重庆地区中长期负荷特性和预测方法研究

对于存在多个影响因素的中长期电力负荷,采用常规灰色模型GM（1,1）进行中长期预测不能获得较好的预测精度。提取了中长期负荷主要影响因素之一的生产总值和年总用电量建立了多变量灰色预测模型MGM（1,2）。为进行比较分析,同时还建立了常规灰色GM（1,1）模型。预测结果显示,多变量灰色模型MGM（1,2）的预测精度优于常规灰色模型GM（1,1）。     

经验模态分解和遗传程序设计算法在短期负荷预测中的应用

负荷预测精度的高低关键因素之一取决于预测技术。为此,提出将经验模态分解和遗传程序设计算法相结合用于电力系统的短期负荷预测。具体预测过程是对负荷样本进行经验模态分解,然后对分解后的各本征模态分量分别利用遗传程序设计进行分时预测,并通过对各本征模态分量的预测结果进行重构来得到最终预测结果。预测结果的误差基本都在4%范围内,说明此方法能够满足实际预测要求,具有一定可行性。     

考虑温度模糊化的多层长短时记忆神经网络短期负荷预测

智能电表的普及为短期负荷预测提供了海量数据,使得负荷精细化预测成为可能,而温度是影响夏季负荷的重要因素。提出一种考虑温度模糊化的多层长短时记忆神经网络(ML-LSTM)短期负荷预测方法。利用隶属度函数将预测时刻的温度和当日的平均温度进行模糊化处理,减小夏季温度波动性对负荷预测的影响;建立含3层隐藏层的长短时记忆神经网络(LSTM)预测网络,并利用适应性矩估计(Adam)优化算法提高LSTM梯度参数的自适应性学习能力。利用西南某地区2018年6月至8月的实测温度和负荷数据进行验证,负荷预测结果表明,ML-LSTM模型比BP神经网络和支持向量机的负荷预测精度更高,且温度的模糊化处理提高了模型的泛化性。     

基于支持向量机的电价组合预测模型

对传统的2个线性组合预测模型进行了分析,提出了一个新的线性组合预测模型,该模型不要求权系数和为1,而且权重也可以取负值。同时,为提高精度,提出了支持向量机非线性的组合预测模型,该模型实质上是一个非线性回归模型,利用结构风险最小化原则代替传统的经验风险最小化。该模型充分挖掘原始数据和单一预测模型的信息,以单一模型的预测数据作为组合预测样本,选择径向基核函数的支持向量机进行组合预测。同时给出了解决此问题的基于Matlab的支持向量机工具箱的源程序。以美国加州电力日均价为例,与单一预测方法、线性组合预测进行对比,支持向量机非线性的组合预测方法预测比较精确。     

基于灰色理论的航空铅酸蓄电池剩余容量预测

分析了蓄电池剩余容量预测技术的难点,针对蓄电池剩余容量存在随温度、电解液浓度等外部条件而产生周期性变化的特点,提出了新陈代谢GM(1,1)预测模型。通过将新信息GM(1,1)模型和新陈代谢GM(1,1)模型对比,分析误差,并通过计算机实际模拟证明,新陈代谢GM(1,1)预测模型能够明显地提高预测精度,增加预测可靠程度,从而实现蓄电池剩余容量的精确预测。     

Mid-term electricity market clearing price forecasting utilizing hybrid support vector machine and auto-regressive moving average with external input

Currently, there are many techniques available for short-term electricity market clearing price (MCP) forecasting, but very little has been done in the area of mid-term electricity MCP forecasting. Mid-term electricity MCP forecasting has become essential for resources reallocation, maintenance scheduling, bilateral contracting, budgeting and planning purposes. A hybrid mid-term electricity MCP forecasting model combining both support vector machine (SVM) and auto-regressive moving average with external input (ARMAX) modules is presented in this paper. The proposed hybrid model showed improved forecasting accuracy compared to forecasting models using a single SVM, a single least squares support vector machine (LSSVM) and hybrid LSSVM-ARMAX. PJM interconnection data have been utilized to illustrate the proposed model with numerical examples.     

