基于变量选择与Transformer模型的中长期电力负荷预测方法

准确且有效的负荷预测对于电力系统的实时运行和调度非常重要。提出了一种融合变量选择与稀疏Transformer模型的预测方法,将静态变量和时序变量作为输入,充分发挥静态变量在全局时间范围内的信息增强作用,基于门控机制设计变量分权组件,根据变量与预测结果的相关性,赋予变量不同的权重。设计了双层编码结构,进行时序特征提取,对注意力进行稀疏处理,通过多变量输入对未来时刻负荷进行预测。基于真实电力负荷数据的实验表明,本文模型能够提高中长期负荷预测精度和效率。

基于融合技术的中长期电力负荷预测方法

当前电力负荷预测模型在数据复杂性高、数据稀缺、模型泛化和动态社会经济因素适应性方面存在局限,影响了其在复杂电网规划中的应用。为满足电网或者大型风、光、火、储、网、荷能源基地项目的规划调度需求,提出了一种融合技术,将灰色预测、空间负荷密度预测和变分自编码器与深度因果卷积神经网络相结合,以实现中长期负荷预测。通过引入有序加权平均微分算子,融合不同预测方法,提升结果的准确性。实验结果表明,本方法相较于传统方法展现更高的准确性和鲁棒性,特别是在进行电力负荷远景预测时,所提方法能够有效提升预测的可靠性和适用性。该技术有效克服传统方法固有的数据复杂性、数据稀缺性和模型泛化问题,同时适应社会经济条件的动态变化。该方法为电网、大型源网荷储多能互补类项目的规划和发展提供有力的决策支持。

供电分区场景下基于数据驱动的负荷密度综合评估及预测方法

为满足配电网供电分区和网格化规划需求,提出一种基于数据驱动的负荷密度综合评估及中长期精细化预测方法,通过改进Agglomerative算法,实现了相似单元的聚类。所提方法可有效提取出各类负荷密度的典型特征,进而降低系统对数据样本的要求,为后续各类负荷的分类精细化预测提供支持。首先,基于数据思维,通过核密度估计方法对网格内地块样本进行负荷密度特征提取;其次,采用E熵权法对各类负荷密度的特征值进行赋权,实现各供电单元不同类型负荷密度的评估,并进一步对供电单元和供电网格的综合负荷密度水平进行计算;最后,通过供电单元聚类,采用最小二乘法对负荷密度S型增长曲线的参数进行分类求解,实现供电单元各类负荷密度的中长期预测。在算例部分,进行了详细分析,结合工程实例验证了该方法的可行性。

基于大数据聚类的电力系统中长期负荷预测

随着电网数据收集能力的提升,积累了海量的负荷及相关数据,为负荷预测开辟了新的思路。提出了一种应用大数据技术的中长期负荷预测新方法。首先通过历史负荷序列的增长趋势、波动性等变化特性的参数化表达,实现负荷的标准化处理,形成大数据聚类的样本;然后结合大数据分析平台的数据处理能力设计了基于Map Reduce并行编程模型的改进模糊K-means聚类方法,实现对负荷大数据的聚类划分;最后综合相同聚类负荷,并建立预测模型。计算结果表明,大数据聚类算法能有效地进行大量负荷数据的聚类划分,实现不同增长特性负荷的区分预测,具有较高的预测精度。

灰色Elman神经网络的电网中长期负荷预测

为了降低原始负荷数据突变对Elman神经网络预测精度的影响,考虑电网负荷预测样本时变性强、不确定因素影响多的特点,利用Elman神经网络计算和适应时变特性的能力强、误差可控以及灰色理论所需计算数据少、计算量小,在样本较少的情况下也能达到较高预测精度的优点,建立灰色Elman神经网络的负荷预测模型,首次将灰色Elman神经网络模型在中长期负荷预测中应用。实例结果表明,该预测方法提高了预测精度、取得了较快的收敛速度,说明该模型是可行而有效的。

马尔科夫理论在中长期负荷预测中的应用

针对灰色预测模型对随机波动性较大的数据序列拟合较差、预测精度较低的情况,提出了一种基于马尔科夫灰色残差修正的预测模型,该模型考虑到马尔科夫理论中转移概率可以反映随机因素的影响、适用于随机波动较大的动态过程的特点,将其与灰色预测模型进行有机结合。文中一方面利用马尔科夫链对电力负荷的未来残差值进行修正;另一方面运用马尔科夫状态转移矩阵对未来残差值的符号进行判定。该方法弥补了灰色预测模型的固有缺陷。预测结果表明该方法在提高组合预测精度上具有可行性。

