基于置信度理论和多元线性回归方程的电网负荷预测

首先根据负荷百分比法和置信度理论得到预测期间负荷百分比曲线的上下限;然后建立多元线性回归方程,求出负荷预测曲线;最后对具体算例进行分析,结果验证了该预测模型的合理性及预测方法的有效性。     

基于负荷分解和灰色理论的电网最大负荷预测

气温和用户业扩报装直接影响电网的最大负荷。通过分析电网的负荷特性和最大负荷影响因素,建立了包括基础负荷分量、最大空调负荷分量和历史报装用户累积释放负荷分量的电网最大负荷预测模型,采用灰色理论对各负荷分量进行预测。算例结果表明,该模型能准确把握气温和用户业扩报装对电网最大负荷的影响程度,有效改善负荷预测精度,为电网的规划和运行提供借鉴。     

基于粗糙集和多元线性回归的电力系统中长期负荷预测

基于粗糙集理论和多元线性回归模型,提出一种预测电力系统中长期负荷的新方法。首先采用一种完备的属性约简算法对影响电力负荷的诸多相关因素进行约简,得到与负荷关系最为密切的核心因素。在此基础上,建立多元线性回归模型来预测未来年的负荷。对一个实际电网的负荷进行预测,结果表明所提方法符合中长期负荷预测的特点并具有较高的预测精度。     

基于多元线性回归理论的河南省用电量预测

研究了多元线性回归理论模型及其在区域经济中的应用,探讨了多元线性回归模型、未知参数的估计及其参数的检验问题。以河南国民生产总值、人口及全社会用电量的数据资料为例,介绍了多元线性回归算法在区域经济研究中的应用,并对2007—2015年区域用电量进行了预测。     

基于分形理论的昆明电网电力负荷预测

本文讨论了非线性电力负荷的自相似性问题,并根据负荷的该特性利用分形理论的拼贴定理与分形插值算法求取与负荷历史记录相近吸引子的迭代函数系统(IFS),为负荷预测研究开辟了新途径.对昆明电网2009年5月13日的负荷预测值与实际负荷点基本吻合.预测精度高.     

用灰色系统理论预测电网的负荷

介绍了利用灰色系统理论预测永安电网负荷，阐述了构建模型的方法，并分析了预测结果的精度。     

基于混沌神经网络理论的小电网短期电力负荷预测

通过对小电网负荷数据的特点分析,将时间序列处理、混沌理论和神经网络理论相结合提出了一种基于混沌神经网络理论的电力负荷预测模型。利用Matlab对实际数据进行了仿真计算。通过实例计算,并和不用相空间重构的神经网络的负荷预测算法的各种误差指标的分析比较说明,利用相空间重构对历史数据序列进行拆分或重构可以提高负荷预测的精度。     

华东电网中长期电力负荷预测数据库和负荷预测软件

简要介绍了基于 Windows的华东电网中长期电力负荷预测数据库和负荷预测软件包的开发背景、应用环境、总体结构、数据库设计及预测结果等 ,同时指出了存在的问题。     

基于分行业负荷曲线的地区电网分级负荷预测

由于测控设备未能完全安装或测量设备非正常投运,使得地区电网中地块负荷数据获取较为困难,从而影响了配电网规划的效果。从上下级的负荷动态平衡以及用户日用电量平衡的双向平衡出发,结合不同行业或功能块的负荷特性,将日负荷曲线应用于协调预测的最优化建模,对地区电网的分级负荷预测方法进行挖掘,提出了分级负荷预测的新算法。结果表明,该方法在解决未知用户问题的同时拥有较高的预测精度,是进行地区电网分级负荷预测工作中一个有益的尝试。     

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。     

基于云计算的智能电网短期负荷预测

随着智能电网的迅速发展,太阳能、风能等分布式电源大量接入电网,给传统电网带来巨大的挑战。智能电网中新技术的采用会对提高负荷预测精度有所帮助。为了适应智能电网,短期负荷预测技术需要与时偕行。提出了基于云计算的智能电网短期负荷预测系统,采用云计算技术对负荷预测系统加以改进,在预测速度与精度两个方面都有所改善。     

基于改进型SVR的电网短期负荷预测

常规的支持向量回归预测模型（SVR）预测算法采用人工经验的方法对RBF核函数参数、不敏感系数和惩罚系数等参数进行选取,其性能会因随机选取的参数而变得随机和不确定。人工鱼群算法的初始参数会对整个算法的优化性能产生较大影响,将粒子群优化算法和混沌机制引入常规人工鱼群算法,对其进行改进,可以提高种群多样性和全局寻优能力,避免优化算法陷入局部最优解。通过实验方法对改进型人工鱼群优化SVR预测模型的性能进行分析。结果表明,所研究的短期负荷预测精度较高,具有较好的工程应用价值。     

