计及需求响应的主动配电网短期负荷预测

随着分布式电源、电动汽车及储能等广义需求响应资源的接入,用户在电力市场各种激励影响下进行需求响应,将改变负荷特性并影响负荷预测。根据需求响应计划信号的可预知性及季节性基础负荷的独立性,利用小波分解等方法对主动配电网负荷在不同层面上进行了分解,形成季节性基础负荷和需求响应信号及各种气象因素作用的负荷部分,利用时间序列模型对季节性基础负荷进行预测,利用支持向量回归模型对需求响应信号及气象因素影响的负荷部分进行预测,形成组合预测模型,两部分预测负荷叠加得到总负荷。利用线性时变模型仿真的主动配电网负荷数据算例,进行了预测测试与分析,通过与其他方法相比较,证明了所提方法预测计及需求响应的主动配电网负荷的有效性及精确度。     

基于动态电价的需求响应下短期负荷预测研究

需求响应是缓解电力部门供电压力、优化资源配置的有效手段,同时也对传统的电力系统短期负荷预测方法提出了更高的要求。针对实施需求响应后传统预测模型不能准确反映负荷曲线变化的问题,首先,根据效用理论,构建了基于动态电价的需求响应模型来模拟电力用户在实施需求响应后的实际负荷曲线;在此基础上,构建了计及需求响应因素的径向基函数神经网络短期负荷预测模型;最后,利用某地区的实际数据,通过Matlab软件对该模型的预测性能进行了仿真验证。结果表明,本文平均预测误差为1.27%,而传统的负荷预测模型平均预测误差为3.40%,前者相对于后者平均预测误差降低了2.13%,证明了在预测模型中加入需求响应信号能够有效提升短期负荷的预测精度,较准确地反映出负荷曲线因需求响应信号的作用所发生的改变。     

基于气象负荷因子的Elman神经网络短期负荷预测

针对地区电网负荷易受气候影响的特点,引入气象负荷因子,提出了一种综合考虑各项气象因素．采用Elman反馈神经网络的短期负荷预测模型。由于Elman神经网络具有动态递归性能．可增强负荷预测模型的适应性。经上海电网实际数据的预测仿真计算,证明此方法与传统神经网络预测模型相比．既能减少输入变量个数,又能有效地提高预测精度。     

基于神经网络的短期电力负荷预测仿真研究

为了提高短期电力负荷预测精度,分别建立了基于BP神经网络和Elman神经网络的短期负荷预测模型。采用附加动量法优化BP神经网络以提高其收敛速度;针对Elman神经网络易陷入局部极值的缺点,改进其激励函数并采用LM算法优化学习算法。Matlab仿真结果表明,改进后的Elman神经网络模型比BP神经网络模型的预测精度高,收敛速度快,更适合处理动态问题。     

负荷聚合商模式下考虑需求响应的超短期负荷预测

为更好地管理用户侧需求响应资源,减小超短期负荷预测误差,提出了一种在负荷聚合商模式下考虑需求响应的超短期负荷预测方法。首先,分析负荷聚合商的需求响应机制,考虑用户用能习惯、自建光伏、储能行为以及电热耦合,分别对每一类需求响应资源建立优化模型,并通过模糊参数表达用户参与需求响应的不确定性,以改善优化模型;调用CPLEX求解器求解得到综合各类资源后的需求响应信号。然后,在考虑历史负荷数据的基础上引入该需求响应信号,建立迭代预测的长短期记忆网络模型。算例通过3种预测场景的对比,验证了计及需求响应信号能够有效减小预测误差,且考虑需求响应不确定性能够进一步提高预测精度。     

计及需求响应和深度结构多任务学习的电力系统短期负荷预测

随着需求响应技术的快速发展,使得电力系统负荷数据呈现出规模庞大、结构复杂的非线性特征,基于深度机器学习和高效数据处理平台的负荷预测方法是当前的研究重点。为实现计及需求响应的电力系统短期负荷预测,建立了基于Spark平台和时钟频率驱动循环神经网络(CW-RNNs)的短期负荷预测方法。首先,在Spark平台上设置不同工作组将全部数据分割为多个子数据模块,通过并行化计算提高数据处理效率,进而基于需求响应技术对负荷曲线做出调整,计算得到用户预期收益和用户舒适度影响指标值;其次,采用离散小波变换将调整后的负荷曲线分解,得到一组高、低频信号;并采用偏最小二乘回归模型和CW-RNNs回归模型分别对低、高频信号进行训练学习;最后,将训练好的PLS模型和CW-RNNs模型通过加权平均得到最终组合预测模型(Spark-CW-RNNs)。通过实例计算验证算法的准确性和有效性,结果表明：Spark-CW-RNNs模型比其他单一模型的预测误差更小、预测精度更高,模型具有有效性和可行性。     

