基于BP神经网络与时间序列的电力系统短期负荷组合预测

针对电力系统短期负荷预测问题,考虑了历史负荷对当前短期负荷预测的影响,同时结合气象及节假日等因素,提出了基于BP神经网络与时间序列ARIMA自回归综合滑动平均模型相结合的组合预测方法。通过实例计算表明,组合预测模型兼并了两种方法的优点,极大地提高了预测精度,具有较好的优越性及实用性。     

夏季短期电力负荷预测的MGM（1，n）建模及应用

在对浙江省嘉兴市的历史气象数据进行分析的基础上，提出了一种带气象因素校正的灰色短期负荷预测模型，称为MGM（1，n）模型。实例分析表明，这种方法能较大地提高夏季短期负荷的预测精度，是预测夏季短期电力负荷的一种行之有效的方法。     

电力负荷与气象因子因果关系分析及预测研究

短期电力负荷预测是电力部门生产调度的重要参考,不同地区影响电力负荷的因素有所不同,因此,为探索电力负荷与气象因子之间的因果关系,以某变电站逐小时电力负荷和气象要素数据为基础,采用格兰杰因果检验分析气象要素与电力负荷的因果关系。采用ADF检验验证气象因子与电力负荷数据的平稳性,将通过ADF检验的平稳性变量进行格兰杰因果检验。结果显示,温度、相对湿度和风速均是电力负荷的格兰杰原因,温度和相对湿度对电力负荷变化的影响是实时的,风速对电力负荷变化的影响具有1 h以上的滞后性。采用灰色关联度和余弦相似度建立综合相似性指标,基于相似日法提出一种短期电力负荷预测模型,以2018—2020年的气象数据和电力负荷数据作为样本库,采用2021年的数据对模型预测准确性进行检验。经验证,模型在天气因子变化不明显或变化缓慢情况下预测准确率为90%以上,可作为电力部门生产调度参考。     

基于多变量气象因子的LMBP电力日负荷预测

提出基于主成分分析处理多天气因素的LMBP电力负荷预测模型。采用主成分分析技术对多气象因素进行降维处理,提取多天气因素特征量,既全面表征天气因素对电力负荷的影响,又简化预测模型。将得到的新气象特征量与历史负荷数据共同作为建模对象。采用基于L-M优化算法的BP神经网络(LMBP)进行预测分析,通过最速梯度下降法和牛顿法之间的自适应调整优化网络权值,有效提高网络的收敛速度和泛化能力。通过对美国南部某地区实际电力负荷系统进行预测分析表明该方法可以有效提高预测精度和预测效率。     

电力需求侧的超短期负荷预测分析

从整合用电信息和气象信息等实时多信息源出发,研究了ARIMA预测及BP神经网络预测的单一模型,得出了BP神经网络预测模型更加适用于需求侧超短期负荷预测的结论,对全力推进电力需求侧管理信息平台和长效机制的建设具有重要指导作用。     

基于大数据分析的电网增量负荷预测研究

随着国民经济的发展和人民生活水平的提高,负荷的增长对电网发展的要求越来越高。提高电网规划的效率、最大程度发挥规划的作用既是用户的期望,也是供电企业所追求的目标,因此,在负荷预测中需要综合考虑各种因素。在用电负荷的诸多影响因素中,气象因素对用电负荷有着重要影响,现主要考虑气象因素中的日最高温度对用电负荷的影响,根据某一地区的日最高温数据和日最大负荷数据进行建模,构建相应的负荷预测模型,进而使得预测更加精细化。     

基于改进深度稀疏自编码器及FOA-ELM的电力负荷预测

智能电网的发展使得电网获取的数据逐渐增多,为了从多维大数据中获取有用信息并对短期内电力负荷进行准确的预测,提出了一种基于改进的深度稀疏自编码器(IDSAE)降维及果蝇优化算法(FOA)优化极限学习机(ELM)的短期电力负荷预测方法。将L1正则化加入到深度稀疏自编码器(DSAE)中能够诱导出更好的稀疏性,用IDSAE对影响电力负荷预测精度的高维数据进行特征降维,消除了指标间的多重共线性,实现高维数据向低维空间的压缩编码。采用FOA优化算法优化ELM的权值和阈值,得到最优值,能够克服因极限学习机随机选择权值和阈值导致预测精度低的缺点。首先将气象因素通过IDSAE降维,得到稀疏后的综合气象因素特征指标,协同电力负荷数据作为FOA优化的ELM预测模型的输入向量进行电力负荷预测。通过与DSAE-FOAELM、DSAE-ELM和IDSAE-ELM等模型的对比实验,证明了提出的预测模型能有效提高预测精度,经计算得出预测精度提升大约8%。     

