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。

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。

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。

灰色Verhulst模型在中长期负荷预测中的应用

灰色系统预测模型用于中长期负荷预测是一种有效的方法。但是,当负荷按照“S”型曲线增长或增长处于饱和阶段时,采用灰色模型进行负荷预测的误差较大,预测精度不能满足实际要求。将灰色Verhulst模型引入到负荷预测中,可以很好地解决这个问题。作者通过典型的实例介绍了灰色Verhulst 模型在中长期负荷预测中的应用。结果表明,此模型在负荷预测中是适用的,尤其对于负荷按“S型曲线增长的情况,不但具有较高的预测精度,同时保留了灰色预测方法的优势和特点。

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。

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。

基于粒子群优化的非线性灰色Bernoulli模型在中长期负荷预测中的应用

将非线性灰色Bernoulli模型用于到中长期电力负荷预测,提出了优选模型参数的粒子群优化算法。该模型是将GM(1,1)模型与Bernoulli微分方程相结合的一种灰色模型,适用于对不同发展趋势曲线的预测。通过粒子群优化算法,以模型预测平均绝对百分误差最小为目标,选择最优的模型参数。采用不同测试数据以及实际电网负荷数据进行了验证,结果表明上述模型有很好的适应性及较高的预测精度。

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。

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 。

模糊理论在中长期负荷预测中的应用

本文先介绍三种用模糊理论进行中长期负荷预测的方法的数学模型，即模糊指数平滑法、模糊线性回归法和模糊聚类预测法，然后以邢台地区实际预测为例，给出预测结果，并对三种方法进行了比较和误差分析。实践证明了这三种方法具有比传统方法预测精度高、预测误差小的优点。

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。

RBF神经网络在中长期负荷预测中的应用

根据电力系统中长期负荷的特点和径向基函数(RBF)神经网络的非线性辨识功能,将RBF神经网络应用于中长期负荷预测的数据预处理,具体讨论了空缺数据的补全以及失真数据的查找和修正,并提出了一种改进的基于RBF神经网络的中长期负荷预测模型。实际算例的分析表明,所提出的基于RBF神经网络的缺损数据处理方法和改进的中长期负荷预测模型是可行和有效的。

基于改进灰色理论的中长期负荷预测方法研究

中长期负荷预测是配电网规划的必要前提,对于电力系统经济效益和社会效益的提升具有重要意义。针对传统灰色预测模型预测精度低,适用性不强的缺陷,提出了一种基于改进灰色理论的电力系统中长期负荷预测方法。该方法在经典灰色预测GM(1,1)模型的基础上,首先利用三点平滑法对历史数据进行预处理,然后再构建基于等维新息矩阵的GM(1,1)模型,最后利用残差处理方法对预测结果进行修正。基于四川某地区售电量负荷预测的实际算例的仿真结果表明,相比于传统灰色预测模型,本文提出的改进灰色预测方法在预测精度和适用性方面都具有显著优势。

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。

基于变权缓冲灰色模型的中长期负荷预测

为解决传统灰色模型和缓冲算子在中长期电力负荷预测应用中存在的问题,提出了变权缓冲灰色模型。该模型将变权缓冲算子与背景值优化灰色模型相结合,实现对原始负荷数据的动态预处理。基于粒子群优化算法,以拟合值与实际值的灰色关联度最大为目标,选择最优缓冲系数,在提高模型精度的同时,使预测结果最大程度地体现原有负荷数据的内在发展趋势,提高拟合和预测的稳定性。为验证模型效果,使用2003—2008年全国全社会用电量数据建模,预测2009—2011年的用电量,预测结果证明了该模型在中长期负荷预测中的有效性和可用性。

计及灰色关联度分析的中长期负荷灰色预测方法

中长期负荷预测是配电网规划的必要前提,预测精度的提升对于增强电力系统经济效益具有重要意义。针对传统灰色预测模型预测及拟合精度较低的缺陷,考虑到灰色关联度分析能够量化度量系统发展变化态势的特点,提出改进的灰色模型。以原始值与预测值序列之间灰色关联度最大为目标,引入炸点管理策略和自适应局部搜索策略,利用改进烟花算法实现对灰色模型背景值的权重系数和初始值修正项的优化求解。基于算例仿真结果表明,相比于传统预测模型,所提出的改进模型对于提升预测精度和拟合精度有明显效果。

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。