基于气象数据降维与混合深度学习的短期电力负荷预测

精确的短期负荷预测能通过预知所需用电负荷来指导电网的调度运行。但电力负荷不仅与用户用电习惯相关，还容易受到温度、湿度等气象因素的影响。因此，文章在现有的使用负荷历史数据基础上，增加了影响区域型电力负荷的气象数据，并考虑高维气象参量数据对预测算法的过拟合问题，提出了基于稀疏核主成分分析(sparse kernel principal component analysis, SKPCA)的高维气象数据降维方法。进而以历史负荷功率和SKPCA重构后主成分为输入，构建了基于卷积神经网络(convolutional neural network, CNN)和长短时记忆(long-short-term memory, LSTM)神经网络的混合深度学习预测模型。CNN-LSTM模型可以同时提取负荷功率及气象数据的空间和时间相关特征，从而全面利用数据的时-空相关性特征，提升负荷功率的短期预测精度。相比于常见的数据降维和负荷预测方法，文章所提方法的数据维度降低了71.43%,预测精度达到了98.92%。结果表明，所提算法融合通过SKPCA降维后的气象数据能够显著提升区域型电力短期负荷预测准确度。     

基于改进Apriori关联分析及MFOLSTM算法的短期负荷预测

电力负荷预测结果的准确性对电力系统安全稳定运行具有重要意义。针对多气象因素影响下的短期负荷预测任务,提出改进Apriori关联度分析及飞蛾火焰优化的长短时记忆神经网络算法的电力负荷短期预测新方法。首先,提出改进Apriori算法分析气象因素与负荷之间的关联程度。依据分析结果除去非必要气象影响因素,并在此基础上引入人体舒适度评价指标。其次,将降维后气象数据结合地区负荷数据作为模型输入。最后,基于长短时记忆神经网络进行短期负荷预测建模,并结合飞蛾火焰优化算法的全局寻优能力来优化模型。通过对某地区负荷数据协同气象数据进行对比预测试验,测试结果表明该负荷预测模型能有效提升地区电网短期负荷预测性能。     

短期负荷局部线性嵌入流形学习预测法

考虑短期日负荷预测各时刻点之间的整体性和相关性,提出一种从整体上刻画和预测短期日负荷的新方法。将日24点负荷数据值看作一个24维数据集,从多维角度挖掘负荷复杂的变化规律,建立高维预测模型。利用流形学习理论对建立的高维模型进行有效降维,从而提取高维空间数据的固有属性和整体几何规律,揭示其蕴含的有效信息。采用局部线性嵌入法（locally linear embedding, LLE）对24维负荷数据进行非线性降维,在低维空间内进行负荷预测,再用LLE重构得到24个时刻的预测值。仿真结果表明本文提出方法相比于传统一维分量预测法精度更高、速度更快。     

基于改进FLN的短期电力负荷预测算法

短期电力负荷的预测对电力系统具有重要的意义.利用剪枝和附加动量法对标准函数连接神经网络(FLN)进行改进,并将电力负荷的机理和先验知识有机融入,构成了改进的FLN预测网络.对安徽电网电力总负荷的实际预测结果证明了该算法的有效性和优越性.     

相空间重构和SVR耦合的短期电力负荷预测

电力系统的短期负荷预测精度对智能电网安全运行有着重要影响,其中预测精度和训练步数至关重要,目前当地气象因素逐渐成为负荷预测中的关注点。以某市短期电力负荷为研究对象,建立了考虑日特征相关因素的支持向量回归机短期电力负荷预测模型,随后对某市考虑气象及日期类型的电力负荷做出预测。研究表明:利用考虑实时气象因素的SVR预测模型对短期电力负荷进行预测精度较高;考虑气象及日期类型的预测误差比不考虑气象及日期的预测误差小;嵌入维数和时间延迟对负荷预测模型精度具有重要影响。     

考虑区间构造的改进极限学习机短期电力负荷区间预测

针对区间预测中电力负荷预测区间范围过宽和精度不高的问题,提出一种基于灰狼优化算法(graywolf optimizationalgorithm, GWO)-蚁狮算法(antlion optimizationalgorithm, ALO)优化的极限学习机(extreme learningmachine,ELM)短期电力负荷区间预测方法。首先将电力负荷历史预测误差进行正态分布拟合,构造负荷功率历史区间。进而将负荷历史区间和历史前24h、前2h及前1h功率作为模型输入。然后考虑ALO的随机初始种群会影响求解速度与质量,利用GWO生成ALO的优质初始种群,避免陷入局部最优解。接着用ALO优化ELM输入权重及隐藏层偏置,构建具有强泛化能力的ELM短期电力负荷区间预测模型。最后利用湖南省某市电力负荷进行验证,通过多种方法对比,所提方法准确度更高,预测区间质量更好。得到的区间预测结果能为电力系统调度、新能源消纳提供精确的负荷变化信息。     

