基于模糊互补AHP的负荷预测模拟决策

对于快速发展的地区,不同的预测方法所得的中长期负荷预测结果会相去甚远,某些预测结果甚至是无效且不可信的.所以规划决策支持系统中不仅要有多种方法的预测,还应增加其模拟决策模块.文章提出负荷预测的模拟决策,将改进的模糊互补AHP方法应用于预测模拟决策系统.计及影响电力负荷预测的各相关因素,建立电力负荷预测的多层次、多因素的决策分析结构,利用专家知识,构造具有模糊互补性的个体或群体决策的判断矩阵,并简洁而准确地计算特征向量.进一步处理特征向量作为预测决策权重,获得了满意预测决策.该方法用于规划决策支持系统中的模拟决策,具有决策科学性和良好的实用性和可扩展性.     

电力负荷多属性半结构性模糊优选组合预测

在电力规划决策支持系统中，各种负荷预测方法计算中长期电力负荷预测所获得的结果相差较大，为科学准确地确定和推荐预测结果，需要采用相应的分析和决策方法。其决策分析的结构中总目标为获得满意预测推荐解；属性层中既有定量目标，又有定性准则；预测层则以决策支持系统中所有的预测方法和结果为基础。按照此结构采用多属性半结构性模糊优选方法，分别精确计算定量目标特征值矩阵，量化定性准则模糊比较判断矩阵、并计算具有统一标准的相对优属度矩阵，进而将模糊优选方法改进地应用于负荷预测的评价、筛选和组合、实例表明：该方法充分考虑了预测及其决策的相关因素．可用于规划及预测决策支持系统．具有准确、量化、科学和实用性。     

考虑电力市场交易影响的中长期负荷预测方法

市场化改革重构电力行业格局,放开发电计划和售电市场,其引发的自主市场行为比统购统销模式下的发用电行为更加难以捕捉和预测,电网规划面临挑战。为适应新的形势,有必要积极调整电网规划思路,探索创新负荷预测方法。文章从负荷预测的两个方面入手提出改进方法,第一是在中长期负荷预测中考虑加入电价响应的因素;第二是基于负荷分布、电源规划和市场参与者报价的预测结果来模拟市场交易,从而捕捉远期电力市场的分区电力平衡和交易价格水平,反过来修正负荷预测结果。该方法充分考虑了中长期负荷对交易价格的弹性响应,对电力市场环境下的电网发展规划有一定参考价值。     

基于人工神经网络和模糊集的电力系统短期负荷预测方法

综合考虑到温度、日期类型和天气等因素对短期电力负荷的影响,提出了一种将人工神经网络(ANN)RBF模型和模糊逻辑相结合的短期负荷预测方法.该方法将电力负荷分为周期性的基本负荷和受多种因素影响的变动负荷两部分,对于周期负荷用ANN进行预测,采用负荷预测中比较精确的RBF算法;变动负荷采用模糊逻辑对天气因素、温度、日期类型分别做不同的模糊处理,然后利用模糊推理规则对基本负荷预测结果进行修正.通过典型算例与普通BP法预测结果相比较,结果表明该方法具有较高的预测精度.     

基于CNN-BiLSTM的短期电力负荷预测

短期电力负荷预测能准确评估地区整体电力负荷变化情况,为电力系统运行决策提供准确参考。电力负荷参数受多维因素影响,为充分挖掘电力负荷数据中的时序特征,提升电力负荷预测精度,该文提出一种基于特征筛选的卷积神经网络—双向长短期记忆网络组合模型的短期电力负荷预测方法。以真实电力负荷数据作为数据集,通过对多维输入参数的优化筛选,选取高相关性特征向量作为输入,构建预测模型。通过与添加注意力机制的组合模型对比验证了输入参数优化分析的可行性和优越性。最后利用实际算例将该方法与利用自动化模型构建工具构建的梯度增强基线模型及常用预测模型相比,该方法构建的组合模型可以提升多维电力负荷数据的短期预测精度。     

残差修正法在电力负荷预测中的应用

影响电力负荷的因素很多,而且这些因素都具有不确定性,即这些信息具有模糊性。因此,为了准确进行负荷预测,最好采用模糊预测来研究和处理电力负荷预测。一般对于电力系统中期负荷预测采用回归分析模型,但其预测结果往往有很大误差。为了提高电力负荷预测技术的水平,作者以其于实数输出值的模糊回归分析及用三角函数拟合残差的方法,提出了预测电力负荷的模糊线性回归－残差修正预测模型。该模型是在模糊线性回归模型的基础上推导出来的,它可以寻找最合适的线性函数使理想线性回归中的线差和达到最小。通过售电量模糊预测的仿真计算验证了所提出的预测模型的正确性和可行性。     

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.     

