面向MATLAB的天气敏感型神经网络在武汉地区电网短期负荷预测中的应用

针对武汉地区电网易受气象影响的特点，提供了一种具有天气敏感性的面向MATLAB和基于快速BP算法的神经网络预测模型，模型中合理地考虑了影响负荷变化的气温和降水量等主要气象因素，使其能够适应天气的变化。对武汉城区的实际负荷进行预测，结果较好地满足了现场要求，从而验证了该模型和算法的有效性。     

天气敏感型神经网络在地区电网短期负荷预测中的应用

针对地区电网负荷易受气象影响的特点,提出了一种具有天气敏感性的基于快速BP算法的神经网络预测模型,模型中合理地考虑了影响负荷变化的主要气象因素,使其能够适应天气的变化,地区电网的实际应用证明了该算法的有效性。     

台风天气下电网负荷对气象因素的敏感度分析

针对风雨特殊天气数据样本少、负荷变化异常的特点,提出了一种新的负荷与气象敏感度分析方法。首先,基于灰色关联度理论,提出了一种基于相关系数变化率的负荷主要影响因素选择方法;其次,根据不同的气象条件区间,建立负荷与气象的多元线性回归关系,得到了更准确的负荷随气象因素变化的敏感度;最后,利用所提方法对海口电网的负荷和气象因素进行了敏感度分析,揭示了海口电网负荷随气象变化的规律,对提高台风等特殊风雨天气下电网的负荷预测精度和运行安全性具有实用参考价值。     

电力系统负荷预报的动态建模新方法

本文提出了一种电力系统短期负荷预报的新算法。该算法首先利用模糊技术对历史负荷数据进行平滑处理，再根据平滑处理的负荷数据，分别建立负荷变化的趋势项和波动项动态模型并作出预报，最后利用模糊综合评判的理论，考虑天气、假日等因素对负荷的影响，对预报值进行调整。该算法可实现提前１～２４小时的小时级负荷预报。     

电力系统负荷预后的动态建模新方法

本文提出了一种电力系统短期负荷预报的新算法。该算法首先利用模糊技术对历史负荷数据进行平滑处理，再根据平滑处理的负荷数据，分别建立了负荷变化的趋势项和波动项动态模型并作出预报，最后利用模糊综合评判的理论，考虑天气，假日等因素对负荷的影响，对预报值进行调整。该算法可实现提前１－２４上时的小时级负荷预报。     

提高时间序列气象适应性的短期电力负荷预测算法

采用时间序列中的自回归求和移动平均算法(ARIMA)对日负荷进行粗预测,获得消除了周期性的受气象因素影响较强的差值序列。结合气象信息,为小规模神经网络构造能反映气象变化的新息序列,为网络提供良好的训练与适应环境,训出对气象非平稳变化敏感的输出因子Y,再用敏感因子对ARIMA算法的预测结果进行修正,从而构建出对气象适应性较强的ARIMA Y的预测算法。利用Delphi5．0实现的负荷预测软件对广西负荷区进行预测,多年的运行证明：该算法对广西负荷区气象非平稳变化具有很好的敏感性和适应性,能显著提高气象非平稳变化日的预测准确率,较好地解决了在气象变化影响下用ARIMA算法预测准确率偏低的问题。     

基于负荷分解的日最大负荷预测方法研究

提出了1种基于负荷分解的日最大负荷预测算法,即将负荷分解为正常负荷分量和天气敏感负荷分量,用结合指数趋势和周期趋势的组合模型预测正常负荷分量．用神经网络法预测天气敏感负荷分量。同时,在分析最大负荷和人体舒适度相关性的基础上,在预测中用人体舒适度替代了常规气象因子。预测结果表明,该方法可以取得较为满意的预测效果。     

