基于STE-TCN的中短期电力负荷预测

目的 针对传统电力负荷预测模型对长序列预测精度低的问题,提出一种结合跳级卷积连接与时间编码网络的新型时序卷积神经网络(TCN)模型——STE-TCN模型。方法 首先对TCN模型加入跨周期的膨胀卷积通道(Skip-convolution)提取电力数据周期信息;再进行特征融合得到Skip-TCN网络,使网络抓取周期规律,增加信息利用长度;最后设计日期编码网络(Time encoding network)捕捉生活周期和季节性特征,与Skip-TCN进行特征融合得到STE-TCN模型,实现对电力负荷数据长序列预测。结果 实验表明:在与TCN模型和传统时序网络的对比下,Skip-TCN的预测精度均有提升,在预测长度更长的测试上提升尤为明显。结论 实验结果验证了通过对更长跨度时序关系的捕捉,STE-TCN网络改进方法有效提升了对长序列电力负荷的预测精度。

基于改进的D-S证据理论的中长期负荷预测方法

提出一种基于改进的证据理论的中长期负荷预测方法。该方法采用证据理论中Dempster合成法则和Yager组合规则,融合多种基础预测方法的预测结果,并将基于D-S证据理论的预测模型与专家经验进行无缝结合,使得改进后的预测方法更具实际意义。以某省级电力系统为例进行了负荷预测的分析和对比,结果证明了本文方法的有效性。

基于PCA-SVM模型的中长期电力负荷预测

电力系统负荷预测模型可以分为单一指标模型和信息集(多指标)模型,为客观准确地对中长期负荷预测进行研究,就要避免重要信息的遗漏,尽可能多的考虑与其有关联的信息。针对信息集模型中的大量信息,通过主成分分析法把综合信息集简化为少数几个主成分,降低了数据的维数;引入核函数和对偶技巧对支持向量机算法进行改进,有效避免了维数灾难和目标函数不可微的问题。通过标准SVM和PCA-SVM模型仿真对比,验证PCA-SVM模型预测结果更为准确,所提方法具有一定的实用性和有效性。

基于方差-协方差组合预测的中长期电力负荷预测研究

关于中长期电力负荷预测有多种预测方法,但各方法被许多因素所局限,本文选用线性回归模型、二次多项式模型和灰色预测模型分别对电力负荷进行预测,再综合起来建立方差-协方差组合预测模型。通过比较后得出结论,本方法大大降低了误差,提高了预测精度,可以科学地预测中长期的电力负荷。

基于LTC-RNN模型的中长期电力负荷预测方法

针对中长期电力负荷预测受限于天气、温度、节假日等多重不确定性因素影响而精度不高的难题,本文采用一种基于液体时间常数的递归神经网络,实现了中长期电力负荷的精准预测,为电力系统规划设计奠定较好基础.基于液体时间常数的递归神经网络使用膜积分器改进了神经元的状态方程,并使用半隐式欧拉算法完成对神经元状态迭代更新,解决递归神经网络的自我修正能力弱和易陷入局部最优的问题.本文以天气、温度、节假日等外在影响因素作为网络输入,构建了以递归神经网络为基础架构的中长期电力负荷预测模型,并通过隐藏层的扩展计算获得输入-输出的映射关系,以通过时间的反向传播算法实现对模型的训练,完成对神经网络参数的优化.实验中,以北方某地区的实际电网数据为例,验证该预测方法的准确性与高效性.研究结果发现,基于液体时间常数的递归神经网络对中长期电力负荷的预测准确率可达到95.3%.本模型相较于长短期记忆和连续时间递归神经网络具有更稳定的训练结果与更高的预测准确度.

基于GA-SVM的城市天然气中长期负荷预测

随着天然气工业的发展,城市面临着储气设施建设、燃气管网规划等一系列问题。分析城市天然气中长期负荷预测影响指标,从内部环境、外部环境及用户消费3个角度出发,提取其中9个参数作为城市中长期负荷的影响因子,并采用遗传算法优化支持向量机的惩罚因子及核参数,建立了基于GA(遗传算法)-SVM(支持向量机)的城市天然气中长期负荷预测模型。利用该模型对北京燃气用气量进行中长期负荷预测,并与SVM回归预测相比。结果表明:GA-SVM模型有比较快速训练速度、较高的预测精度,所提出的GA-SVM优化模型在中长期天然气负荷预测上具有更优的泛化能力和学习能力,能够为城市燃气管网规划、储气设施建设等提供指导作用。

基于CEMD-CNN-LSTM的中长期电力负荷预测

针对诸多复杂因素影响电力负荷在中长期运行阶段中的预测准确度的问题,提出一种卷积神经网络(CNN)与长短期记忆网络(LSTM)混合的预测算法,从而达到优化负荷预测性能的目的。CNN-LSTM混合预测算法利用模态分解法将负荷数据进行分解,并将其转化为本征模态分量IMF及残差两个部分。同时,引入k均值聚类方法,确定最优聚类标签,搭建神经网络并完成数据输入。在形成特征向量的过程中,运用神经网络挖掘数据间的各类特征并进行预测。最后,采用线性相加的形式处理预测结果,获取预测负荷。仿真结果表明了CNN-LSTM混合预测算法在预测速度与精度上的性能更为优越。

