基于BP神经网络-时间序列模型的中期负荷预测

电力负荷预测在电力系统运行和规划中具有重要作用。它有助于电力公司更好地管理电力供应,提高电力系统的效率,减少能源浪费,以及满足用户对电力的需求。本文首先对研究人员收集的原始数据进行预处理,采用传统的时间序列分析法对电力负荷进行预测,发现其在时间尺度较长的预测中误差较大。其次,研究人员引入BP神经网络(back propagation neural network, BPNN)模型,与时间序列分析法相结合,利用全国内连续12个月的用电量去预测次月的用电量。最后,研究人员在仿真预测中分析了影响因子对其影响的情况。仿真结果表明,时间序列分析法和BP神经网络协同使用会大大减小中期电力负荷预测误差,引入影响因子分析后会使预测结果准确率进一步提高。

基于ADE-SVM和模糊理论的电力系统中期负荷预测

在基于支持向量机(SVM)的电力系统中期负荷预测的基础上,针对SVM参数难以确定的问题,在引进微分进化(DE)算法优化SVM参数的基础上,为了减少DE的寻优时间,提高全局搜索能力,用基于学习样本集噪声估计的方法确定SVM参数的范围作为DE的寻优范围,以指导DE寻优。同时,引进自适应算子,采用参数自适应DE(ADE)算法选择SVM参数。由于影响负荷的气温因素是模糊的,利用隶属度函数对气温因素进行模糊化处理,进一步提高了预测精度。将上述方法用于欧洲智能技术网络(EUNITE)竞赛数据的中期电力负荷预测,结果表明,该方法能够准确预测负荷变化,且比其他算法具有更高的预测精度,为电力系统负荷预测提供了重要手段。

多时序协同中期负荷预测模型

针对负荷预测中前馈神经网络无法记忆序列间关联信息,且长短期记忆网络容易出现过拟合、泛化能力差等问题,提出了加法自回归积分滑动平均ARIMA(auto-regressive integrated moving average)模型结合长短期记忆LSTM(long short-term memory)网络的多时序协同中期负荷预测ARIMA-LSTM模型。该模型考虑了季节、温度和节假日的影响,采用ARIMA提取负荷序列内部因素,用Adam算法优化ARIMA-LSTM模型的网络参数。最后将某地区实际负荷数据用于该模型,并与神经网络NN(neural network)模型和LSTM进行对比,其均方根误差分别降低了7.698%和2.154%,验证了该模型具有更高的预测精度。

基于协整-格兰杰因果检验和季节分解的中期负荷预测

近年来,随着国民经济的转型,中国的经济结构发生了较大的变化,仅仅依靠电力负荷历史数据进行负荷电量预测会造成较大的误差。为解决传统负荷预测方法对于经济、气象等因素考虑不足的问题,提出了一种可以计及经济与气象等因素影响的中期负荷电量预测方法。首先利用季节分解将历史月度用电量分解为长期趋势及循环分量、季节分量以及不规则分量;并以计量经济学中的协整检验以及格兰杰因果检验分析经济因素与用电量长期趋势及循环分量的关系,确定影响该部分电量预测的关键性指标;基于电量、气象以及经济数据,对各个分量利用支持向量机分别进行预测并综合得到月度电量总量预测值;最后通过算例分析了方法的有效性与可行性。

ANN在电力系统中期负荷预测中的应用

本文提出了 ANN在电力系统中期负荷预测中的应用。基于优化理论 ,采用改进型 BP算法 ,该算法学习精度高 ,收敛速度快。通过仿真算例证明了该算法的优点 ,并将训练结果应用到了配网规划的实例中 ,验证了

基于Attention-ResNet-LSTM网络的中期负荷预测模型

提出一种基于Attention-ResNet-LSTM网络的中期负荷预测模型。将Attention机制引入LSTM模型,赋予不同的权重于特征向量,加入ResNet网络后算出负荷的预测值。以爱尔兰某地区的真实负荷为数据集进行仿真实验,负荷预测结果表明:相比于RNN、LSTM、Attention-LSTM模型,Attention-ResNet-LSTM模型的预测精度更高。

基于奇异谱分析与神经网络的中期负荷预测

针对非平稳、非线性中期负荷序列分解预测的精度问题,提出了基于奇异谱分析与神经网络的中期负荷分解预测方法。考虑中期负荷长期趋势性与季节性周期波动性特点,在中期负荷序列趋势提取的基础上,利用频谱分析确定序列主要周期成分并引入奇异谱分析方法对序列主要周期成分进行滤波分解,对分解所得的各子序列构建神经网络模型进行预测,各子序列预测结果叠加作为最终的电量预测值。结合某地历史数据,将所提算法与经验模态分解/神经网络方法、传统滤波/神经网络方法预测结果进行对比,结果表明该方法在进行中期电量预测时能够获得更为平稳的、精度较高的预测结果。

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。

基于中期负荷预测分析的技改大修项目策略研究

基于技改大修项目数据的分析,本文阐述了数据管理的一些问题,并给出解决方法。同时文章提出了中期负荷预测方法有利于该项目的规划、更加有效安排设备和资源的观点。文章从时间序列、回归分析、神经网络等模型角度进行分析,对项目进行优化,为技改大修的精益化提供了可靠的基础。