基于逐日分段气象算法的日前负荷预测

在分析电网高峰负荷、腰荷负荷以及低谷负荷与多个气象指标之间的相关性和灵敏度基础上,提出基于逐日分段气象算法的日前电力负荷预测方法。该方法摒弃了传统预测方法使用回归模型确定基值做法,以当日负荷曲线为基值进行动态滚动建模,以气象指标变化带来的高峰、腰荷以及低谷负荷变化差值进行动态修正,并考虑到分布式光伏发电对电网负荷预测的影响。该方法利用每天的基值变化在动态过程中修正了同一拟合曲线带来的误差,同时克服了气象算法不能反映光伏接入后对电网净负荷影响的缺点。算例表明,所提出的逐日气象预测算法不仅具有能够反映多轮高温、寒潮叠加效应的优点,而且在计算过程中将基础负荷增长带来的误差进行了有效的修正,在实际应用中达到了更好的预测效果。     

应用于短期负荷预测的自适应建模方法

负荷预测模型经过多年发展，已分为正常负荷或非天气敏感负荷部分和天气敏感负荷部分。对过去的负荷和天气数据进行线性回归分析，可辨别出正常负荷模型，而负荷的天气敏感部分是运用回归分析的参数来估计的。短期负荷预测系统的明确的设计特征对它的随时成功运作很重要，这包括对变操作条件的适应性，计算经济性和鲁棒性。这是个用于更新模型的完全自适应算法，用于对数据库中影响点进行识别和处理，并且能选取天气负荷模型的预报器。它为提高负荷预测精度打下了基础。     

基于变化趋势和气象因子的加权负荷预测方法

针对采用趋势变化法预测电力负荷时,存在因未充分考虑气象因素而影响预测精度的问题,提出了一种基于变化趋势和气象因子的加权负荷预测方法。该方法综合考虑气温、湿度和天气类型3个气象因子,对基于变化趋势的电力负荷预测方法进行修正。分析了基于变化趋势的电力负荷预测方法存在的 2 个问题：未考虑外界因素对电力负荷变化趋势的影响和预测电力负荷时存在累计误差。在充分研究日内平均负荷变化率和点间平均负荷变化率的基础上,给出了算法的详细计算步骤,并将其应用于苏北某地区电力负荷的预测算例中。结果表明该方法的预测误差为 3.42%,预测精度高且数据波动小,验证了该方法的有效性和可行性。     

面向区域综合能源系统的电-气负荷联合预测研究

能源互联网中电力系统与天然气系统的依赖增强,给综合能源系统中电力系统与天然气系统的负荷预测带来了更高的挑战。文中提出了基于长短记忆网络与权值共享的电-气联合负荷预测方法。文中在预测模型中使用了相关系数对天气因素进行了分析,提取了对两种负荷的重要气象因素,将长短记忆网络作为主要预测算法,权值共享模式分析了电-气两种负荷之间的相关性。算例中使用云南省综合能源系统示范工程数据对算法有效性进行了验证,结果显示该算法有效提高了综合能源系统中电力与天然气负荷预测的精度,有着较高的应用价值。     

Neural network based short-term load forecasting using weathercompensation

This paper presents a novel technique for electric load forecasting based on neural weather compensation. Our proposed method is a nonlinear generalization of Box and Jenkins approach for nonstationary time-series prediction. A weather compensation neural network is implemented for one-day ahead electric load forecasting. Our weather compensation neural network can accurately predict the change of actual electric load consumption from the previous day. The results, based on Hong Kong Island historical load demand, indicate that this methodology is capable of providing a more accurate load forecast with a 0.9% reduction in forecast error     

Forecasting regional electricity load based on recurrent support vector machines with genetic algorithms

Accompanying deregulation of electricity industry, accurate load forecasting of the future electricity demand has been the most important role in regional or national power system strategy management. Electricity load forecasting is complex to conduct due to its nonlinearity of influenced factors. Support vector machines (SVMs) have been successfully employed to solve nonlinear regression and time series problems. However, the application for load forecasting is rare. In this study, a recurrent support vector machines with genetic algorithms (RSVMG) is proposed to forecast electricity load. In addition, genetic algorithms (GAs) are used to determine free parameters of support vector machines. Subsequently, examples of electricity load data from Taiwan are used to illustrate the performance of proposed RSVMG model. The empirical results reveal that the proposed model outperforms the SVM model, artificial neural network (ANN) model and regression model. Consequently, the RSVMG model provides a promising alternative for forecasting electricity load in power industry.     