采用支持向量机和模拟退火算法的中长期负荷预测方法

准确的中长期负荷预测能够提高电力系统的经济效益和社会效益。分析了支持向量机(support vector machine,SVM)模型,并针对利用支持向量机进行负荷预测需要人为地确定相关参数的不足,提出了利用支持向量机进行中长期预测的新方法。该方法利用模拟退火(simulated annealing,SA)算法自动优化参数。实例验证结果表明,所提出的方法可以有效地选取支持向量机模型的参数,降低支持向量机的建模误差和测试误差,该方法与利用默认参数支持向量机进行预测的方法相比,有效地提高了负荷预测精度。

基于广义回归神经网络的电力系统中长期负荷预测

在介绍广义回归神经网络(GRNN)基本算法、网络结构及平滑参数确定方法的基础上,提出将误差序列的均方值作为网络性能的评价指标并采用最小误差对应的平滑参数,建立了GRNN的预测模型。提出了确定输入神经元数目的方法:根据自回归模型阶次的选择经验初步确定输入神经元数目m;在m值附近进行搜索,对于每一个m值,确定平滑参数后,计算网络对学习样本的预测误差;根据BIC准则评价指标的最小值确定输入神经元数目。将模型应用于某地中长期电力网负荷预测,分别进行了单步预测和多步预测。与BP神经网络模型的预测进行比较,结果表明,采用该方法的预测精度明显高于BP模型,即使在训练集样本数据较少时,该方法的预测准确度仍然很高。

基于粗糙集理论与D-S证据理论改进的多元回归负荷预测方法研究

当前,中长期负荷预测大多采用多元回归算法,但在建模时对影响因子及历史年的选择缺乏良好的依据,很难在考虑更多影响因子及历史年数据与降低回归模型误差之间做出平衡。这使多元回归算法在实际负荷预测中的精准度很不稳定。将粗糙集理论与D-S证据理论引入多元回归算法,利用粗糙集理论对影响因子进行重要性排序。分别以历史年和影响因子为对象进行聚类,以此建立多个多元回归模型。利用D-S证据理论对多个组合预测的权重分配方案进行权重融合,得出最终基于多元回归分析法的组合预测模型。经算例验证,该模型能较好地平衡影响因子和历史年的选取,能有效提高多元回归算法在中长期负荷预测中的准确性,适用性强。

考虑数据不确定性的中长期电力负荷预测

中长期负荷预测时间跨度较长,其基础数据受诸多因素影响,具有不确定性和不可控性。引入蒙特卡罗算法和区间算法处理中长期负荷预测中的数据不确定性问题。根据历史年度实际情况,假定基础数据在某一范围内存在不确定性,采用蒙特卡罗算法构建了计算流程,可以得到界于某一区间的负荷预测值;采用区间算法描述基础数据的不确定性,针对区间算法固有的过估计问题,通过推导适合的公式,可以避免产生过度保守的结果,只需一次计算,就可以严格分析数据不确定性对预测结果的影响,具有节省计算时间的优点。在考虑基础数据存在不确定性情况下,通过某省电网负荷预测实例计算并与传统预测方法相比较,验证了两种负荷预测方法可以评估数据不确定性对负荷结果的影响,避免得到过度保守的负荷预测值。

基于函数型非参数回归模型的中长期日负荷曲线预测

提出一种中长期日负荷曲线预测的新方法。该方法首先基于函数型数据分析理论,将日负荷曲线视为函数型数据,通过对历史负荷曲线样本自身规律的挖掘,建立基于历史负荷曲线样本的函数型非参数回归预测模型。在此基础上,通过构建二次规划模型对函数型非参数回归预测模型的预测曲线进行修正,使其满足待预测日负荷特性指标要求。利用某省级电网夏季典型日负荷数据和美国PJM电力公司冬季典型日负荷数据对所提方法进行测试,结果表明该方法具有较高的预测精度。

模糊组合预测在中长期负荷预测中的应用

本文介绍了模糊组合预测对电力系统中长期负荷预测的方法和冗余方法在组合预测中的应用 ,以实际预测为例 ,给出预测分析过程和结果。分析表明该方法能综合各种方法的优点 ,给出一个预测区间 。

基于支持向量机的中长期电力负荷组合预测

影响中长期负荷的因素多,随机性强,单一预测方法很难满足不同情况的预测需要,组合预测能较好地解决单一模型的不足,但现有组合预测模型主要基于经验风险最小,预测精度受组合模型的限制。本文提出一种基于最小二乘支持向量机的中长期负荷组合预测模型,该模型利用结构风险最小化原则代替传统的经验风险最小化,充分挖掘原始数据和单一预测模型的信息,以单一模型的预测数据作为组合预测样本,选择多项式核函数的最小二乘支持向量机进行组合预测。实际算例表明,本文提出的组合模型预测平均误差仅为1.719%,具有良好的可行性和有效性。

基于GMDH的中长期电力负荷组合预测模型

组合负荷预测模型能够充分利用数据信息,有效降低预测风险、改善预测效果,在中长期负荷预测中获得了广泛应用。而目前的组合预测模型实质大都为单一预测模型的加权平均,没有能够充分发挥综合预测的优势.应用数据分组处理方法(GMDH)进行组合预测,在充分考虑各单一模型特点和预测效果的基础上,形成多元非线性组合预测模型,自动从数据中挖掘出重要信息,克服了传统组合预测模型建模中的主观因素影响,可以改善预测精度。并将该预测模型应用于实际电网,计算结果表明该模型有效提高了预测精度,适用于中长期负荷预测.