基于改进型Elman神经网络的短期电力负荷预测

精确的短期电力负荷预测对电力系统的生产调度和安全稳定运行起到十分重要的作用。为提高短期电力负荷预测模型的精度,提出了一种基于Elman神经网络的改进模型。通过在输出层和隐含层之间扩展一个新的承接层,增强了Elman神经网络的动态信息处理能力。仿真结果表明,改进型Elman神经网络预测模型的预测精度要高于反向传播、支持向量机和常规Elman,同时也说明了建立改进型Elman模型用于短期电力负荷预测是可行的。     

基于改进型Elman神经网络龋短期电力负荷预测

精确的短期电力负荷预测对电力系统的生产调度和安全稳定运行起到十分重要的作用。为提高短期电力负荷预测模型的精度。提出了一种基于Elman神经网络的改进模型。通过在输出层和隐含层之间扩展一个新的承接层。增强了Elman神经网络的动态信息处理能力。仿真结果表明,改进型Elman神经网络预测模型的预测精度要高于反向传播、支持向量机和常规Elman,同时也说明了建立改进型Elman模型用于短期电力负荷预测是可行的。     

应用人工神经网络进行短期负荷预测

本文提出了一种应用人工神经网络进行电力系统短期负荷预测的方法。负荷按照每周各日进行分类，共七种模式，学习样本选取每周中的相同类型日。为了提高预测精度，对原始数据中的伪数据进行清除，对于那些可以预料到的随机干扰，应用专家系统原理予以处理。通过对银川供电局负荷的实际预测，表明本文所提供方法可以实际应用。     

基于改进PSO-BP神经网络的短期电力负荷预测研究

粒子群优化(PSO)算法是基于群智能的全局优化技术,它通过粒子间的相互作用,对解空间进行智能搜索,从而发现最优解。该文对基本粒子群算法进行改进,并将改进粒子群优化算法与误差反向传播(BP)算法结合起来构成的混合算法用于训练人工神经网络,对短期电力负荷进行预测。实践结果表明:改进PSO-BP算法有效地解决常规BP算法学习网络权值和阈值收敛速度慢、易陷入局部极小等问题,具有较快的收敛速度和较高的预测精度。     

基于ARIMAX模型的夏季短期电力负荷预测

夏季城市的短期电力负荷预测不仅与过去的电力负荷数据有关,并且受温度、风力、降水量等因素影响明显,存在明显的突变结构。为了对夏季城市的短期电力负荷进行预测,根据协整理论采用SAS软件建立起电力负荷序列与输入序列"温度"之间的ARIMAX模型,充分挖掘序列的内部自相关信息以及序列与序列之间的相关关系。采取最小信息量准则"AIC-SBC"进行比较可知,ARIMAX模型比经典时间序列ARMA模型的信息量要小,相对误差更小,拟合结果更为精确,在存在突变结构且具有显著影响因素的短期电力负荷预测领域具有很高的应用价值。     

基于时序分析的神经网络短期负荷预测模型研究

在负荷预测中，历史负荷数据产生的复杂性和许多不确定因素影响的随机性，使观测到的数据既包含线性部分，又包含许多非线性部分，因此所建立的预测模型就必须综合考虑这2方面的因素。目前常用的预测技术很少能综合考虑这两方面的因素．预测精度选不到要求。本文提出了一种时序分析和神经网络结合的预测方法。由于时序模型中不同阶数的自回归移动平均适合线性预测，可利用自回归移动平均模型(ARMA)处理历史负荷数据中的线性部分；而神经网络模型适合非线性预测，可利用人工神经网络(ANN)模型处理历史负荷数据的非线性部分：这样所建立的模型有机地结合了历史负荷中的线性因素和非线性因素．利用不同模型的优势来处理数据的不同部分，使得预测结果更为准确。实证证明。ARMA-ANN组合预测能提高负荷预测的精度。     

基于广义需求侧资源聚合的电力系统短期负荷预测模型

需求响应计划的广泛实施对电力系统短期负荷预测将产生一定的影响。为了获得理想的预测精度,需要准确计及需求响应因素的实时变化,并将其融入短期负荷预测模型的构建中。首先提出了一种能够通过电价合同实现的需求响应调度方式,该方式借助负荷聚合商机构实现了广义需求侧资源的最优调度,并能够以需求响应信号的形式提供给系统调度员利用。以此为基础,构建了基于广义需求侧资源聚合的电力系统短期负荷预测模型,将需求响应因素融入到短期负荷预测模型的构建中。仿真结果表明,构建的短期负荷预测模型能够有效弥补传统负荷预测模型的不足,有利于提升模型的预测精度。     

