基于负荷误差和经济发展趋势的组合预测模型在中长期负荷预测中的应用

针对组合预测未来预测期权重的确定,充分考虑电力需求与未来经济发展的关系,提出基于两个评价指标来计算各单一预测模型的权重,指标一是各单一模型预测值与实际负荷的误差,指标二是各预测值的年增长率与国内生产总值年增长率的误差。采用客观熵权法和主观G1法来确定两指标的相对重要性,最后综合得出各单一预测模型的权重。该改进组合预测模型解决了未来预测阶段权重的求解问题,通过对农网中长期电力负荷进行预测,结果表明该方法比常规方差优选组合预测模型更为准确和可信。     

层次结构下的中长期电力负荷变权组合预测方法

提出了一种基于层次结构的中长期电力负荷变权组合预测方法,借鉴层次分析法的思想,构造一个层次结构来确定组合权重:采用熵值法确定模型评价指标的相对权重;采用方差–协方差优选组合预测方法和灰色关联分析分别确定各单一预测模型在各评价指标下的相对权重,最终确定组合预测模型中的组合权重。在组合预测的整个过程中,根据负荷发展的"近大远小"原则,引入等维信息的概念,实现了变权组合预测,使预测结果能够更合理地反映电力负荷的发展规律。最后通过一个实例验证了该方法的有效性。     

电力中长期负荷模糊优选组合预测方法的研究

传统中长期电力负荷组合预测方法在确定权系数时,由于没能充分考虑各单一预测模型拟合值与历史实际值之间的多种误差信息,而使预测结果不够理想.为此,选取多种误差作为评价单一模型优劣的指标,引入多目标系统模糊优选理论,结合熵权法客观分配各种误差指标的权重,在全面考虑多种误差信息的情况下,通过求取各单一模型预测精度对“优”的隶属...     

基于递归等权组合模型的中长期电力负荷预测

针对电力负荷预测中单一模型不能充分利用数据信息和对其内在规律考虑不完全的问题,文中采用基于递归等权的组合预测模型,通过灰色关联度法对多个单一模型进行筛选,并确定参与组合的模型。再由递归等权法实现了对参与组合的各单一模型的变权重处理,有效地考虑各单一模型的预测好坏的变化。最后,通过对某地区最大负荷进行预测,对比单一模型与递归等权组合预测模型的预测误差。结果表明,递归等权组合预测模型比各单一预测模型的误差都小,从而验证了该模型能有效提高电力系统负荷预测能力,其精度高、结果可靠。     

灰色关联度组合权在电力负荷预测中的应用

电力负荷预测的复杂性、不确定性使传统的单一预测模型难以获得精确的结果.为提高电力负荷预测准确度,构建了一种组合预测模型.该模型综合灰色递阶模型、"S"曲线模型和逐步回归模型预测结果的过程中引入灰色关联度作为确定组合预测权重的依据,综合协调各个结果,得到更为合理的预测值.     

用变权重组合方法预测中期电力负荷

变权重组合预测法集合了多种单种预测法所包含的信息,可使中期电力负荷预测的准确性不断提高。介绍了变权重组合预测法的基本原理,并进行了预测结果的误差分析及关联度分析。以上海市某区的历史电力负荷数据为实例,计算负荷预测值的误差指标以及预测曲线关联度分析证明,变权重组合负荷预测值与实际值具有很好的拟合度,可有效提高中期电力负荷预测的精度和可信度。     

基于ARIMA-SVM模型的微电网短期负荷组合预测研究

在对比分析微电网负荷特性与传统电力负荷特性的基础上,针对微电网负荷不确定性和波动性强的特点,提出了一种基于预测误差指标的最优组合预测方法进行微电网短期负荷预测。方法中结合了自回归积分移动平均法和支持向量机模型的优点,以两种预测方法误差绝对值和最小为目标,分析确定预测方法在组合模型中的权重,进而得到组合预测中的最优权重组合。研究表明,与方差倒数法组合预测模型所得结果相比,该组合预测方法具有更高的预测精度,能满足实际要求。     

基于最大信息压缩指标与层次分析法的电力负荷组合预测模型

提出一个基于最大信息压缩指标与层次分析法的电力负荷组合预测模型,采用最大信息压缩指标评价单个预测模型的精度,用层次分析法确定各个模型以权重。最大信息压缩指标越小,信息损失越少,权重越大.实例分析表明该组合预测模型预测精度高.     

考虑不同发展情境的江苏省中长期电力需求预测

传统的中长期组合预测模型通常没有考虑不同发展阶段各个指标的不同权重,也没有在中长期的预测中考虑不同的发展情形。依据经济发展的周期特性及与电力的内在联系,将电力数据划分为不同阶段,利用电量误差指标和趋势误差指标计算各单一预测模型权重,利用客观熵权法得到各单个预测方法的综合权重。充分考虑未来经济发展的不同可能以及电动汽车、需求响应等用电技术改变因素,设定低速发展、高速发展和考虑其他因素的发展情境,并分别进行组合预测。将该组合预测方法应用于江苏省中长期负荷预测中,得到不同情境下的预测结果。     

基于互信息的电力负荷组合预测模型

针对电力负荷组合预测中权重难以分配问题,运用信息论与模糊评价方法,提出一种新的确定权重的方法.用互信息度量各个预测模型的精度,对所有预测模型的互信息进行模糊评价,并赋予各预测模型相应的权重,互信息大的模型获得较大的权重;反之,获得较小的权重,进而建立一个新的组合预测模型.实例应用表明,经多个误差分析指标的评价,所提出的组合预测模型不仅优于其中任何单个预测模型,而且优于基于熵的组合预测模型.     

