电力短期负荷的多变量混沌预测方法

为提高电力短期负荷预测精度和充分利用混沌短期预测优势,拓展单变量时间序列相空间重构到多变量时间序列中,相空间重构了由历史负荷及其相关因素序列所构成的多变量时间序列,计算了多变量时间序列的嵌入维数和延迟时间并用RBF神经网络预测负荷。研究表明多变量重构相空间技术的预测效果优于单变量重构。     

基于负荷混沌特性和最小二乘支持向量机的短期负荷预测

以负荷时间序列的混沌特性为基础,结合混沌时间序列的相空间重构理论和支持向量机的回归理论建立了一种基于负荷混沌特性和最小二乘支持向量机的短期负荷预测模型。首先将原始负荷数据进行相空间重构,形成相点序列,然后选择与当前相点最邻近的相点作为此负荷预测模型的训练样本,经过训练寻求决策函数后就可以求出包含预测点的相点,最后还原此相点得出预测值。通过与BP神经网络的预测结果进行比较,证明了该模型在短期负荷预测中的有效性。     

应用相空间重构理论分析电力负荷时间序列

电力系统负荷的复杂性及非线性相应地增加了对其预测的难度。电力负荷的混沌预测是建立在重构电力负荷序列的相空间基础之上的。重构合适的相空间,使空间轨道充分展开是进一步混沌序列预测的前提。本文结合混沌理论的思想,重点阐述了电力负荷时间序列的相空间重构的思想和算法,并以实际电力负荷数据加以验证,得出了电力负荷的时间序列是一种周期性和混沌性共存的时间训练序列。确定了时间序列后,以重庆江北区负荷为例进行短期预测,取得了良好的预测效果。     

基于分时重构混沌相空间的电力系统负荷短期预测

为了实现高精度的电力系统负荷短期预测,该文对电力系统负荷时间序列数据分时段进行相空间重构,并计算分形维数和提取最大Lyapunov指数,经分析得出了系统负荷分时序列数据的演化具有混沌特征,由此提出了短期电力系统负荷的分时重构混沌相空间预测算法,相比目前通常采用的单一时间序列混沌预测算法,该算法具有相空间嵌入维数少和模型参数配置灵活的特点,通过电力系统负荷短期预测实例验证,结果表明该算法比单一时序混沌预测算法在预测精度上有显著提高.     

基于分时重构混沌相空间的电力系统负荷短期预测

为了实现高精度的电力系统负荷短期预测,该文对电力系统负荷时间序列数据分时段进行相空间重构,并计算分形维数和提取最大Lyapunov指数,经分析得出了系统负荷分时序列数据的演化具有混沌特征,由此提出了短期电力系统负荷的分时重构混沌相空间预测算法,相比目前通常采用的单一时间序列混沌预测算法,该算法具有相空间嵌入维数少和模型参数配置灵活的特点,通过电力系统负荷短期预测实例验证,结果表明该算法比单一时序混沌预测算法在预测精度上有显著提高。     

一种多变量时间序列的短期负荷预测方法研究

针对短期负荷影响因素多的特点提出了电力短期负荷的多变量时间序列预测方法,并根据单变量时间序列的延时重构对由历史负荷序列及其相关因素序列所构成的多变量时间序列进行了相空间重构,采用互信息法计算了各子序列的延迟时间,各子序列的嵌入维数则运用平均一步绝对误差和最小一步绝对误差进行选取,然后通过RBF神经网络的非线性映射能力进行电力短期负荷预测.研究结果表明多变量时间序列的预测效果相对于单变量序列有较大提高.     

混沌神经网络在小电网电力负荷中的应用

通过对小电网短期电力负荷的特点分析,利用平滑、差分、去基值、比例放大四种时间序列处理的方法,去偏复自相关法的相空间重构和BP网络训练三者结合,提出一种应用于小电网短期电力负荷的新的混沌神经网络模型。并通过实例仿真计算和没有经过相空间重构计算的BP网络计算进行对比,表明该混沌神经网络模型可以进一步提高预测的准确度。     

电力短期负荷的多变量时间序列线性回归预测方法研究

根据单变量时间序列的相空间重构思想，提出了一种电力短期负荷的多变量时间序列相空间重构方案，同时针对每一分量时间序列采用互信息法进行最佳延迟时间的选择，最优嵌入维数则采用最小预测误差法进行确定。根据相点间的欧氏距离和关联度，提出了最近邻域点的优化选择方法，建立了多变量时间序列的一阶局域线性预测模型。通过重庆某地区电力系统短期负荷预测的计算实例表明，基于多变量时间序列的负荷预测方法与单变量负荷预测方法相比，具有较强的自适应能力和较好的预测效果。     