基于小时气象因子的神经网络短期负荷预测模型

目前在短期负荷预测模型中,气象因子的应用主要是其日特征值。负荷对气象因子的响应具有实时性的特点,因此,小时气象因子在负荷预测模型中的应用对提高负荷预测精度具有积极作用。通过分析小时温度、湿度、云量、降水、风等气象因子对电力负荷的影响,并与日气象因子的影响进行对比分析,结果表明:小时气象因子对负荷的影响与日气象因子对负荷的影响特征有很大不同,尤其是在天气发生突然变化时,小时气象因子对电力负荷的影响比日气象因子的影响更加显著。建立了基于小时气象因子的神经网络短期负荷预测模型,预测效果较好。针对目前气象部门对小时气象因子的预测能力及其在实际负荷预测中的应用情况,总结了应用中存在的问题并提出改进策略。     

考虑温度积累效应的短期电力负荷预测方法研究

提出了一种考虑夏季温度积累效应的地区短期负荷预测方法。该方法不仅考虑了对短期负荷有影响的日类型、降水、温度等相关因素,并且考虑了在连续高温日情况下,预测日前数日的温度对预测当日的影响。通过利用神经网络工具,对每日48个时刻点分别建立了预测模型。通过对华中某地区电网的实际负荷预测结果的分析来看,该方法可以有效跟踪预测日前数日温度积累对预测日负荷的影响,在夏季负荷大幅变化的情况下,预测精度仍然可以满足要求。     

基于柔性负荷响应特性的超短期预测方法

在自动需求响应系统(ADRS)中,当大量的用电负荷数据被自动实时采集时,受节假日、天气、温度等因素的影响,用户侧负荷用电特性会随着响应策略的变化而发生变化。传统负荷预测方法的预测精度也将会被降低,不再满足ADRS要求。针对这一问题,基于柔性负荷的响应特性,将"预测-调度-响应"各环节视为一个闭环控制系统,把自动响应(AD)信号作为一个输入变量引入系统。基于丰富的负荷用电数据,采用"黑匣子"思想建立了闭环超短期负荷预测模型,并用仿真结果验证了模型的有效性。结果表明,该模型与传统预测模型相比,预测精度明显提高。     

基于改进的PSO-SVM的短期电力负荷预测

提出一种基于PSO-SVM电力负荷短期预测方法,在SVM学习过程中引入粒子群算法。通过选取组合核函数来改进SVM算法,这样可以充分保证计算速度和较高的预测精度。利用吉林地区的历史负荷数据作为训练样本,通过与传统的SVM预测模型进行对比,对预测结果与实际数据进行比较,证明基于组合核函数预测方法在一定程度上能够保证短期负荷预测的精度。     

基于XGBoost算法的新型短期负荷预测模型研究

针对目前电网在负荷预测中所采集到的数据普遍存在着特征维度较少;特征关系不明;有效数据量较少的特点,为了提高电网短期负荷预测精度,本文提出一种基于XGBoost算法的新型负荷预测模型。基于XGBoost算法的负荷预测模型采用CART树作为基学习器,输入预处理后的历史负荷和特征数据,通过构建多个弱学习器逐层训练模型并得到模型,最后向模型输入测试集特征得到最终的预测结果。本文所搭建的负荷预测模型具有避免对数据特征的标准化、处理字段缺失的数据、不用关心特征间是否相互依赖、学习效果好的优点。根据真实电网数据实验结果,基于XGBoost算法的负荷预测平均绝对误差百分比下降到3.46%,比本文所对比的基于BP、GRNN、DBN神经网络的负荷模型预测值精度更高,表明本文所提模型的优越性。     

Machine-Learning based methods in short-term load forecasting

Short-term load forecasting is of great significance to the secure and efficient operation of power systems. However, loads can be affected by a variety of external impact factors and thus involve high levels of uncertainties. So it is a challenging task to achieve an accurate load forecast. This paper discusses three commonly-used machine-learning methods used for load forecasting, i.e., the support vector machine method, the random forest regression method, and the long short-term memory neural network method. The features and applications of these methods are analyzed and compared. By integrating the advantages of these methods, a fusion forecasting approach and a data preprocessing technique are proposed for improving the forecasting accuracy. A comparative study based on real load data is performed to verify that the proposed approach is capable of achieving a relatively higher forecasting accuracy.