基于神经网络和模糊理论的短期负荷预测

电力系统负荷预测是能量管理系统(EMS)的重要组成部分,它对电力系统的运行、控制和计划都有着非常重要的影响,提高电力系统负荷预测的准确度既能增强电力系统运行的安全性,又能改善电力系统运行的经济性,但负荷预测的复杂性、不确定性使传统的基于解析模型和数值算法的模型难以获得精确的预测负荷。为提高电力系统短期负荷预测准确度,构建了一种新型的负荷预测模型。该模型首先采用多层前馈神经网络,以与预报点负荷相关性最大的几种因素作为输入因子,以改进BP算法作为预测算法,来获得预报日相似日负荷曲线;然后引入自适应模糊神经网络,用于预测预报日的最大、最小负荷;针对模糊神经元的权值更新问题,采用一种新的权值更新算法———一步搜索寻优法,在获得预报日相似日各点负荷和最大、最小负荷的基础上,通过纵向变换,对预报日的负荷修正,进一步减小预测误差。用上述模型和算法预测某地区电网的短期负荷,取得了良好的预测效果。     

灰色预测理论及其在电网最大负荷预测中的应用

介绍了灰色预测模型的建模机理,详细论述了GM(1,N)、GM(1,1)模型的建模及求解.以宁夏固原电网2000～2006年的最大负荷数据为建模依据,应用灰色预测模型GM(1,1)对固原电网2007年、2008年最大负荷进行预测,模型预测的年平均绝对误差(MAE)为2.14MW,平均绝对百分误差(MAPE)为1.46%,预测精度为98.54%.结果表明,在少数据背景下,应用灰色预测模型对电网最大负荷进行预测,其预测的可靠性和准确性都比较高,可以广泛应用.     

基于多元线性回归算法预测上网清算电价建模的理论研究

针对电力市场环境中发电企业对上网清算电价预测准确度提出的新要求。分析了上网清算电价的影响因素．明确了历史清算电价信息、负荷信息、输电阻塞及市场力等因素对清算电价的影响,提出了利用多元线性回归算法进行上网清算电价预测的模型和算法。     

基于MTL-GRU-Attention的综合能源系统多元负荷预测

针对综合能源系统多元负荷预测问题,提出一种基于多任务学习、门控循环单元和注意力机制的多元负荷预测方法。首先,运用门控循环单元建立多任务学习的共享层,充分挖掘冷、热、电负荷之间的耦合特征;然后,利用贝叶斯优化算法实现门控循环单元最优超参数的自适应选择;最后,使用注意力机制实现子任务对共享层中重要特征的差异化提取,以增强关键信息的影响。以亚利桑那州立大学坦佩校区的实测负荷数据作为算例,结果表明所提模型具有更高的预测精度。     

基于相似日的线性外推短期负荷预测

综合利用了用于超短期负荷预报的线性外推原理和基于相似日的短期负荷预测方法,相似日的选取采用了严格的差异度量方法,使得所取的相似日与预测日负荷最可能相似;线性外推法也弥补了相似日法固有的缺点,有效地提高了负荷预测的精度,本文方法对于天气异常变化时的负荷预报具有很强的适应性,实际应用表明本文所用方法效果良好。     

基于XGBoost-MTL的综合能源系统多元负荷预测

精确的多元负荷预测是综合能源系统(integrated energy system,IES)优化调度和稳定运行的前提。针对IES中多元负荷之间耦合关系复杂以及影响负荷预测的因素众多等问题,文中提出一种基于极限梯度提升(extreme gradient boosting,XGBoost)与多任务学习(multi task learning,MTL)的多元负荷预测方法。首先通过XGBoost重要度排序得到各影响因素对于多元负荷的贡献度,依据贡献度来选取影响负荷预测的关键性因素作为预测模型的输入,保证了输入特征对于多元负荷预测有效的修正作用;其次以门控循环单元(gated recurrent unit,GRU)作为共享层来搭建MTL预测模型,各子任务通过共享信息来有效利用各负荷之间复杂的耦合关系;最后以上海某综合能源站的负荷数据为例对文中所提模型的有效性进行验证。结果表明:该模型能够适应实际综合能源系统中各类负荷的变化,有效提高预测精度并减少训练时间。     

基于VMD-MTL-TCN的综合能源系统多元负荷预测

<正>考虑到综合能源系统多元负荷序列的高度不确定和强波动性,提出了一种变分模态分解（VMD）组合多任务学习时序卷积神经网络的预测方法。利用VMD削弱多元负荷序列的波动性,通过多任务学习机制构建特征共享层,并行预测电、冷、热负荷。与TCN和MTLTCN相比,所提模型在电、冷、热负荷预测上更准确可靠,验证了所提模型的有效性。     

基于聚合理论的大区电网负荷建模

提出了负荷模型向量基的概念,把基于元件的建模方法(综合统计法)和基于量测的建模方法(总体测辨法)结合起来,以聚合理论为基础,把实测点的负荷模型外推到其他未知点。通过负荷调查统计建立负荷模型系数矩阵,由实测点的负荷模型,通过不相容方程求最小二乘解,得到该地区的负荷模型向量基,区域内的其他任意未知点的负荷模型均可通过负荷模型向量基求出,建立该地区的负荷模型参数库。该方法已应用于实际电网,取得了良好的效果。