基于Matlab神经网络工具箱的电力负荷组合预测模型

在电力系统负荷预测中，组合预测是一种有效的方法。该方法通常是采用对单个预测模型进行加权处理，要求参加组合预测的模型误差能保持稳定，但电力负荷预测结果的误差往往是非均匀性的，针对上述做法存在问题，提出了基于人工神经网络的组合预测模型，利用人工神经网络对复杂非线性系统的拟合能力，通过网络训练自适应地调整各种预测模型的权重，同时，为了避免用常规语言建立人工神经网络负荷预测模型存在的模型结构复杂，训练时间长等缺点，利用Matlab神经网络工具箱建立组合预测模型，该模型不仅编程简单，而且收敛速度快，算例表明了该模型的实用性和有效性。     

电网负荷的组合预测

应用组合预测方法将自适应滤波模型、灰色模型、指数平滑模型、指数函数模型组合在一起进行电网负荷预测,得到了改善的结果。     

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。     

非线性季节型电力负荷灰色组合预测研究

短期电力负荷同时具有增长性和季节被动性的二重趋势，这使得负荷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序列，使用某一种模型进行预测，结果往往不理想。为了提高短期电力负荷的预测精度，提出了具有季节型特点的电力负荷灰色组合预测模型。在此模型中，灰色模型处理非线性问题具有一定的优势，它可以很好地反映电力负荷的增长性特点。季节变动指数(SVI)用来拟合电力负荷的季节性趋势。最后对季节型灰色预测的残差建立时间序列的AR(p)模型。由于综合考虑了电力负荷的多种特征，此组合预测模型明显地提高了预测精度。     

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。     

计及模型综合指标评价的西南电网中长期负荷变权组合预测

为解决单一预测模型难以适应西南电网不同区域的负荷变化问题,针对西南电网各区域年负荷变化的特点,提出采用计及综合指标评价的负荷变权组合预测模型。首先引入改进灰色关联度指标、预测有效度指标和模型冗余检验指标作为模型选择依据,形成适合不同区域的历史负荷变化的基模型库。然后引入自适应变权重算子对基模型进行组合预测,获得西南电网区域年负荷预测值。算例利用四川省、重庆市以及西藏自治区2006—2019年的电力消费量进行测试,结果表明所提预测方法能够有效预测西南电网负荷变化,相比最优权重模型、等权模型和最优单一模型算法具有更高的预测精度。     

基于自注意力编码器和深度神经网络的短期净负荷预测

随着新能源渗透比例的提高，新型电力系统的源荷平衡与稳定运行依赖于更精确可信的预测。净负荷是实际负荷减去新能源出力的负荷需求，其准确的预测结果能够有效提高电力系统运行经济性与安全性。该文采用直接预测策略，提出基于自注意力编码器和深度神经网络的净负荷预测模型，该模型包括提取原始不确定量特征信息的自注意力编码器模块和提取净负荷时序特征的长短期记忆神经网络模块，两个模块提取的特征信息输入残差神经网络后输出最终的预测结果。同时，由于净负荷集成了负荷、风光等多个不确定量，波动性较强，该文结合条件分位数回归有效实现非参数区间预测，来量化预测不确定性，评估净负荷波动范围。算例分析表明，所提模型相比常见的预测模型取得了更高的净负荷预测精度，给出的预测区间质量也优于基线模型，能够有效支持电网实时运行。     

基于新鲜度函数和预测有效度的模糊自适应变权重中长期电力负荷组合预测

针对传统电力负荷组合预测模型中出现的负权重、没有区别对待不同历史时段的误差对权重的影响以及变权重计算方法较为复杂等问题,文中提出一种基于新鲜度函数和预测有效度的模糊自适应变权重组合预测模型,并应用到中长期电力负荷组合预测中。利用预测有效度进行模型筛选,利用新鲜度函数体现预测中的“近大远小”原则,利用滚动时间域窗口的方法实现变权。算例表明,文中提出的组合预测模型预测精度较高,实用性强。     

综合预测模型及其单一预测方法的联合参数自适应优化

参数自适应是提高预测精度的一种有效手段,单一预测方法的参数自适应方法和综合模型的权重优化方法已有较多研究,但是一般都是对两者独立研究的.将综合模型中的单一预测方法的参数自适应和综合模型权重的自适应结合起来,提出联合参数自适应优化的概念,并且以短期系统负荷预测为基础,对这2步参数自适应过程进行了建模、分析和总结,给出了2种有效的联合参数自适应策略,通过算例进行了论证.所述方法将为涉及综合预测模型的参数自适应问题提供更加完善的理论依据和选择策略.     