电力短期负荷时间序列混沌相空间重构参数优选法

采用混沌相空间重构方法进行电力短期负荷预测时,负荷时间序列的延迟时间τ、嵌入维数m以及预测参考点的选取对预测效果有很大的影响。该文通过电力短期负荷重构吸引子的形状和自相关函数确定电力短期负荷时间序列的最佳嵌入时间窗Γ;根据电力短期负荷的m、τ与Γ的函数关系确定m、τ的多组最佳匹配,证明了m、τ的最佳匹配对于负荷伸缩和平移的不变性;提出了选择预测参考点的适用而有效的方法,该方法分为粗搜索和细搜索2个过程,粗搜索主要根据距离选出一定数量的邻近点,细搜索主要根据相点演化的相关性排除“伪邻近点”。实际电网负荷预测的仿真结果验证了提出的电力短期负荷时间序列相空间重构参数优选法的正确性与有效性。     

电力市场短期边际电价的分时重构混沌相空间预测

为了实现高精度的电力市场短期边际电价预测,该文对市场边际电价时间序列数据分时段聚类进行了相空间重构,并分别计算分形维数和提取最大Lyapunov指数,经分析得出了边际电价分时序列数据的演化具有混沌特征,由此提出了短期边际电价的分时重构混沌相空间预测算法,相比目前通常采用的单一时间序列混沌预测算法,该算法具有相空间嵌入维数少和模型参数配置灵活的特点,通过电力市场短期边际电价预测实例验证,结果表明该算法比单一时序混沌预测算法在预测精度上有显著提高.     

基于CNN-LSTM混合神经网络模型的短期负荷预测方法

为了更好地挖掘海量数据中蕴含的有效信息,提高短期负荷预测精度,针对负荷数据时序性和非线性的特点,提出了一种基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合模型短期负荷预测方法,将海量的历史负荷数据、气象数据、日期信息以及峰谷电价数据按时间滑动窗口构造连续特征图作为输入,先采用CNN提取特征向量,将特征向量以时序序列方式构造并作为LSTM网络输入数据,再采用LSTM网络进行短期负荷预测。使用所提方法对江苏省某地区电力负荷数据进行预测实验,实验结果表明,文中所提出的预测方法比传统负荷预测方法、随机森林模型负荷预测模型方法和标准LSTM网络负荷预测方法具有更高的预测精度。     

基于改进Apriori关联分析及MFOLSTM算法的短期负荷预测

电力负荷预测结果的准确性对电力系统安全稳定运行具有重要意义。针对多气象因素影响下的短期负荷预测任务,提出改进Apriori关联度分析及飞蛾火焰优化的长短时记忆神经网络算法的电力负荷短期预测新方法。首先,提出改进Apriori算法分析气象因素与负荷之间的关联程度。依据分析结果除去非必要气象影响因素,并在此基础上引入人体舒适度评价指标。其次,将降维后气象数据结合地区负荷数据作为模型输入。最后,基于长短时记忆神经网络进行短期负荷预测建模,并结合飞蛾火焰优化算法的全局寻优能力来优化模型。通过对某地区负荷数据协同气象数据进行对比预测试验,测试结果表明该负荷预测模型能有效提升地区电网短期负荷预测性能。     

基于完整自适应噪声集成经验模态分解的LSTM-Attention网络短期电力负荷预测方法

短期电力负荷预测在电网安全运行和制定合理调度计划方面发挥着重要作用。为了提高电力负荷时间序列预测的准确度,提出了一种由完整自适应噪声集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)和基于注意力机制的长短期记忆神经网络(long short-term memory network based on attention mechanism, LSTM-Attention)相结合的短期电力负荷预测模型。完整自适应噪声集成经验模态分解有效地将负荷时间序列分解成多个层次规律平稳的本征模态分量,并通过神经网络模型预测极大值,结合镜像延拓方法抑制边界效应,提高分解精度,同时基于注意力机制的长短期记忆神经网络自适应地提取电力负荷数据输入特征并分配权重进行预测,最后各预测模态分量叠加重构后获得最终预测结果。通过不同实际电力负荷季节数据分别进行实验,并与其他电力负荷预测模型结果分析进行比较,验证了该预测方法在电力负荷预测精度方面具有更好的性能。     

基于虚拟相似日与DA-LSTPNet的地区电网短期负荷预测

针对短期负荷预测精细化的需求,提出一种基于虚拟相似日与双阶段注意力机制的长短期时序神经网络(DA-LSTPNet)的地区级短期负荷预测方法.为获得与负荷相匹配的细粒度实时气象数据,首先基于粗粒度的气象数据,利用灰色关联度和关联度加权法获取含细粒度气象数据的气象虚拟相似日.然后,采用最大信息系数(MIC)对气象特征信息与负荷进行非线性关联性分析,构建MIC加权下的负荷虚拟相似日选取算法,解决选取历史日作为传统负荷相似日而导致的过分局部相似乃至非相似的问题.最后,针对过往预测模型缺乏考虑特征因素与局部负荷细粒度变化之间联系特性的问题,构建能够有效挖掘负荷特征数据长期宏观以及短期局部变化特性的DA-LSTPNet进行日前短期负荷预测.以中国南方某地区电网实际负荷数据为例,采用多种形式的仿真验证了所提预测方法具有更高的预测精度和普适性.     