基于实时气象因素和LSSVM的短期负荷预测研究

正电力系统负荷受气象因素的影响很大,为提高负荷预测准确度,提出了基于实时气象因素和最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)的短期负荷预测模型。短期负荷预测对电网建设、电力市场交易和电力调度等有重要的意义,一直以来都是研究的重点。系统负荷受能源供应、地区经济发展水平、气象因素和日类型等的影响,因此负荷不     

基于气象指标的安徽电网负荷特性分析及研究

电力负荷特性分析是电网调度运行、生产规划的重要组成部分。为充分发掘安徽电网负荷特性与气象因素的关系,首先对安徽电网基础负荷与气象负荷进行分解;然后基于相关系数法进行多维度气象指标主导因素辨识,在此基础上建立气象指标—负荷二次回归模型,获得气象负荷的灵敏度;最后结合2018年安徽气象情况,阐明了安徽电网2018年夏季负荷特性,并对2019年安徽最大负荷做出预测,对安徽电网负荷预测和电力平衡工作具有指导意义。     

基于云计算和极限学习机的分布式电力负荷预测算法

为了提高电力负荷预测精度,应对电力系统智能化所带来的数据海量化高维化带来的单机计算资源不足的挑战,提出了一种在线序列优化的极限学习机短期电力负荷预测模型。针对电力负荷数据特性,对极限学习机预测算法进行在线序列优化;引入分布式和multi-agent思想,提升负荷预测算法预测准确率;采用云计算的MapReduce编程框架对提出的算法模型进行并行化改进,提高其处理海量高维数据的能力。选用EUNITE提供的真实电力负荷数据进行算例分析,在32节点云计算集群上进行实验,结果表明基于该模型的负荷预测精度均优于传统支持向量回归预测算法和泛化神经网络预测算法,且提出的算法具有优异的并行性能。     

突变期电力负荷预测方法及其应用

为提高天气突变期电力负荷预测的精确度,分析了气象敏感因素对突变期电力负荷的影响,提出了负荷-天气突变修正策略,结合数据挖掘模型,并利用组合预测方法相对于单一预测模型的优势,设计了一种基于组合预测的突变期电力负荷预测方法.统计结果表明该方法显著提高了突变期的负荷预测精确度,对安徽电网电力总负荷的预测结果证明了该方法的有效性和优越性.     

基于气象信息粒还原的台风分时段短期负荷预测

台风期间气象会经历三段式变化,电力负荷的周期性模式被打破。为了提高台风影响期间负荷预测的准确度,该文提出了基于气象信息粒还原的台风分时段负荷预测方法。将台风期间负荷水平的变化趋势看作分段函数,利用台风模式的判定条件进行分时段,适应台风过境过程气象变化规律;依据台风期间统调负荷与台风影响城市负荷变化的相关度较大,利用多元线性回归拟合关键因素建立负荷变化量模型;当风速达到一定阈值,考虑破坏性台风的损失负荷;采用气象信息粒还原方法,寻求近似无台风属性的环境来建立统调基础预测模型。该文运用南方某电网的相关数据进行验证,仿真结果为台风期间电网的调度安排提供了较为准确的数据支持。     

节假日和极端天气电力负荷特征的萃取模型

负荷预测是电力系统的一个传统研究问题,通常情况下,相近日期的负荷曲线有较强的相似性,然而在特殊节假日和极端气象条件下,负荷的预测具有较强的不确定性。提出了一种节假日和极端天气条件下的电力负荷特征萃取模型,对传统遗传算法的编码机制和遗传操作进行了重新规定。以黑龙江省电网公司的历史负荷数据和气象数据为基础,从中萃取节假日和极端天气对负荷影响的相关规则,并通过实践证明了这些规则的可行性。     

基于气象修正技术的辽宁电网负荷预测应用研究

分析了短期电力负荷预测模型,在线性外推法负荷预测的基础上,实现了基于气象因子修正技术的短期辽宁电网网供负荷预测,并成功应用于辽宁电网负荷预测工作中,电网负荷预测准确率得到明显提高,预测结果可用于指导电网调度运行。     

基于综合气象指数和日期类型的电力系统负荷预测

气象因素作为影响电力负荷的主要因素,近年来已成为研究的焦点。引入了生物气象学中的实感温度、温湿指数、舒适度指数等指标并结合日期类型利用最小二乘支持向量机(LSSVM)来进行负荷预测,避免了传统的一刀切式的预测方法。以某地区实际负荷为例,证明了该方法可以辅助电网公司调度部门更好地把握负荷特性,提高电力负荷预测的准确率。     

基于气象敏感预测法的年度最大负荷预测模型研究

首先结合嘉兴地区的具体情况,从影响电力负荷的主要气象因素指标,负荷主导气象因素辨识与灵敏度分析几方面,分析了气象因素对电力负荷的影响;然后提出一种基于气象敏感预测法的年最大负荷预测方法,具体实施中将原网供负荷分解成"基础负荷+气象敏感负荷",对于不同成分的负荷采用不同预测方法;最后将预测的结果与传统方法对比,证明了本方法的优越性。     