基于弹性网降维及花授粉算法优化BP神经网络的短期电力负荷预测

电力负荷预测为电力系统规划和运行提供可靠的决策依据。随着智能电网的全面发展,数据采集与监视控制系统(SCADA)获取数据量增加,数据的结构也更加复杂,负荷的频繁变化以及地区性的气象因素等都将影响负荷的预测的准确性。提出一种弹性网(EN)进行大数据降维以及花授粉算法(FPA)优化BP神经网络的短期电力负荷预测方法。首先采用弹性网对负荷和气象等高维大数据进行选择和降维。弹性网通过在惩罚项中添加L1范数和L2范数,兼具了最小绝对值收缩及变量选择(LASSO)和岭回归的优点,克服了LASSO降维时因为数据内部存在共线性和群组效应而影响降维效果的问题;然后,考虑到BP神经网络权值和阈值容易受到初值的影响、收敛速度慢以及容易陷入局部最优,引入花授粉算法(FPA)优化BP神经网络,通过与粒子群算法(PSO)对比得出花授粉算法寻优速度更快,效果更好。本文方法应用于实际电力负荷预测,结果表明能有效提高预测精度。     

基于深度学习的矿井电力短期负荷预测方法

短期电力负荷预测能准确评估出煤矿的整体电力负荷变化情况,保证煤矿供电系统的安全与可靠运行。由于煤矿电力负荷预测受多种因素影响,难以实现精确预测,文章针对此问题,基于深度学习理论,提出了一种卷积神经网络(CNN)和双向门控循环单元(BiGRU)相结合的矿井电力短期负荷预测方法,并用于煤矿的实际电力负荷预测中。首先,构建了煤矿电力负荷预测的混合学习模型;然后,给出了数据处理方法,设计了模型评判指标,搭建了仿真平台并进行了多种算法的分析与对比;最后,基于组态软件开发了电力监控与预测系统,并应用于煤矿实际监控中。经现场试验表明,设计的方法可以实现对矿井短期电力负荷的准确预测,为煤矿电力系统的安全运行提供准确的决策支撑。     

基于动态反馈的多元参数回归空调负荷预测控制方法

针对目前常用的空调负荷预测算法中精度与实用性的问题,提出多重负荷预测的方法:负荷的趋势预测模型和精确预测模型。趋势预测模型用于预测24 h内各时刻的负荷,建立基于气象、历史和时间参数长期和短期多元参数回归模型,并引入预测控制方法中反馈校正和滚动优化的方法,并对误差采用一次平滑法。采用遍历搜索法,寻找最优误差,反馈给模型进行修正。每滚动一次,舍去旧值,引入新值,并重新寻优一次误差,直至完成预测。精确预测用于下一个时刻的负荷,利用相似日的历史负荷建立二阶ARX模型,对气象负荷进行第一次修正,再利用前一日的负荷建立一阶ARX模型,对预测负荷进行第二次修正,利用滚动优化进行动态反馈修正。利用某小区的实际数据进行测试,预测结果满足精度要求。     

短期台区电力负荷预测方法探讨

初步探讨了低压台区负荷预测问题的特点、内容和方法,根据目前的研究现状,指出了预测问题的研究方向,对目前的低压台区短期负荷预测工作提出了一些建议。     

基于错位样本的电力系统负荷预测

针对短期负荷预测的特点,通过各因子与负荷数据的分析来评价各因子对于负荷预测的影响,选取最合适的影响因素。考虑了气温的积累效应提出了错位样本概念,将其加入到训练样本中提高了预测精度。最后利用实际数据建立LSSVM模型进行对比仿真。实验结果表明,通过样本选择的的基于错位样本的电力系统负荷预测方法的精度明显高于普通的预测方法,测试表明该预测方法是有效可行的。     