基于双重分解和双向长短时记忆网络的中长期负荷预测模型

针对中长期电力负荷序列噪声含量高、难以直接提取序列周期规律从而影响预测精度的问题,提出了一种基于完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和奇异谱分析(singular spectrum analysis,SSA)双重分解的双向长短时记忆网络(bidirectional long and short time memory,BiLSTM)预测模型。首先,采用CEEMDAN对历史负荷进行分解,以得到若干个周期规律更为清晰的子序列;再利用多尺度熵(multiscale entropy,MSE)计算所有子序列的复杂程度,根据不同时间尺度上的样本熵值将相似的子序列重构聚合;然后,利用SSA去噪的功能,对高度复杂的新序列进行二次分解,去除序列中的噪声并提取更为主要的规律,从而进一步提高中长序列预测精度;再将得到的最终一组子序列输入BiLSTM进行预测;最后,考虑到天气、节假日等外部因素对电力负荷的影响,提出了一种误差修正技术。选取了巴拿马某地区的用电负荷进行实验,实验结果表明,经过双重分解可以将均方根误差降低87.4%;预测未来一年的负荷序列时,采用的BiLSTM模型将拟合系数最高提高2.5%;所提出的误差修正技术可将均方根误差降低9.7%。

基于典型源荷耦合模式的中长期时序场景生成

高比例可再生能源电力系统中源荷功率在气象的影响下耦合程度增加。基于生成式模型的场景生成方法是分析源荷功率不确定性问题的成熟工具,然而实际应用中常受源荷数据匹配样本少的问题限制,直接生成的中长期源荷耦合时序场景质量较差。提出一种基于典型源荷耦合模式的中长期时序场景生成方法。首先,定义了源荷各自的气象模式概念。然后,通过气象距离将历史数据中典型气象模式相似的源荷聚合成定义的典型源荷耦合模式。接着,采用生成对抗网络生成典型风光场景,并将生成场景与典型源荷耦合模式进行匹配。最后,根据匹配的对应关系得到典型源荷耦合场景。以日本地区为例的仿真结果表明,所提方法能够提高场景在气象方面的可解释性,同时减小了源荷数据匹配样本少对中长期源荷耦合场景生成的影响。

基于历史天气的区域电网负荷预测

随着社会经济的迅速发展,人们对电能的需要日益增加,但是在电网运行中,常常会出现电力产能过剩或者不足的情况,为保证电力系统安全稳定、经济运行,就必须掌握各种区域电网负荷的变化规律和发展趋势。论文对重庆市区供电分公司供电区域电网中长期负荷进行预测,提出一种预测区域电网中长期负荷的方法,即一种基于前12个月历史天气条件和区域电网负荷关联关系的多元非线性拟合的特征参数因子曲线的中长期负荷预测方法,建立基于不同算法的多种预测模型,通过归一化处理,得到的区域电网中长期负荷预测的精度高,与实际区域电网负荷之间的误差小,对于区域电网中长期负荷预测分析具有重要参考利用价值。

基于数据融合的中长期概率性负荷预测方法研究

月度负荷预测是电力系统中长期运行和营销工作开展的基础,概率性电力负荷预测能够刻画中长期不确定性,更好地支撑新型电力系统负荷评估和调控策略制定。在此背景下,以系统负荷作为研究对象开展中长期概率性预测方法研究,提出了基于细粒度数据融合的中长期概率性预测方法。首先,根据影响因素建立小时级的多元线性回归模型对细粒度的负荷进行建模,再根据影响因素的不同预测值生成未来不同场景下的细粒度预测结果。其次,根据“自下而上”的时间层级协调策略,对每一个场景均进行月度聚合,生成不同层级地区的月度负荷预测结果,形成概率性预测结果。最后,以中国东部某区域及其下辖地区的负荷数据为例,验证了方法的有效性。

基于多变量灰色遗传模型的配电网柔性中长期负荷曲线化预测方法

传统配电网柔性中长期负荷曲线化预测方法,缺乏对配电网负荷预测权重的合理有效分配,导致预测准确性不高。因此,提出基于多变量灰色遗传模型的配电网柔性中长期负荷曲线化预测方法。使用随时间反向传播(BPTT)算法训练处理后的配电网负荷数据,得到配电网负荷特征。在考虑负荷数据特征基础上,使用多变量灰色遗传模型分配负荷曲线预测权重。根据预测权重,聚类处理负荷增长等参数,输出配电网柔性中长期负荷预测曲线,从而曲线化预测配电网柔性中长期负荷。实验结果表明,设计的方法对电网柔性中长期负荷的预测误差较小、准确性较高,满足配电网柔性中长期负荷曲线化预测的需求。