基于Spark平台和并行随机森林回归算法的短期电力负荷预测

随着智能电网、全球能源互联网的建设与相关技术的发展,现代电力系统中电力大数据的格局已经形成,如何对高维海量数据进行深度挖掘以实现数据的充分利用,成为当前电力工作者们关心的问题。该文针对电力大数据环境下高精度和实时性的负荷预测展开了研究,提出了基于Spark平台和并行随机森林回归算法(Spark platform and parallel random forest regression,SP-RFR)的短期电力负荷预测方法,通过3次弹性分布式数据集(resilient distributed datasets,RDD)转换实现单机随机森林算法的并行化改进,并在Spark分布式集群环境下实现部署。结合某区域实际电力负荷数据设计试验,进行模型训练和回归预测,通过试验证明,对同等的数据集,基于Spark平台的并行随机森林回归算法预测精度高于单机负荷预测算法;并行随机森林算法受离群数据干扰较小,且随着数据集的增大,并行随机森林算法表现出良好的鲁棒性;与单机算法在运行时间上相比,随着数据集的增大,基于分布式集群的方法优势明显。该文提出的方法能够有效地在分布式环境中进行电力负荷预测,为负荷预测提供了一种新思路。     

基于深度森林算法的电力系统短期负荷预测

为了提高电力系统短期负荷预测的精确度,解决目前基于机器学习算法的负荷预测需要人为凭经验对超参数进行大量设置和调整的问题,该文将深度森林算法引入了电力系统短期负荷预测领域。深度森林算法包含多粒度扫描阶段和级联森林阶段,具有表征学习的能力。与深度神经网络相比,深度森林算法能够进行高效并行训练,无须大量人为设置和调整超参数。该文选取了某地区实际电力负荷值以及气象因素数据,分别利用了前21天和前40天的数据对深度森林算法进行训练,并将其负荷预测结果与智能算法和传统分类算法的负荷预测结果进行了对比分析。试验结果表明深度森林算法具有高效的电力系统短期负荷预测的能力。     

数据驱动的电力系统运行方式分析

随着电网中高比例可再生能源及电力电子设备渗透率的提高,电力系统的运行形态将发生深刻变化,基于经验选择的电力系统方式分析,越来越难以应对电力系统运行、规划、保护和稳定分析的要求。为此,该文基于电力系统时序运行模拟数据,提出了数据驱动的电力系统运行方式及其形态变化分析方法。该方法首先对高维运行模拟数据进行预处理,通过聚类和紧密度指标饱和点分别辨识典型运行模式及其数量,利用t-SNE降维算法提取主要特征并可视化运行方式的时空变化规律;接着,从定量的角度,提出了描述电力系统运行方式分散性、季节一致性、时序多变性的评估指标。最后,以甘肃电网实际算例系统分析了高比例可再生能源对电力系统运行方式的影响,验证了文中数据驱动方法的有效性。实验结果表明,电力系统运行方式的分散性及典型运行方式的数量会随着可再生能源渗透率的上升而迅速增加。此外,电力系统运行方式与季节的耦合性逐渐减弱。     

基于LSTM自动编码器的电力负荷聚类建模及特性分析

电力系统负荷聚类和特性分析对电网的安全与经济调度、运行具有重要意义,是提升调度人员对电网感知能力的重要技术手段。为了解决传统负荷聚类方法需要人工设定负荷特征指标和无法考虑负荷时序特性等问题,提出了一种由长短期记忆(LSTM)自动编码器构成的负荷聚类方法。利用LSTM的时序记忆能力和自动编码器的非线性特征提取能力,实现了考虑负荷时序特性的自动特征提取和非线性降维。然后,基于提取的负荷特征采用k-means聚类算法进行电力负荷聚类分析。最后,采用实际供电区域的负荷数据进行验证,并对负荷特性进行详细的分析。结果表明所提方法与其他负荷特征提取方法相比,有较好的负荷聚类效果。     

基于气象灵敏度分析和特征日修正的短期日负荷曲线预测

短期负荷预测是电力系统运行的基础工作,准确的负荷预测是系统安全稳定运行的重要保障。随着电力市场的不断扩张,气象敏感负荷在负荷总体中所占比例急剧上升,气象成为电力调度部门在制定运行计划时不可忽略的重要因素。提出了一种基于气象灵敏度分析和特征日修正的短期日负荷曲线预测方法,研究季节性气象与负荷的相关性,提取关键气象因素建立回归拟合模型,通过函数求导法得到负荷与关键气象因子的灵敏度;由气象特征判别函数找到待预测日的气象特征日与趋势特征日,结合日负荷极值预测值计算得预测日负荷曲线。最后通过采用我国南方某地区的负荷实际数据,验证了所提方法的准确性和有效性。