基于粒子群优化的非线性灰色Bernoulli模型在中长期负荷预测中的应用

将非线性灰色Bernoulli模型用于到中长期电力负荷预测,提出了优选模型参数的粒子群优化算法。该模型是将GM(1,1)模型与Bernoulli微分方程相结合的一种灰色模型,适用于对不同发展趋势曲线的预测。通过粒子群优化算法,以模型预测平均绝对百分误差最小为目标,选择最优的模型参数。采用不同测试数据以及实际电网负荷数据进行了验证,结果表明上述模型有很好的适应性及较高的预测精度。     

基于多模型随机组合的水文集合预报方法研究

准确、可靠的水文预报是水资源开发利用的基础。集合预报以概率或区间的形式表征预报的不确定性,是未来水文预报研究的重点发展方向。本文提出了一种基于多模型随机组合的水文集合预报方法。首先通过加权形式将多种预报模型进行组合;再采用多目标优化算法率定各成员模型权重的上、下限;最后在优化的上、下限内随机生成权重以构建集合预报。以汉江黄金峡水库中长期径流预报为研究对象,考虑月、旬两种预见期,构建了六种单一预报模型,采用非支配排序遗传算法对权重进行优化后得到集合预报样本。结果表明：所提方法能更好地反映预报的不确定性,且均值预报结果明显优于贝叶斯模型平均法和单一确定性预报模型,具有一定竞争力。     

组合预测方法在电力系统负荷预测中的应用研究

组合预测方法是一种性能优越的预测方法。选择了电力负荷预测精度较高的两种单一预测模型——无偏灰色预测模型和时间序列预测模型,通过它们建立了三种不同的组合预测模型,对我国电力负荷进行了预测,验证了组合预测模型的优越性。最后,通过对三种组合预测模型的预测结果进行对比,选择一个最适合电力负荷历史数据的模型,通过该模型对我国社会用电量进行预测,获得了较好的预测效果。     

基于小波去噪-KPCA神经网络的光伏功率预测方法

为了提高光伏发电功率的预测精度,提出了一种基于小波去噪/聚类/核主成分分析(KPCA)神经网络的光伏发电功率预测方法。首先,应用二维小波阈值去噪法预处理光伏出力数据;然后,应用k-means算法将预测模型分为4种不同模式下的子预测模型;引入KPCA对输入空间降维重构,利用粒子群优化(PSO)神经网络算法建立基于聚类/KPCA/神经网络的光伏发电功率预测模型。采用某光伏电站的实例数据进行预测分析,结果表明该模型实现了不同模式下的光伏出力较为精准的预测,显示出良好的预测性能,验证了预测模型的可行性和有效性。     

集成经验模态分解与深度学习的用户侧净负荷预测算法

随着用户侧分布式能源发电容量增长,配电网净负荷需求预测面临着更大困难.为此,提出一种改进的自适应噪声的完全集成经验模态分解(CEEMDAN)和深度信念网络(DBN)结合的用户侧净负荷预测方法.首先,通过CEEMDAN将原始净负荷数据分解为若干个频率、幅值不一的本征模态函数(IMF).然后,配合机器学习智能算法,使用DBN逐一对各个IMF分量进行特征提取和时序预测.最后,将多个目标预测结果累加得到最终用户侧短期净负荷预测结果.采用某地区实际数据进行算例分析,验证了所提CEEMDAN-DBN独立预测模型与直接预测相比,能够辨识各频率负荷分量特性,提高分布式能源与负荷耦合性增强背景下的负荷预测精度.     

层次分析法在电力负荷组合预测中的应用

应用组合预测理论，引入层次分析法（AHP）建立了电力负荷组合预测的结构模型，利用AHP的1-9标度，计算相应权重，对电网负荷进行预测，从而获得电力负荷预测的满意解及推荐值。     

人工鱼群神经网络在电力系统短期负荷预测中的应用

短期负荷预测结果对电力系统的经济效益具有重要影响.人工鱼群算法是最新提出的新型寻优策略,具有良好的克服局部极值、获得全局极值的能力.文章建立了一种新的人工鱼群神经网络预测模型,利用人工鱼群算法训练神经网络的权值,再将该神经网络用于短期负荷预测.对某电力系统进行的负荷预测结果表明,该方法与传统的BP神经网络预测方法相比具有较强的自适应能力和较好的预测效果.     

