Short-Term Load Forecasting Based on Big Data Technologies

With the construction of smart grid,lots of renewable energy resources such as wind and solar are deployed in power system.It might make the power system load varied complex than before which will bring difficulties in short-term load forecasting area.To overcome this issue,this paper proposes a new short-term load forecasting framework based on big data technologies.First,a cluster analysis is performed to classify daily load patterns for individual loads using smart meter data.Next,an association analysis is used to determine critical influential factors.This is followed by the application of a decision tree to establish classification rules.Then,appropriate forecasting models are chosen for different load patterns.Finally,the forecasted total system load is obtained through an aggregation of an individual load’s forecasting results.Case studies using real load data show that the proposed new framework can guarantee the accuracy of short-term load forecasting within required limits.

Real-time anomaly detection for very short-term load forecasting

Although the recent load information is critical to very short-term load forecasting(VSTLF), power companies often have difficulties in collecting the most recent load values accurately and timely for VSTLF applications.This paper tackles the problem of real-time anomaly detection in most recent load information used by VSTLF.This paper proposes a model-based anomaly detection method that consists of two components, a dynamic regression model and an adaptive anomaly threshold. The case study is developed using the data from ISO New England. This paper demonstrates that the proposed method significantly outperforms three other anomaly detection methods including two methods commonly used in the field and one state-of-the-art method used by a winning team of the Global Energy Forecasting Competition 2014. Finally, a general anomaly detection framework is proposed for the future research.

基于贝叶斯证据框架下WLS-SVM的短期负荷预测

提出了一种基于贝叶斯证据框架下加权最小二乘支持向量机(Weighted Least Squares Support Vector Machine,WLS-SVM)的短期负荷预测模型和算法。在对历史负荷数据进行完预处理基础上,分析影响负荷变化的重要因素,然后选择最佳的输入数据作为LS-SVM训练模型的输入向量。通过贝叶斯证据三层推断寻找到模型的最佳参数:第一层推断确定LS-SVM的权向量w和偏置值b,第二层推断确定模型的超参数γ,第三层推断确定核函数的超参数σ。为了提高模型的鲁棒性,赋予了每个样本误差不同的权系数,建立了具有良好泛化性能的WLS-SVM回归模型,从而进一步提高了模型预测的精度。采用上述方法对黑龙江电网短期负荷进行了预测,结果证明了该方法具有良好的预测效果。

基于关联模糊神经网络和改进型蜂群算法的负荷预测方法

为提高负荷预测精度,考虑历史负荷数据之间相关联的特性,利用关联模糊神经网络建立了负荷预测模型。与其他负荷预测方法相比,基于关联模糊神经网络和改进型蜂群算法的负荷预测方法,减少了模型所需要的模糊规则的数量,降低了模型的复杂度。将该方法应用于某地实际负荷预测,数值结果表明,该方法具有较高的预测精度。

对基于贝叶斯证据框架下WLS-SVM中期负荷预测的研究

本文提出了一种基于贝叶斯证据框架下加权最小二乘支持向量机(Weighted Least Squares Support Vector Machine,WLS-SVM)的短期负荷预测模型和算法。在对历史负荷数据进行完预处理基础上,分析影响负荷变化的重要因素,然后选择最佳的输入数据作为LS-SVM训练模型的输入向量。通过贝叶斯证据三层推断寻找到模型的最佳参数:第一层推断确定LS-SVM的权向量w和偏置值b,第二层推断确定模型的超参数γ,第三层推断确定核函数的超参数σ。为了提高模型的鲁棒性,赋予了每个样本误差不同的权系数,建立了具有良好泛化性能的WLS-SVM回归模型,从而进一步提高了模型预测的精度。采用上述方法对一固定预测区电网中期负荷进行了预测,结果证明了该方法具有良好的预测效果。

基于WTVS模型的电力系统短期负荷预测

短期负荷预测在电力系统的日常运行和调度中起着重要作用,季节和温度是影响负荷变化的最重要因素,但随机因素会在特定时间内改变需求消耗,这将导致突然的负荷变化。为了提高预测精度,提出了一种用于短期负荷预测的加权时变滑动模糊时间序列模型(WTVS)。将WTVS模型分为数据预处理,趋势训练和负荷预测三个部分。在数据预处理阶段,通过平滑历史数据将削弱随机因素的影响。在趋势训练和负荷预测阶段,将季节因素和加权历史数据引入到短期负荷预测的时变滑模糊时间序列模型(TVS)中。运用国网陕西省电力公司的负荷数据对WTVS模型进行测试,结果表明,与TVS模型相比,所提出的WTVS模型在负荷预测精度上有显著提高。

基于神经网络与综合气象因素的短期负荷预测

建立每日96点的负荷预测综合模型.引入人工神经网络(ANN)模型,将人体舒适度和历史负荷数据共同作为人工神经网络的输入,建立人工神经网络(ANN)模型,对浙江某市每日96点负荷进行分段预测.每日96点预测值的平均相对误差绝对值可以达到1.3%以下,达到了短期负荷预测精度要求.

基于电力负荷历史数据挖掘的负荷预测算法研究

针对电力负荷历史数据中异常数据点影响电力负荷预测精度的缺陷,研究基于电力负荷历史数据挖掘的负荷预测算法。选取K-means聚类算法挖掘电力负荷历史数据的属性特征量,检测其中所包含的异常数据点,选取灰色系统理论中的GM(1,1)模型修正电力负荷历史数据中的异常数据,利用完成修正的电力负荷历史数据建立训练集以及预测集,将训练集样本输入支持向量机中,利用支持向量机所具有的非线性映射能力映射样本至高维空间内,获取支持向量机最优阈值,将预测集输入具有最优阈值的支持向量机中,获取精准的电力负荷预测结果。所研究算法可实现长期、短期、超短期电力负荷的预测,且预测的精准性及速度较为优越。