基于PSRT与Elman神经网络的短期负荷多步预测

短期负荷预测(short-term load forcastings,STLF)对电力系统的经济和安全运行有着重要的作用。为提高短期负荷预测的精度,根据短期负荷的基本特性,提出了一种将相空间重构理论(phase space reconstruction space,PSRT)与Elman神经网络相结合的短期负荷多步预测模型。首先利用PSRT重构相空间的吸引子,然后用Elman神经网络来拟合相空间吸引子的多步演化,其中利用空间欧氏距离来选取Elman网络的输入样本。通过对广西电网短期负荷预测的分析表明,该多步预测方法是有效可行的。     

基于GRU-NN模型的短期负荷预测方法

目前基于统计分析和机器学习的预测方法难以同时兼顾负荷数据的时序性和非线性特点。文中提出了一种基于GRU-NN模型的短期电力负荷预测方法。该方法基于深度学习思想处理不同类型的负荷影响因素,引入门控循环单元(GRU)网络处理具有时序性特点的历史负荷序列,建模学习负荷数据内部动态变化规律,其输出结果与其他外部影响因素(天气、日类型等)融合为新的输入特征,使用深度神经网络进行处理,整体分析特征与负荷变化的内在联系,最后完成负荷预测。以美国某公共事业部门提供的公开数据集和中国某地区的负荷数据作为实际算例,该方法预测精度分别达到了97.30%和97.12%,并与长短期记忆神经网络、多层感知机以及GRU神经网络方法进行对比,实验结果表明所提方法具有更高的预测精度和更快的预测速度。     

能源互联环境下考虑需求响应的区域电网短期负荷预测

在区域能源互联系统中,需求响应改变了电力用户的常规用电习惯,增加了预测环境的不确定因素。针对这种特定的环境,提出一种考虑需求响应的区域电网短期负荷预测方法来满足企业对预测精度的需求,该方法通过依次构建数据处理模型、负荷预测模型和误差预测模型实现了预测精度的提升。更具体地,针对历史数据样本集,采用灰色关联分析法处理气象数据以获取输入预测模型的相似日特征变量;针对电力负荷预测,建立了长短期记忆网络模型,利用其特殊的门结构选择性地控制输入变量对模型参数的影响,从而改善了模型的预测性能;针对误差数据样本集,采用了动态模式分解技术来挖掘误差数据的潜在价值,并利用其数据驱动特性刻画了误差时间序列的趋势变化特征,实现了良好的误差预测。最后,结合实际的电网数据,对比验证了所提方法的有效性和优越性。     

分步预测法在省级电网短期负荷预测中的应用

各地市负荷特性千差万别,单纯的利用省端历史负荷数据以及全省综合气象要素进行预测会产生较大误差,故提出一种分步预测的短期负荷预测方法。在分析省调负荷的组成以及不同类型地区负荷预测方法的基础上,通过查找网损相似日和厂用电率,利用下级电网上报的计划负荷对网损和厂用电进行有效预测,进而得到次日全省发电计划。分析表明,该方法能充分反映省调负荷各组成成分的变化情况,一定程度上提高了省调负荷预测准确率。通过南方某省短期负荷预测系统的实际应用证明了所提出方法的有效性。     

基于自组织特征神经网络和最小二乘支持向量机的短期电力负荷预测方法

准确的负荷预测对于整个电力系统经济有效运行有着重要的意义。针对负荷预测集和预测模型作出协同优化改进,提出了基于粒子群（Particle Swarm Optimization,PSO）优化的自组织特征映射网络（Self-organizing Feature Mapping,SOFM）和遗传算法（Genetic Algorithm,GA）优化的最小二乘支持向量机（Least Squares Support Vector Machine,LSSVM）的短期电力负荷预测方法。使用自适应权重的粒子群算法对SOFM的权值进行优化处理,采用优化的PSO-SOFM对原始负荷数据进行分类处理,得到多组训练集。针对每组训练集建立LSSVM预测模型,并使用GA优化其关键参数,最终得到GA-LSSVM预测模型。最后利用已有的负荷数据进行了负荷预测,验证了该方法的准确性和有效性。