基于神经网络的负荷组合预测模型研究

给出了电力系统负荷的变权系数组合预测模型,即基于神经网络的组合预测模型。该模型利用多种方法的预测结果与实际负荷数据的非线性关系,建立相应的神经网络模型。该网络为单输出的三层网络,其中输入层为各种预测方法的预测值,输出层为实际负荷值。文中用变动量因子和变学习率的BP算法对其训练,训练后的网络便具有预测能力。同时,文中对基于遗传算法的固定权系数组合预测模型进行了简要的介绍。对几个实际系统的年、月、时负荷预测表明,该模型具有很高的预测精度。     

灰色季节变动指数模型GSVI(1,1)在农村用电量预测中的应用

季度用电量同时具有增长性和季节波动性的二重趋势,这使得季度用电量的变化呈现出复杂的非线性组合特征。对于这种具有复杂的非线性组合特征的时间序列,直接应用GM(1,1)灰色模型往往精度不高。GM(1,1)灰色模型只能反映时间序列的总体变化趋势,不能很好地反映其季节性波动变化的具体特征。为了提高短期用电量的预测精度,提出了用电量预测的灰色季节变动指数模型——GSVI(1,1)模型。GSVI(1,1)模型是将灰色预测方法与季节变动指数有机结合起来,对复杂的不确定性问题进行求解所建立的模型。算例计算表明,与灰色预测方法相比,GSVI(1,1)模型具有更强的适应性和更高的预测精度,适用于农村用电量预测。     

基于PSO算法优化GRU神经网络的短期负荷预测

为了实现高精度的电力系统短期负荷预测,提出了基于粒子群优化(particle swarm optimization,PSO)算法优化门控循环单元(gated recurrent unit,GRU)神经网络的电力系统短期负荷预测模型。首先建立GRU神经网络,GRU神经网络采用了门控循环单元,与采用传统循环单元的传统循环神经网络相比,克服了传统循环神经网络中可能出现的梯度爆炸和梯度消失问题;继而采用具有较强全局优化能力的改进粒子群算法对GRU神经网络参数进行优化,有效提高模型的预测精度。通过实际算例仿真分析,并与传统的GRU神经网络预测模型以及反向传播(back propagation,BP)神经网络预测模型进行对比,验证了所提电力系统短期负荷预测模型具有较好的精度和稳定性。     

基于KPCA-KMPMR的短期风电功率概率预测

针对短期风电功率概率预测,提出一种基于核主成分分析(KPCA)与核最小最大概率回归机(KMPMR)相结合的方法。KPCA方法可对数据进行预处理,在特征空间中有效提取模型输入的非线性主元;KMPMR方法在仅需假定产生预测模型的数据分布的均值与协方差矩阵已知时,将最小最大概率分类机(KMPMC)的分类超平面看作预测模型的输出,可最大化模型的输出位于其真实值边界内的最小概率。实验结果表明,所提方法在预测精度上优于现有的预测方法,并能提供预测误差的分布范围。     

基于ARIMA和LS-SVM组合模型的短期负荷预测

经实例预测分析发现,利用累积式自回归动平均法(autoregressive integrated moving average,ARIMA)进行电力短期负荷预测时所得误差序列有较明显的周期规律性,针对此现象及其原因,为提高预测精度,提出采用最小二乘支持向量机(least squares support vector machine,LS-SVM)对ARIMA预测误差进行修正的ARIMA-LS-SVM组合模型;利用该改进模型对哈尔滨电网负荷进行实例预测,结果表明:该方法能够提高短期负荷的预测精度,并且具有较强的推广性和应用能力。     

电力市场中预测问题的新内涵

传统的负荷预测是电力系统规划与运行的基础工作,电力市场化的改革对负荷预测提出了更高的要求,赋予其新的内涵。文中探讨了电力市场中的预测问题,分别针对发电侧竞价和用户侧开放的电力市场,提出了一些新的预测内容和预测思想,包括扩展短期负荷预测、连续多日负荷曲线预测、电力市场价格预测、市场风险预测与评估、考虑需求侧管理影响的电力需求预测、用电需求曲线预测、基于价格弹性的需求预测等,指出了这些预测问题的研究热点和难点,探讨了未来的主要研究方向。     

基于奇异谱分析和极限学习机的风速多步预测

风速预测对风力发电系统具有重要的影响,为获得更高精度的风速预测结果,针对多步风速预测,成功开发了一种基于奇异谱分析和优化极限学习机的新型预测模型。首先,采用奇异谱分析将风速时间序列分解为一组相对平稳的分量,以降低风速序列的随机性对预测结果的影响;然后,对分解得到的分量分别建立极限学习机预测模型,为进一步提高预测性能,将1种新颖的活性竞争萤火虫算法用于优化极限学习机的输入权值和隐含层偏置;最后,叠加全部分量的预测值得到实际预测结果。仿真结果表明,基于奇异谱分析和活性竞争萤火虫算法优化极限学习机的模型在1步到3步风速预测中实现了较高精度的预测结果。