考虑云量和气溶胶不确定性的太阳辐射值预测

太阳辐射是对光伏出力影响最大的因素,目前的预测方法不能充分考虑各个影响因素的不确定性。为了更加有效地预测光伏出力,本文提出了基于不确定理论和无云天气REST模型的太阳辐射值预测模型。该模型利用不确定理论分析了云遮系数和气溶胶光学厚度(Aerosol Optical Depth,AOD)所具有的随机性和模糊性,用随机模糊模拟算法对两个参数进行随机模糊化处理,得到不同云量下的云遮系数期望值和不同空气质量等级下的AOD期望值,根据数值天气预报对云量和空气质量等级的预报值来选取相应的期望值,利用云遮系数模型得到太阳辐射的预测值。以美国BMS光伏电站的数据作为算例,验证了模型的有效性。预测结果表明,综合考虑云量和气溶胶光学厚度不确定性的模型与只考虑云量的模型相比,前者的预测结果较好,适用于不同云量、不同空气质量等级的天气。     

基于模糊识别与模糊聚类理论的短期负荷预测

依据模糊模式识别、模糊聚类理论 ,提出一种短期负荷预测的新方法 ,应用相应的隶属度来描述负荷与影响负荷因素之间的关系。实践表明 ,该方法具有预测精度高、误差小的优点 ,是值得广泛推广的好方法。     

基于模糊层次分析法的风速短期预测组合模型

针对风速预测的特点以及人为判断的模糊性,为提高风速预测精度,文中提出了基于模糊层次分析法的风速预测组合模型。该模型以风速预测周期、风速的震荡性与预测者对预测模型的信赖度为目标准则;考虑到专家判断的模糊性,采用三角模糊数来表征专家判断信息,并通过层次分析法对专家判断结果进行处理得到各方案的最优权重。该组合模型综合考虑影响风速预测的多种不确定性因素,在综合不同模型预测结果的基础上引入专家经验。实际算例表明,该组合模型能有效提高风速预测的精度。     

基于模糊聚类与随机森林的短期负荷预测

针对传统数据挖掘算法(神经网络和支持向量机)进行短期负荷预测容易陷入局部最优,模型难以确定等问题,提出一种模糊聚类技术与随机森林回归算法结合的短期负荷预测方法。基于模糊聚类技术选取相似日的方法,考虑负荷的周期性变化特征,利用样本输入进行样本聚类,选取同类数据作训练样本,建立随机森林负荷预测模型。实例中负荷数据采用安徽省某地的历史负荷,用上述方法对该地区的日24小时负荷进行预测,并与传统的支持向量机和BP神经网络方法进行比较,验证了该方法的有效性。     

基于模糊理论及神经网络的电力短期负荷预测方法

分析了电力短期负荷的构成及其影响因素的特点，结合模糊技术和神经网络。设计了用于电力短期负荷预测的神经网络。利用模糊技术及相似性原理对作为BP神经网络训练样本的电力负荷按天气特征进行分类识别，同时对带有噪音的训练样本提出了处理方法。针对BP神经网络的不足，提出了改进算法；并用实际例子对上述电力短期负荷预测神经网络进行了例证。     

基于混合算法的短期负荷预测模糊建模

结合最小二乘（LS）辨识以及一种基于进化规划（EP）和粒子群优化（PSO）的混合进化算法EPPSO,针对对温度比较敏感的夏季负荷,提出一种3阶段短期负荷预测（STLF）算法。在第1阶段,应用LS设计模糊基函数网络（FBFN）完成STLF模糊空间划分;第2阶段,首先拓展FBFN成一阶Sugeno模糊模型,然后应用EPPSO调节其前件参数同时训练后件参数,最后将前述模型用于STLF得出的预测误差看做一个新的时间序列,并仅用气象因素对其进行辨识,可以用回归模型表示该辨识模型,进而应用LS进行辨识。文中提出的STLF模糊建模策略主要贡献于受气象因素影响较大的夏季负荷。仿真部分对浙江省电力公司的实际负荷进行了预测,与其他方法的比较结果证明该方法具有良好的预测性能。     

