类型和气象特征进行数据挖掘聚类的基础上利用统计分析与智能识别融合来构造模型。大量的仿真计算证明了所提出的短期负荷预测模型能有效保证全年的预测精度及其稳定性,对夏季高温区和特殊类型日的预测精度有明显提高。