基于灰色理论的电力监控数据多因素预测模型

电力是关系国计民生的重要基础产业和公用事业。电力系统负荷是重要电力监控数据,其作为电力规划、投资、生产、调度和交易等工作的基础,在电力安全和经济运行中发挥着至关重要的作用。随着大数据技术的发展,大数据技术被广泛的应用在电力负荷预测上,大数据技术的应用前提是需要海量的相关数据,对数据量要求较高。为分析处理缺少样本信息的灰色系统理论可以弥补大数据此方面的缺陷。我国电力负荷,既有逐年增长的确定性,又有随机变化的不确定性,可以视为典型的灰色系统,适合使用灰色模型建模预测。本文提出采用多因素的GM(1,1)优化模型,分析了10年的社会用电结构,并以不同结构的用电力监控数据为基础,建立并检验了基于有限电力数据多因素的灰色预测模型。全社会不同结构电力负荷预测结果表明,该模型预测的最大误差小于4.8%,预测结果证明了该模型的有效性和可用性。上述研究对于丰富电力负荷预测手段,弥补传统大数据技术在负荷预测方面需求数据量较高局限性均具有十分重要的现实意义。     

基于单因素与多因素灰色理论在电力负荷预测中的对比分析

电力一直是中国的重要基础产业和公用事业,电力系统负荷预测作为电力规划、投资、生产、调度和交易等工作的基础?在电力安全和经济运行中发挥着至关重要的作用,由于电力负荷增长的不确定性和非线性,因此很难对其进行准确的预测?本文针对电力负荷预测的难题,讨论基于灰色理论的两种预测模型,即单因素负荷预测与多因素负荷预测,笔者搜集了10年的社会用电数据,通过不同结构的用电量数据,分别建立基于多因素与单因素的GM(1,1)用电负荷预测模型。最后,分析并对比了基于多因素与单因素的灰色模型预测误差,基于多因素与单因素的电力负荷预测结果表明,基于多因素与单因素两个模型预测平均误差均小于5％,但本文推荐使用基于多因素的负荷用电预测模型,因为其结果更为精确,最大平均误差仅为15.7%,上述研究对于完善灰色预测理论,丰富电力负荷预测手段均具有十分重要的现实意义。     

基于粒子群优化方法的短期电力负荷组合预测

短期电力负荷预测是实现电力系统安全、经济运行的基础,其准确性对电力系统运行的可靠性、经济性都有重要意义。本文在灰色模型、ARIMA模型以及指数平滑族模型的基础上,提出了一种基于以上三种模型的组合预测模型,并用粒子群优化算法对其组合权重系数进行了优化。对澳大利亚新南威尔士州2011年9月实际电力负荷数据进行实例分析,其结果表明本文提出的组合模型确实能够提高短期电力负荷预测的精度。     

短期负荷综合预测模型新算法

本文结合马尔科夫校正算法对灰色理论模型加以改进,提出了一种改进灰色-马尔科夫的预测模型。将该模型运用到短期负荷预测中,并与指数平滑模型、人工神经网络模型的预测结果进行比较,结果表明运用改进后的灰色—马尔科夫预测模型可以大大提高预测精度。笔者在这三种预测方法的基础上,应用时变权系数法建立综合预测模型,对待预测日进行短期负荷预测。     

一种基于GRU神经网络的电力负荷预测

针对电力负荷序列不稳定且传统的神经网络在电力负荷预测中预测精度较低等问题,提出了门控循环单元神经网络(Gated Recurrent Unit Neural Network,GRU)负荷预测的方法.利用python编程语言在Tensorflow框架在搭建门控循环单元神经网络,将影响电力负荷的特征数据输入模型中进行训练....     

灰色预测方法在电力负荷中的研究应用

电力负荷预测为地区或电网的电力发展速度、电力建设规模、电力工业布局、能源资源平衡、地区或电网间的电力余缺调剂,以及地区或电网资金和人力资源的需求与平衡提供可靠的依据。针对电力负荷受多重因素影响,变化趋势复杂的问题,本文提出了灰色模型对电力负荷进行预测,并结合算法进行实例论证。实例结果表明该方法的可行性和有效性,预测精度也得到改善,为准确预测长期电力负荷提供了一种简便可行的分析预测方法。     

小波去噪和神经网络在电力负荷预测中的应用研究

为了降低历史负荷数据噪声对负荷预测的影响,提高电力负荷的预测精度,提出了一种基于小波去噪和BP神经网络的电力负荷预测方法。首先,对所得电力负荷数据进行了小波变换去噪处理,有效去除了噪声,然后利用BP神经网络在非线性处理中的优异特性,对小波去噪后的电力负荷进行了BP神经网络建模训练及仿真。实验结果表明:相比于其他电力负荷模型,该方法可以有效提高电力负荷的预测精度,是一种有效的电力负荷预测方法。     

基于贝叶斯优化的CNN-GRU短期电力负荷预测

为了提高短期电力负荷预测精度,针对负荷数据时序性与非线性的特点,提出一种基于贝叶斯优化的CNNGRU短期电力负荷预测模型。首先,将电力负荷数据按时间滑动窗口构造连续特征作为输入,采用CNN对负荷数据进行特征提取,将特征以时序序列方式作为GRU网络输入;然后通过GRU网络进行短期负荷预测,构建CNN-GRU预测模型。针对CNN-GRU模型易陷入局部最优以及超参数寻找难的问题,利用贝叶斯优化寻找最优超参数组合,对模型进行超参数优化,构建贝叶斯优化的CNN-GRU短期电力负荷预测模型。实验结果表明,贝叶斯优化的CNN-GRU模型的MAE值比传统的CNN-GRU网络模型降低58%,精度提升1.23%,说明所提模型能够有效提高负荷预测精度,可作为短期电力负荷预测工具。     

基于模糊时间序列的短期电力负荷预测

本文利用时变模糊时间序列模型预测未来一小时的负荷,给出了一种短期电力负荷预测新方法。同时,分析了时变模糊时间序列模型相关参数对预测精度的影响。应用模糊时间序列进行电力负荷预测,克服传统时间序列在建立离散的递推模型时需要准确的数据的缺点,消除了病态数据对模型的影响。应用山东省某电力公司的数据进行仿真研究取得了较好的预测精度。     

基于灰色线性回归－加权模糊马尔可夫链模型的电力能源需求预测

电力能源系统是一个具有多利益主体的复杂系统,其需求总量变化趋势的预测是新能源规划决策的重要基础,对新常态下我国经济的可持续发展具有重要的指导意义。结合电力能源需求总量历史样本数据特征,提出一种基于灰色线性回归－加权模糊马尔可夫链模型的电力能源需求预测新方法。首先,利用线性回归理论对电力能源需求灰色预测数据进行平滑处理,剖析电力能源需求时间序列中的线性变化特性,进而基于灰色线性回归方程对电力能源需求的未来变化趋势进行预 测,引入加权模糊理论对马尔科夫链理论进行改进,构建灰色线性回归预测残差的状态转移加权模糊概率矩阵,实现对灰色预测结果残差的修正,解决电力能源需求预测中的局部波动变化问题。最后,以我国H电网区域的电力能源需求预测为实际算例,验证所提方法的可行性和有效性。