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。     

基于模糊聚类的神经网络短期负荷预测方法

针对电力负荷的特点，综合考虑天气、日类型、历史负荷等对未来负荷变化的影响，提出了一种新的短期负荷预测方法。通过模糊聚类选取学习样本，采用反向传播算法，对24点每点建立一个预测模型。该方法充分发挥了神经网络和模糊理论处理非线性问题的能力，提高了学习效能，在负荷平稳的季节和负荷波动较大的季节都具有较好的预测精度。     

基于神经模糊网络的短期风电预测

本文利用中尺度NWP模型,以半小时为间隔,对风电场参考点未来36小时的气象变量进行了预报,提出了一种基于神经网络和模糊逻辑相结合的混合计算智能技术的风力发电预测统计模型.利用该统计模型对NWP模型输出、SCADA和风塔的实测数据进行处理,准确预测风电场中各风机的风电功率.同时介绍了网络结构和训练算法,并将该预测方法应用于我国某实际风电场的风电预测.预测风电与实际风电之间的均方根误差(RMSE)小于20％.预测结果表明,训练后的神经模糊网络对风电场建模和风电预测具有较强的应用价值.由于神经模糊网络的适应性,该方法可集成到在线风电预测系统中,在运行过程中自动调整.     

基于PSO的模糊神经网络短期负荷预测

针对短期负荷预测的特点,提出基于粒子群(PSO)优化的模糊神经网络短期负荷预测模型。将PSO与模糊优选人工神经网络进行融合,在对模糊优选神经网络训练中采取PSO算法和梯度下降算法相结合的方法,充分发挥PSO全局寻优的能力和梯度下降局部细致搜索优势。对广西某地区进行短期负荷预测,并与实际值进行比较分析,结果表明这一模型应用于短期负荷预测能获得较高的预测精度,是一种行之有效的短期负荷预测方法。     

基于EMD理论的短期负荷预测

提出将经验模态分解法(empirical mode decomposition,EMD)与自回归动平均(autoregressive and moving average,ARMA)时序分析相结合的短期负荷预测方法,利用EMD算法对负荷序列进行分解,再对分解得到的每一个基本模式分量(intrinsic mode function,IMF)分别进行ARMA预测,以改善短期负荷预测的效果。以我国某地区2008年夏季负荷高峰段的用电负荷预测为例,应用提出的预测方法对各负荷分量进行单独预测,得到的仿真结果表明,采用该方法进行短期负荷预测将显著改善预测的精度。     

基于D-S证据理论的短期风速预测模型

提出一种基于D-S证据理论的短期风速组合预测模型.分别采用时间序列、BP神经网络和支持向量机预测模型对风速进行预测,通过对预测误差的分析,借助D-S证据理论对3种模型进行融合.选取待测日前凡日的风速数据作为融合样本,计算出相应的基本信任分配函数,同时将函数进行融合,并将融合结果作为风速预测模型的权重,得到待预测日的风速预测结果.仿真结果表明,所提组合预测模型的预测误差更小,效果更好.     

基于原子稀疏分解理论的短期风电功率滑动预测

采用一种具有很强的非平稳信号跟踪、预测能力的原子稀疏分解(ASD)法,作为人工神经网络(ANN)的前置分解方法,将风电功率序列分解为原子分量和残差分量,对原子分量进行自预测,残差分量进行ANN预测,再通过追加最新的风电功率实时数据来更新ASD的结果,进而滑动预测下一个时刻的风电功率。以实际风电场数据进行验证,结果证明了该模型可以有效地处理风电功率非平稳性,产生更为稀疏的分解效果,显著地降低了绝对平均误差、均方根误差计算值的统计区间。     

证据理论融合量子神经网络的短期负荷预测

提出一种用于电力系统短期负荷预测的量子神经网络方法.量子神经网络模型作为单一预测模型对负荷进行预测.利用神经网络,非线性回归模型对预测的历史误差和预测时点的外界影响因素进行分析建模,建立每个模型的可信度评价模型.采用证据理论对每个模型的可信度进行分析评价和合成,确立最终的模型组合预测权值.通过该权值对相应的预测结果进行加权求和得到最终的预测结果.实例表明,该方法能提高预测的精度,是有效可行的.     