基于负荷分解的日最大负荷预测方法研究

提出了1种基于负荷分解的日最大负荷预测算法,即将负荷分解为正常负荷分量和天气敏感负荷分量,用结合指数趋势和周期趋势的组合模型预测正常负荷分量．用神经网络法预测天气敏感负荷分量。同时,在分析最大负荷和人体舒适度相关性的基础上,在预测中用人体舒适度替代了常规气象因子。预测结果表明,该方法可以取得较为满意的预测效果。     

基于电力系统负荷变动速率的美国得州ERCOT短期负荷预测

基于大量历史负荷数据,研究负荷数据曲线的变化性,并提出了负荷变动速率(RLF)与速率影响因子(IFR)概念。通过对ERCOT数据的分析,总结得出了得克萨斯州用电特点和相同时段内RLF的相似性。依据对RLF的历史数据统计分析,得出经验RLF值,并结合用电负荷的实时数据对短期负荷做出修正与准确预测。该方法可以应用在短期负荷预测系统及对区域中长期用电负荷变化规律的总结上。     

最小概率最大化回归方法在电力负荷中期预测中的应用

提出使用最大化最小概率机器回归MPMR方法来解决电力负荷中期预测问题，结合EUNITE网络2001年举办的电力负荷预测比赛提供的数据进行相关数据分析，建立相应的电力负荷中期预测模型。在分析最大化最小概率机器MPM及用于回归的原理的基础上，使用MPMR方法对不同的训练样本集进行训练，并计算出预测期的预测值，取得了理想的预测结果。核函数形状参数p及回归管道宽度8的选取将直接影响MPMR回归技术的系统性能，试验中使用了交叉验证的方法确定这2个参数值。通过交叉验证求得，当核函数形状参数和回归管道宽度取值都为3时预测效果更为理想。文中对试验结果进行分析，并与相关向量机等其它方法比较，总结了MPMR预测方法的特点。     

基于GOA-SVM的短期负荷预测

支持向量机是借助于凸优化技术的统计学习方法,与传统神经网络相比,泛化错误率低并且结果易于解释。将支持向量机用于负荷预测时,参数选择不准确会导致预测性能较差。提出一种基于蚱蜢优化算法的支持向量机短期负荷预测方法,以某地区负荷、天气等历史数据对SVM进行训练,并通过GOA优化选取支持向量机参数,然后以得到的最优参数建立GOA-SVM负荷预测模型。算例分析表明,GOA-SVM预测模型比GA-SVM和PSO-SVM模型有更好的收敛性能,且预测精度更高。     

ALFA: automated load forecasting assistant

ALFA, an expert system for forecasting short-term electricity demand is presented. ALFA is in operation at the Energy Management System center at Niagara Mohawk Power Corporation in upstate New York, generating, in real time, hourly load forecasts for up to 48 hours in advance. ALFA uses an extensive 10-year historical database of hourly observations of 12 weather variables and a rule base that takes into account daily, weekly, and seasonal variations of load, as well as holidays, special events, and load growth. A satellite interface for the real-time acquisition of weather data, and the machine-operator interface are also discussed     

电网自然区域负荷预测研究

农网改造中变电站的规划是一项核心工作,其中对变电站所带区域的负荷,称为自然区域负荷,进行准确的预测又是关键.分析了典型的农村用电量结构,将之分为四类,并对其中三类主要用电量进行单独分析和预测.首先利用粗糙集理论对每类用电量的影响因素集合进行约简,之后利用支持向量回归机对其进行分别预测.最后的预测结果是三个预测结果相加再按比例加上其它用电量.实验结果表明粗糙集结合支持向量回归机的方法比传统方法有比较大的优势,预测精度比较好.     

Nonparametric regression based short-term load forecasting

This paper presents a novel approach to short-time load forecasting by the application of nonparametric regression. The method is derived from a load model in the form of a probability density function of load and load affecting factors. A load forecast is a conditional expectation of load given the time, weather conditions and other explanatory variables. This forecast can be calculated directly from historical data as a local average of observed past loads with the size of the local neighborhood and the specific weights on the loads defined by a multivariate product kernel. The method accuracy relies on the adequate representation of possible future conditions by historical data, but a measure to detect any unreliable forecast can be easily constructed. The proposed procedure requires few parameters that can be easily calculated from historical data by applying the cross-validation technique     

电力负荷预测方法浅谈

简要介绍了几种常见的电力系统负荷预测的经典方法和现代方法,并介绍了近年来较为热门的支持向量机模型法及其仿真软件,并对未来负荷预测技术的发展做出了展望。