基于短期相关性和负荷增长的中长期负荷预测

现有中长期负荷预测非线性模型存在预测困难及精度偏低且不稳定的问题。文中提出了一种基于短期相关性和年度负荷增长的预测方法,将非线性问题转化为线性问题来解决。该方法首先根据上一年相邻点和相邻周负荷之间的短期相关性构建线性回归模型;然后采用递归的方法计算出下一年各周所有负荷点的预测值;最后考虑年度负荷增长,对预测值进行修正得到最终预测结果。结合实际电网数据验证了该方法的有效性和实用性,为中长期负荷预测提供了一条可行的新思路。

贝叶斯框架下最小二乘支持向量机的中长期电力负荷组合预测

影响中长期负荷变化的因素较多,单一预测模型很难满足预测需要,组合预测能够较好地解决单一模型的缺点,借鉴单一预测模型的优点。提出贝叶斯框架下最小二乘支持向量机(LS-SVM)中长期负荷组合预测模型,利用结构化风险原则代替经验风险最小化,挖掘各单一预测模型的信息,以单一模型的预测数作为组合预测输入样本,通过贝叶斯后验理论确定最小二乘支持向量机参数,建立组合预测模型进行预测。通过算例表明,提出的模型具有较高的预测精度,能够较好地解决小样本下的预测问题,具有良好的泛化能力和预测精度。

基于信息熵和变精度粗糙集优化的支持向量机降温负荷预测方法

降温负荷持续增长已成为中国南方夏季最大负荷屡创新高的重要原因。提出了一种基于信息熵和变精度粗糙集优化的不确定支持向量机方法,用于中长期降温负荷预测。方法通过挖掘数据中的相互关系去除冗余信息,从输入属性变量集中寻找核心变量。该方法利用基于信息熵改进的变精度粗糙集对支持向量机的条件属性进行约简,得到最小决策表,并将该最小决策表中对应的变量作为支持向量机预测模型的输入属性变量,进行年最大降温负荷预测。且随着预测年份的推移,该支持向量机预测模型的输入属性变量亦将随之滚动更新,能够为电网规划与运行人员提供不同预测时期降温负荷预测需重点关注的影响因子。最后,利用广东省实际数据对广东电网"十二五"和"十三五"年最大降温负荷进行预测,结果表明,所提的预测方法预测效果良好,预测精度稳定,对于中长期预测过程中的各种不确定因素的影响具有较好的鲁棒性,真正实现了中长期降温负荷的动态预测。

改进无偏GM(1,1)模型及其在中长期电力负荷预测中的应用

通过对原始数据序列作开次方运算生成新数据序列的方法,建立了改进无偏GM(1,1)模型。用数值实验研究的方法证明了改进无偏GM(1,1)模型特性优于无偏GM(1,1)模型。将改进无偏GM(1,1)模型用于对太原地区电力负荷进行预测,实际应用的结果也显示改进模型提高了中长期电力负荷预测精度。

GMDH和变结构协整理论在电力负荷预测中的应用

鉴于未考虑时间序列的非平稳性所得到的拟合方程可能出现'伪回归'而失去准确预测的能力,引入了协整理论与误差修正模型。考虑地区产业结构发生变化将导致地区用电量时间序列发生结构突变,影响平稳性检验结果的可信度,又引入了GMDH理论,自动搜索并确定结构突变点,以改进经典结构突变理论需要事先获知一些重大波动信息等主观性影响。结合上述两点,构建了基于GMDH理论的参数变结构协整模型。算例证明了该模型在电力系统的负荷预测中的适用性以及在处理'伪回归'和'样本数据结构突变'问题方面的有效性。

中长期电力负荷预测的几种灰色预测模型的比较及应用

对传统GM(1,1)模型,基于积分优化法的GM(1,1)模型,具有白指数律重合性的GM(1,1)模型,基于响应不变法的GM(1,1)模型,基于严格微分拟合法的GM(1,1)模型进行了详细分析比较.针对电力系统中长期负荷增长的特点,分析比较了以上5种模型的特点及其适用范围,为电力系统工作人员在年用电量预测中选择合适的灰色预测模型提供参考依据.