配网中期负荷预测方法研究

提出基于配变容量的配网中期负荷预测方法,介绍中、高压配网的中期负荷预测和参数计算,并给出实例分析。

基于谱分析与LS-SVM的中期电力负荷预测

针对支持向量机方法在短系列电力负荷预测中存在空间划分参数的选择受主观因素影响的缺点,提出了谱分析和最小二乘支持向量机相结合的负荷预测方法。该方法采用谱分析预测实际发生最大电力负荷值的周期,根据周期来确定SVM的训练模型。该方法可有效地避免参数选择中的人为因素,提高预测精度。从实际算例可看出,除最后一个点位相对误差为8.67%外,其余点位的相对误差均低于±5%,实测值与预测值的拟合度较好,预测精度较高。

基于人工神经网络的中期电力负荷预测研究

采用人工神经网络(ANN)进行电力负荷中期预测.阐述了人工神经网络的基本原理和反向传播算法(BackPropagation).根据实际情况建立了人工神经网络的模型并利用VisualBasic编制了相应的计算程序.进行了实例计算,并验证了ANN适用于中期电力负荷预测.

中期电力负荷预测及负荷模型的研究

对电力系统中期负荷预测提出了按照时间段预测趋势修正的新方法 ,同时提出了多阶梯中期负荷模型。

基于行业聚类电量曲线分解的中期负荷预测

传统电量序列分解方法难以有效结合地区行业发展趋势分析,为此文章提出一种基于行业发展趋势的行业聚类电量曲线分解中期负荷预测模型。首先,采用动态时间规整算法计算行业电量周期性,从而分类发展趋势有无变化的行业;其次,通过k-means算法按照用电特性相似聚类预分类行业,并通过季节分解算法分解聚类行业电量序列;最后,针对各电量子序列建立支持向量回归模型,并以江西省某市电量数据作算例分析。算例分析结果表明,文章方法可以分离不同用电特性的行业电量,有助于分析当地行业经济发展状况,并提高地区中期负荷预测准确性。

基于深度神经网络的中期电力负荷预测

电力负荷预测的精确度对于电厂的实际发电量、配电、系统维护以及与电价相关的能源供应商运营计划等都有着极大地影响;研究了前馈深度神经网络和递归深度神经网络在中期电力负荷预测中的应用及其准确性和计算能力分析;首先,针对收集的原始数据集进行预处理,提出了一种时域-频域分析特征提取方法,该方法可以充分地挖掘隐藏在原始数据集中的深层信息;然后利用前馈深度神经网络和递归深度神经网络模型进行中期电力负荷预测;最后,利用某城市5年期间的实际负荷数据,预测未来1年中不同季节的负荷;通过仿真结果表明:时域-频域分析法和深度神经网络协同使用于中期负荷预测具有更高的准确性。

基于XGBOOST-DNN的中期电力负荷预测

精准的负荷预测是电力工作者重要的工作之一,而负荷预测以预测周期的不同,一般可以划分为短期电力负荷预测与中长期电力负荷预测.其中中长期电力负荷预测相较短期电力负荷预测而言,该领域缺乏大量前沿工作者的探索.因此本文提出一种可应用于中期电力负荷预测领域且基于XGBoost-DNN的算法.该算法将树模型和深度神经网络相结合,并将短期电力负荷预测引入到了中期电力负荷预测的工作中,基于树模型自身特点,将数据特征加工成高阶的交叉特征,同时结合原有数据利用深度神经网络可学习到丰富的特征信息.这里是以2017全球能源预测竞赛的数据进行算法分析,其中实验表明,在中期电力负荷预测领域,该方法提出的XGBoost-DNN模型相较于DNN,LSTM而言,其具备更加精准的准确性.

变权重组合改进模型应用于中期电力负荷的预测

对变权重组合预测理论进行了扩展和改进,并以某经济快速发展地区的历史电力负荷数据为实例,运用常规电力负荷预测方法、改进后的变权重组合方法对电力负荷进行预测和计算分析.预测结果表明了变权重组合改进预测法的可行性,有效提高了中期电力负荷预测的精度和可信度.

用变权重组合方法预测中期电力负荷

变权重组合预测法集合了多种单种预测法所包含的信息,可使中期电力负荷预测的准确性不断提高。介绍了变权重组合预测法的基本原理,并进行了预测结果的误差分析及关联度分析。以上海市某区的历史电力负荷数据为实例,计算负荷预测值的误差指标以及预测曲线关联度分析证明,变权重组合负荷预测值与实际值具有很好的拟合度,可有效提高中期电力负荷预测的精度和可信度。

基于改进小波分析的月度负荷预测方法

月度用电需求预测是中期负荷预测的主要内容,是制订月度发电规划的基础。采用基于小波分析的月度用电量预测方法,将月度用电量的时间序列分解成趋势项和波动项,分别进行预测,可以提高预测精度。

智能算法在电网负荷预测中的应用研究

负荷预测作为电力系统规划运行的前提,在电力规划设计中无比重要。为了更加准确地预测出各地域各部门的电力负荷,研究将智能算法应用于电力负荷预测之中,这对城市及国家的电力规划设计有很大的意义。研究分别利用灰色预测理论及多元线性回归模型两种算法对芜湖市市辖区的用电量进行负荷预测,并将两种算法的预测精度进行了对比。这两种算法都符合预测的精度要求,且都提高了电力负荷预测的精确度,具有良好的应用前景。