RBF Neural Network and ANFIS-Based Short-Term Load Forecasting Approach in Real-Time Price Environment

With the appearance of electricity markets, the variation of the price of electricity will influence usage custom of electric energy. This will complicate short-term load forecasting and challenge the existing forecasting methods that are applied to a fixed-price environment. In regard to the influence of real-time electricity prices on short-term load, a model to forecast short-term load is established by combining the radial basis function (RBF) neural network with the adaptive neural fuzzy inference system (ANFIS). The model first makes use of the nonlinear approaching capacity of the RBF network to forecast the load on the prediction day with no account of the factor of electricity price, and then, based on the recent changes of the real-time price, it uses the ANFIS system to adjust the results of load forecasting obtained by RBF network. This system integration will improve forecasting accuracy and overcome the defects of the RBF network. As shown in this paper by the results of an example of factual forecasting, the model presented can work effectively.      

基于多指数平滑预测模型的中长期需电量预测

在电力市场运营模式下,对电力负荷的科学、准确预测,对电力系统安全、经济运行,具有十分重要的意义。提出了一种基于多指数平滑模型的中长期需电量预测方法,并应用prony法对历史数据进行分析和处理,得到多指数平滑预测模型中的各个参数,从而预测其后几年的需电量。最后利用该模型,对某个地区的1996～1999年的年需电量进行预测,算例表明,该方法具有较高的预测准确度,是一种行之有效的中长期需电量预测方法。     

基于Attention-GRU的短期电价预测

通过分析得出电价与负荷具有相关性,因此在电价预测模型中需要考虑实时负荷的影响。在此基础上针对前馈神经网络不能处理时序数据的缺陷与LSTM神经网络预测速度慢的问题,提出了一种基于Attention-GRU (Attention gated recurrent unit, Attention-GRU)的实时负荷条件下短期电价预测模型。该模型充分利用电价的时序特性,并采用Attention机制突出了对电价预测起关键性作用的输入特征。以美国PJM电力市场实时数据为例进行分析,通过与其他几种预测模型相比,验证了该方法具有更高的预测精度;与LSTM神经网络相比具有更快的预测速度。     

基于RBF神经网络和天气数据的负荷预测虚拟仪器设计

气温、气压等天气因素决定了人体舒适度。随着社会经济的快速发展,空调和取暖负载在总用电负荷中的比重日益增加,天气对负荷波动的影响越来越明显。提出了一种考虑风速、降水、气压、气温、湿度等天气数据的径向基(RBF)神经网络日负荷预测模型,用实际负荷数据和天气数据进行训练,将预测结果与BP网络模型得到的结果进行比较,表明了该模型的优越性,也介绍了基于该模型和LabVIEW、Matlab的负荷预测虚拟仪器的前面板和流程图设计过程。结果表明,提出的模型算法简单、精度高、稳定性好,用虚拟仪器进行电力负荷预测具有操作简单、直观、节省费用等优点。所介绍的方法可以用于其它类型负荷预测模型的虚拟实现。     

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。     

Short-term electric load forecasting based on Kalman filtering algorithm with moving window weather and load model

This paper presents a novel time-varying weather and load model for solving the short-term electric load-forecasting problem. The model utilizes moving window of current values of weather data as well as recent past history of load and weather data. The load forecasting is based on state space and Kalman filter approach. Time-varying state space model is used to model the load demand on hourly basis. Kalman filter is used recursively to estimate the optimal load forecast parameters for each hour of the day. The results indicate that the new forecasting model produces robust and accurate load forecasts compared to other approaches. Better results are obtained compared to other techniques published earlier in the literature.     

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。