基于最小二乘状态估计和模糊神经的中长期负荷预测

可靠准确的中长期电力负荷预测可以使电力公司和发电公司更好地分配配电网络,并有助于在可再生能源并网时提高对电力系统的保护稳定性。为此,提出一种基于加权最小二乘状态估计和模糊神经网络的中长期电力负荷预测方案。基于最小二乘状态估计得到的潮流信息和来自神经网络得到的预测负荷作为模糊神经网络的输入,借由模糊神经网络生成高质量的中长期电力负荷预测结果,最后在IEEE 30总线系统上进行验证和评估。试验结果表明,所提方案可以实现平均绝对百分比误差低于2.55%,比单独的最小二乘状态估计法和模糊神经网络法拥有更低的平均绝对百分比误差。

基于时间序列分析的某地区中长期负荷预测研究

随着我国经济蓬勃增长,城市不断扩张,用电需求迅速攀升,电力已成为各领域不可或缺的关键要素。精确的负荷预测可以最大化资源的有效利用,确保电力供应的可靠性,有助于促进电力体系的可持续发展。介绍了对时间序列分析方法,根据某地区电量负荷增长情况,提出了以时间序列分析为基础的负荷预测模型。基于某地区2003—2022年供电量作为历史数据,在时间序列法中采用ARIMA模型与指数平滑法这两种方法,对2023—2028年负荷量进行预测,为某地区未来电网规划提供数据基础。

基于偏最小二乘回归分析的中长期电力负荷预测

针对中长期电力负荷预测,介绍偏最小二乘回归分析方法的原理,推导该算法的简化建模步骤。该方法能在最大限度保留原有数据信息的前提下,将数据信息集中在几个互不相关的主成分上,因而能有效解决建立负荷预测模型时由于样本个数较少及自变量存在严重的多重相关性,难以通过多元回归分析建立预测模型的问题。通过算例对偏最小二乘回归分析方法、最小二乘法和逐步回归分析方法进行了比较,结果表明,将偏最小二乘回归分析方法用于中长期电力负荷预测时,计算快捷,准确性高,具有较强的实用性。

中长期电力负荷预测模型筛选与组合方法

将预测决策思想引入到中长期电力负荷组合预测中,并深入分析了现有预测模型筛选方法的优缺点,在此基础上,完善了以灰色关联度和预测有效度两类指标为基础的预测模型评价指标体系。依据提出的协调因子、综合有效性指标等概念,构造了基于综合有效性指标和模型冗余校验的预测模型筛选方法和基于综合有效性指标体系的中长期电力负荷变权组合预测模型。算例表明,文中提出的组合预测模型预测精度较高,实用性强。

基于粒子群优化鲁棒支持向量回归机的中长期负荷预测

支持向量机(SVM)已经成功地应用于解决非线性回归和时间序列问题,并且已经开始用于中长期负荷预测。提出了一种基于鲁棒支持向量回归机RSVR(Robust Support Vector Regression)的中长期负荷预测的新方法。给出利用粒子群优化算法对鲁棒支持向量机系数优化选择的方法。建立基于此原理的中长期负荷预测模型,算例分析比较验证本文方法具有预测精度高、计算量小等特点和优势。

基于等维新息指数平滑法模型的中长期负荷预测

指数平滑法是电力系统中长期负荷预测的重要方法之一,该预测方法的精确性主要取决于平滑系数,因此提出了等维新息数据处理的指数平滑法,实现了变平滑系数。首先,给出指数平滑法的预测模型,根据重近亲远的原则,给各期绝对平均误差值赋权。接着,采用0.618优选法优选出平滑系数。在此基础之上,引入了等维新息数据处理的思想,实现了变平滑系数,使预测结果能够更加合理地反映负荷发展规律,提高了预测精度,优化了指数平滑法的预测模型。

中长期电力负荷预测的盲数回归方法

为克服传统回归预测模型无法很好处理观测数据及负荷规律不确定性所致负荷预测不尽人意的问题,采 用盲数理论改进传统的中长期负荷线性回归预测模型。此法用盲数的形式来表达预测模型的相关变量,来获得负 荷可能出现的多个区间,同时得到各个区间可能出现的可信度情况。算例表明改进的算法比较准确,丢失的信息 量少,可用于包含不确定性因素的负荷预测。

基于改进ABC算法的中长期电力负荷组合预测

将人工蜂群(ABC)算法应用到中长期电力负荷预测中,通过与组合预测模型相结合,对组合预测目标函数进行优化权重求解。另外针对该算法的早期收敛速度慢、后期容易陷入局部最优的缺点,通过引入扰动项,并进行最坏蜜源替代予以解决。实例分析证明该改进算法收敛速度快,全局寻优能力强。利用它求得的组合预测值,相对于单一模型的预测结果,精度有较大的提高,说明该改进算法应用到中长期电力负荷预测中是可行的。