基于模糊神经网络的电力负荷短期预测

针对电力负荷的特点,综合考虑了温度及日期类型等因素对日最大负荷的影响,提出了一种采用模糊神经网络进行短期负荷预测的方法,并详细介绍了该方法的实现过程。通过对EUNITE(the European Network of Excellence on Intelligent Technologies for Smart Adaptive Systems)网络提供的实际数据进行详细分析确定了影响日最大负荷的相关因素,进而选择了合适的模糊输入以建立相应的模糊神经网络预测模型,并取得了较为理想的预测结果。算例分析结果充分证明了模糊神经网络在短期电力负荷预测方面具有较好的应用前景。     

电力负荷预测方法在配网规划中的应用

在配网规划中,负荷预测结果的精度直接影响系统运行的安全性和经济性,因此选择恰当的电力负荷预测方法尤其重要。从配网规划中的电力负荷预测角度入手,在对电力消费现状分析的基础上,采用单耗法、趋势拟合法及回归分析法对河北省2018—2022年的电力消费进行预测,并对预测方法及其在配电网规划中的应用进行分析比较。结果表明:3种方法的数据样本、适用条件及建模思路均不相同,在进行配网规划时,应根据电力消费的发展情况及影响负荷的因素来选择恰当的方法进行负荷预测。     

模糊数与多指标灰靶决策理论相结合的小区负荷预测方法

将模糊数与多指标灰靶决策理论相结合应用于小区负荷预测：收集各类小区负荷密度及相关因素样本,通过模糊聚类方法分析样本形成模糊负荷密度等级;根据模糊负荷密度等级和待预测小区未来相关因素,采用基于熵权的多指标灰靶决策进行小区负荷密度预测;利用类内相似度法对小区负荷密度进行修正。算例结果表明将模糊数和多指标灰靶决策理论结合起来应用于小区负荷密度预测,准确度和可信度较高。该方法将预测过程科学量化,克服了以往简单类比法主观性大的缺点。     

一个综合智能化电力短期负荷预测系统的研究

介绍了一个模块化的综合智能化电力短期负荷预测系统,第一个愉采用人工神经网络建模,第二个模块采用自适应最优模糊逻辑系统建模,第三个模块是实现前地预测的基础上,针对其预测方法的不足,辅以模糊专家系统的修正机制,在天气变化不大且没有特殊事件发生时,可直接用自自适应最模糊逻辑系统预测方法和人工神经网络方法预测星期二到星期六的负荷,不必用模糊专家系统进行修正,对于星期日和星期一的负荷,或当天气突变,有特殊     

智能化的短期负荷预测系统

应用模糊逻辑系统、人工神经网络和模糊专家系统等智能技术风云地某省电网设计出的具有自学习和自适应能力的短期负荷预测软件包,主要用于自负荷曲线的预测,指导生产计划制定和调度安排。该软件包是基于Ｗｉｎｄｏｗｓ的应用程序,具有开放式的结构和友好的人机界面。试用结果表明,该系统在进一步完善后,可望实际应用于地区和省网调度系统中。     

基于层次分析法的电力负荷组合预测

为提高电力系统负荷预测的预测精度,提出了一种基于层次分析法的中长期负荷预测组合预测的方法,依据层析分析法中要素权重求取原则,建立了阶梯层次结构,构建两两比较矩阵,分层次对权向量取值,实现了中长期负荷组合预测下各单一负荷预测的总权重的求取,提高了权重求解的准确性;利用组合预测的原理,按照层次分析法中求解出的权重系数,将多个预测模型的预测结果进行拟合,得到组合预测的结果,从而有效减小单一负荷预测中不确定性因素带来的误差,规避各单一预测方法的不足,减少单一负荷预测对电力系统负荷预测的预测风险,提高预测精度。最后利用某县2005-2010年的除大用户用电负荷作为算例进行实例分析并证实了所提方法的科学性、实用性。     

Development of peak load forecasting system using neural networks and fuzzy theory

This paper presents a peak load forecasting system using multilayer neural networks and fuzzy theory. Electric load forecasting in power systems is a very important task from the perspective of reliability and economic operation. Daily peak load forecasting is one of the basic operations of generation scheduling for the following day. Therefore, many statistical methods have been developed and used for such forecasting even though it has been difficult to construct a proper functional model. The developed system is applied by neural network and fuzzy theory to forecast for daily, weekly and monthly peak load. The system consists of an engineering workstation (EWS) and a personal computer (PC). The EWS is for learning and data-bases, and the PC is for man-machine interface such as forecasting operation. The system has been used since June 1993. The result evaluated with an absolute mean error is 1.63 percent for 10 months. From the results shown here, the system applied by neural network and fuzzy theory has high validity.     

Application of an innovative combined forecasting method in power system load forecasting

To fully integrate the advantages of several forecasting models and improve the accuracy of load forecast results, the application of the combined forecasting method to power system load forecasting is introduced in this paper. The evolutionary programming and fuzzy comprehensive evaluation methods are employed to deduce the weight coefficients of each model. Practical cases are studied using the two methods and tested to be feasible and effective.     

基于模糊层次分析法的年最大电力负荷预测

针对电力负荷预测特点和人的判断所特有的模糊性,为了提高负荷预测精度,提出了基于模糊层次分析法的电力系统年最大负荷组合预测模型。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。该负荷预测模型综合考虑了影响电力负荷的多种不确定因素,并在综合不同模型预测结果的过程中引入专家经验。实际算例后校验平均百分比误差为2.039%。这表明该方法能有效提高负荷预测精度。     

基于改进回归法的电力负荷预测

提出了一种基于改进回归法的电力负荷预测方法,在对历史数据进行分析和参数估计的基础上,先用岭回归法剔除奇异值,再用主成分回归法提取影响负荷的主要因素,得出模型的解析形式。针对实际系统的应用验证了该方法不仅适用于短期负荷预测,也适用于超短期负荷预测。此外建立了一些特定因素的模糊函数,在超短期负荷预测过程中采用了聚类分析法提取负荷相似日。通过不同的简化,该方法可蜕化为传统的Kalman预测、相似日预测和神经网络预测,是一种比较全面的负荷预测方法,可得出高精度的预测结果。     

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。