基于经验模态分解和ELM神经网络的逐时太阳能辐照量预测

准确的太阳能辐照量预测对于光伏发电系统具有重要意义。提出一种基于经验模态分解(EMD)和ELM神经网络的逐时辐照量组合预测模型。首先,根据预测日的环境信息,构建相似日逐时辐照量时间序列;然后,将时间序列进行EMD,分解为具有不同频率的信号,并对每个信号建立ELM神经网络预测模型;最后,将不同信号的预测值相加便可得到原始辐照量序列的预测值。算例比较表明,所提方法比传统的预测方法具有更高的预测准确度和更快的运算速度。     

基于适应性子集度神经网络的电力系统短期负荷预测

依据模糊模式识别、子集度测度理论，提出一种适应性子集度测度神经网络的短期负荷预测的新方法；该方法可在线地学习神经网络的结构和参数，确定连接方式和神经元节点。仿真结果表明：该方法具有预测精度高、速度快的优点，是值得广泛推广的好方法。     

基于CEEMD-FE和AOA-LSSVM的短期电力负荷预测

针对电力负荷预测精度不高、效率低的问题,采用算术优化算法(AOA)和最小二乘支持向量机(LSSVM)的模型对经过互补集合经验模态分解(CEEMD)和模糊熵(FE)综合处理后的子序列进行预测,构建了CEEMD-FE-AOA-LSSVM预测模型。首先,利用FE算法对经过CEEMD处理后的各子序列进行熵值重组,该过程提高了模型的抗干扰能力和运算效率。然后,用AOA-LSSVM模型对处理后的子序列进行预测,并将预测叠加输出。最后,通过误差函数对模型进行横向对比和纵向对比,利用两种对比结果来检验其性能。通过实验可知,与CEEMD-LSSVM、AOA-LSSVM、CEEMD-AOA-LSSVM等其他模型相比,CEEMD-FE-AOA-LSSVM组合模型能够兼顾到预测精度与预测效率两方面,做到了综合性能的提升。同时也验证了经过CEEMD或AOA处理的模型能够有效地提升预测精度。     

基于WT-IPSO-BPNN的电力系统短期负荷预测

鉴于短期负荷预测精度对电力系统安全、经济和可靠运行的重要性,为提高预测精度,本文提出了基于小波分解(WT)、改进粒子群算法(IPSO)和BP神经网络的组合预测模型.首先运用小波分解对负荷数据预处理,将历史数据分解成cd1、cd2、cd3以及ca3;然后对分解后的小波序列分别进行神经网络建模和预测;最后小波重构负荷序列的最终预报.为提高BP神经网络所需样本的精确性和神经网络的收敛速度及稳定性,采用改进粒子群算法优化网络,形成了"分解-预测-重构"模型.经实例验证,与小波分解BP神经网络方法相比,本文所提方法具有训练学习能力更强、收敛速度更快、预测精度高和适应能力更强的优点.     

基于GOA-SVM的短期负荷预测

支持向量机是借助于凸优化技术的统计学习方法,与传统神经网络相比,泛化错误率低并且结果易于解释。将支持向量机用于负荷预测时,参数选择不准确会导致预测性能较差。提出一种基于蚱蜢优化算法的支持向量机短期负荷预测方法,以某地区负荷、天气等历史数据对SVM进行训练,并通过GOA优化选取支持向量机参数,然后以得到的最优参数建立GOA-SVM负荷预测模型。算例分析表明,GOA-SVM预测模型比GA-SVM和PSO-SVM模型有更好的收敛性能,且预测精度更高。     

基于误差修正的短期负荷预测方法

目前常用的负荷预测方法主要是通过负荷自身和相关关系的研究建立模型,提出一种新的负荷预测思路,即从传统频域预测方法的误差入手,通过研究虚拟预测误差的历史分布规律进行误差预测,然后对传统方法得到的预测结果进行修正。建立负荷预测的误差修正模型,并通过算例验证了误差修正的短期负荷预测方法的可行性和实用性,达到了提高短期负荷预测精度的目的。