一种采用记忆神经网络和曲线形状修正的负荷预测方法

针对分布式电源和新型负荷的容量累积造成负荷影响因素多元化和不确定性特性增强的问题，提出一种采用记忆神经网络和曲线形状修正的负荷预测方法。在负荷峰值预测中，采用最大信息系数计算负荷峰值与影响因素的非线性相关性，实现对输入特征的筛选；综合考虑负荷峰值序列的长短期自相关性和输入特征与负荷峰值的不同程度相关性，结合Attention机制和双向长短时记忆神经网络（Bidirectional long short-term memory, BiLSTM）建立负荷峰值预测模型。在负荷标幺曲线预测中，通过误差倒数法组合相似日和相邻日建立负荷标幺曲线预测模型；针对预测偏差的非平稳特征，利用自适应噪声的完全集成经验模态分解和BiLSTM网络建立误差预测模型对曲线形状进行修正。应用中国北方某城市的区域电网负荷数据为算例，验证了所提模型的有效性。     

一种变权灰色组合预测模型在中长期电力负荷预测中的应用

提出了一种基于灰色理论的中长期负荷变权组合预测模型,通过分析负荷曲线走向,对不同变化趋势的阶段组合后建立不同的灰色模型分别进行预测,通过基于累加残差的变权组合预测得到最终结果,简单有效地将变权组合预测应用到电力负荷预测中.实例计算证明了该模型在中长期电力负荷预测中的有效性,该模型兼具了灰色模型的简单性和变权组合预测的精确性.     

基于模糊层次分析法的电力负荷组合预测

针对电力负荷预测特点和人判断所特有的模糊性,为提高负荷预测精度,提出了基于模糊层次分析法的电力负荷组合预测模型.此模型引入三角模糊数的一些基本理论,采用三角模糊数表征专家判断信息以充分考虑专家判断的模糊性,采用层次分析法对专家判断结果进行处理以得到方案层各方案的最优权重.该电力负荷预测层次分析模型综合考虑了影响电力负荷的多种不确定因素.实际算例表明,所述方法在综合不同模型预测结果的过程中考虑了专家经验,能有效提高负荷预测的精度.     

基于预测误差分布特性统计分析的概率性短期负荷预测

现有短期负荷预测方法一般只能给出确定性负荷预测结果,难以满足电力市场中不确定性风险分析决策的要求。文中提出了一种基于负荷预测误差特性的统计分析的概率性预测方法。该方法首先从时段与负荷水平2个联合维度上建立了对预测误差分布规律进行统计分析的模型,并提出了检验该统计规律有效性的原则和方法;将验证后的预测误差统计分布规律与确定性的负荷预测结果相结合,即可得到概率性的负荷预测结果。基于该结果,还能求取某一置信水平下的预测负荷曲线的包络线。结合实际电网数据验证了所提出方法的有效性和实用性,为概率性短期负荷预测提供了一条可行的新思路。     

基于Prophet与XGBoost混合模型的短期负荷预测

准确有效的预测电力负荷对电网的安全稳定运行具有重要的参考价值.通过对Prophet框架和XGBboost(eXtreme gradient boosting)机器学习模型的深度分析,提出了基于Prophet与XGBoost的混合电力负荷预测模型,针对大量的历史电负荷数据、日期信息、气象数据,分别构建Prophet电力负...     