光伏发电功率预测方法研究综述

针对太阳能光伏发电输出功率不稳定的问题,分析了国内外光伏发电功率预测方法的研究现状,总结并提出了今后研究的建议方向,介绍了太阳辐射、晴空指数、日照时数、云、温度、风速和面板积尘等影响光伏发电的各种因素,着重综述了2008年以来光伏发电功率预测尤其是短期预测的研究概况,对光伏功率预测的时间尺度和精度这两个重要指标进行了讨论,分析了数据基础、影响因素、精度指标、时间响应和评价标准等光伏发电预测中需要重点关注的技术难点。研究结果表明,近年来的研究工作主要集中在短期预测,到目前为止对于各种预测方法尚没有被公认的评价标准,难以对各种预测算法进行评估比较。最后结合综述分析,提出了今后光伏发电功率预测研究工作的建议方向。     

基于相似日和RBF神经网络的短期电力负荷预测

短期电力负荷预测中选取合适的相似日作为训练样本可以简化训练过程并提高预测精度。为了减小积温效应对相似日选取的影响,提出了一种根据综合相似度选取相似日的方法。通过将温度和其他负荷影响因素分别计算相似度,从而根据计算得到的综合相似度来选取相似日。此外,为了提高RBF神经网络的预测效果,将训练样本先用减聚类进行聚类,根据聚类结果设置模糊c-means聚类的初值,运用模糊c-means聚类来优化RBF神经网络的隐含层参数,最后结合相似日和改进RBF神经网络进行短期电力负荷预测。通过实际电力负荷数据的仿真分析验证了所提方法的有效性。     

电力系统短期负荷预测中小波函数的选择

针对应用小波分析进行电力系统短期负荷预测中小波函数的选择问题,以dbN小波系作为变换工具,通过最大李氏指数检测,比较了不同N所产生的预测精度,确定了一种db小波函数为短期负荷预测的核心变换工具。研究结果表明,采用db4作为短期负荷预测的小波函数,预测的结果具有较高的精度。     

基于净负荷预测的独立微电网协调控制策略

针对主从式控制结构的独立微电网中可再生能源发电及负荷随机波动的问题,提出了一种基于净负荷超短期预测的微电源协调控制策略,以保障独立微电网的稳定运行.介绍了独立微电网的结构,阐述了净负荷的概念.通过在线采集功率数据,运用最小二乘支持向量机（LS-SVM）方法分别对微电网内负荷及可再生能源出力进行了滚动预测,实现了对净负荷的超短期预测.在预测结果的基础上,主动修正了可控电源日前出力计划,提前响应系统净负荷变化,减轻主电源的调节压力,提高了独立微电网系统的可靠性.算例结果证明了该预测方法的精度,并验证了该控制策略的有效性.     

数据仓库与数据挖掘技术在配电故障中的应用

目前，我国对配电故障只能根据专业人员的经验，而不是科学数据来描述，不能及时准确地预测。为此，综合运用了数据仓库技术、统计学等多种手段，分析配电故障数据与气象因素、电网负荷和温度之间的关系，正确认识配电故障发生的规律，并选择合适的数据挖掘算法，建立有效的数学模型，根据气象因素，准确地预测配电故障发生和电网负荷的关系，取得了实际经济效益。     

基于GRNN网络的短期负荷预测研究

负荷预测的研究工作对于电力系统的安全、经济、可靠运行乃至国家经济的发展都有十分重大的意义。针对短期负荷预测的精度要求高、速度要求快等问题,进行了基于GRNN网络的短期负荷预测研究,对斯洛伐克东部电力公司的负荷数据进行了特性分析和平滑参数的优化,以期能够较好地弥补当前广泛采用的BP网络算法的局限性,从而为电力系统的调度运行和决策提供更为可靠的信息。     

基于BA-VMD-LSSVM的超短期电力负荷预测

超短期电力负荷具有随机性强、波动性大等特点，使得对其进行高精度的预测比较困难。文中提出基于全局参数优化的超短期负荷预测模型。在训练阶段，建立平均绝对百分比误差（MAPE）作为蝙蝠算法（BA）的目标函数，以优化变分模态分解（VMD）、最小二乘支持向量机（LSSVM）及输入数据点数。在测试阶段，应用设置最优参数的VMD分解负荷数据，并使用LSSVM处理各分量，以完成对电力负荷的高精度预测。数据分析结果表明，使用BA对VMD、LSSVM和输入数据点数进行全局优化能够有效地提高超短期电力负荷的预测精度。     

高阶灰色预测模型在短期电力负荷预测中的应用研究

考虑到电力负荷的指数性增长和周期性变化的特点,基于灰色预测理论,建立了三阶电力负荷短期预测模型,给出了电力系统短期负荷预测的主要步骤。通过算例分析,验证了该方法的有效性。