组合预测方法在电力负荷预测中的应用

为了提高负荷预测的准确性,引入了组合预测模型,通过综合单一预测模型的优点,得出更为准确的结果.文中通过引入2个参数,将组合模型问题转化为极值问题,采用进化规划作为优化方法.最后运用文中所述的组合预测方法与传统的几种单一模型,分别对盐城市区的供电量和最高负荷的历史数据进行计算,比较发现组合预测模型的预测误差要小于任一单个...     

考虑小区发展不均衡性和不确定性的多阶段空间负荷预测

为减少小区发展不均衡性和不确定性对空间负荷预测精度的影响,结合聚类分析与马尔科夫理论提出了一种多阶段空间负荷预测模型。首先,提取单位面积最大负荷、用电量、平均负荷百分比作为表征小区发展不均衡性的指标,利用k-means算法对小区聚类,确定各个发展阶段的负荷密度。其次,统计不同发展阶段间的转移概率,形成马尔科夫链的状态转移矩阵,揭示空间负荷变化规律,以处理小区发展不确定性。再次,利用业扩报装信息、分类饱和密度及状态转移向量建立近中远期负荷预测模型。实例验证表明,该模型能够切实有效地考虑经济发展的不确定性及用电水平的差异性,各阶段负荷预测结果均具有较高的可信度。     

基于多负荷特征和TCN-GRU神经网络的负荷预测

传统负荷预测未深入考虑负荷序列对模型预测精度的影响。为提高预测精度,提出了多负荷特征组合(multi-load feature combination, MLFC),并结合时间卷积网络(temporal convolution network,TCN)和门控循环单元(gated recurrent unit,GRU)构建了负荷预测框架。首先,引入负荷变化率特征和基于集合经验模态分解的负荷分量特征,并与负荷、日期特征构成MLFC;其次,选取TCN和GRU进行特征提取和预测,基于MLFC搭建MLFC-TCN-GRU预测框架;最后,采用不同模型验证所提方法。结果表明：MLFC有助于预测精度提升,且适用于不同模型。同时,MLFC-TCN-GRU相较于其他模型有着较高预测精度。     

基于最大信息熵原理的短期负荷预测综合模型

引入了信息理论来研究和处理负荷变化的不确定性，提出了基于最大信息熵原理的短期负荷预测综合模型，该模型将各种单一预测模型的预测结果以及历史预测误差分布作为约束信息，利用最大熵原理得到预测结果的分布。文中阐述了新模型的应用背景、思路和理论，给出了具体的实现方案和算法，并在实际电网中得到了应用。针对实际电网的算例研究表明，对于随机性较大的电网负荷，传统综合预测模型存在明显的过拟合现象，而新模型则有效地提高了预测精度。     

基于相空间重构和高斯过程回归的短期负荷预测

基于负荷时间序列的混沌特性,提出了一种结合相空间重构(PSR)和高斯过程回归(GPR)的短期负荷预测方法。首先采用C-C方法确定时间序列的延迟时间和嵌入维度,分别建立单变量和多变量的相空间重构模型。然后,分别运用单一与组合核函数的GP模型对负荷样本进行训练,根据最优超参数对24 h的日负荷进行预测。最后将预测结果与支持向量机模型以及多变量GP模型进行比较。结果显示,多变量组合核函数GP模型取得了更好的预测结果,验证了所提出的基于PSR和GPR的预测方法的可行性。     

基于灰色模型和最小二乘支持向量机的电力短期负荷组合预测

提出一种联合灰色模型(grey model,GM)和最小二乘支持向量机回归(least square support vector regression,LSSVR)算法的电力短期负荷智能组合预测方法。在考虑负荷日周期性的基础上,通过对历史负荷数据的不同取舍,构建出各种不同的历史负荷数据序列,并对每个历史数据序列分别建立能修正b 参数的GM(1,1)灰色模型进行负荷预测;采用最小二乘支持向量机回归算法对不同灰色模型的预测结果进行非线性组合,以获取最终预测值。该方法在充分利用灰色模型所需原始数据少、建模简单、运算方便等优势的基础上,结合最小二乘支持向量机所具有的泛化能力强、非线性拟合性好、小样本等特性,提高了预测精度。仿真结果验证了所提出组合方法的有效性和实用性。