基于regARIMA模型的月度负荷预测效果研究

为探究离群值对月度负荷预测效果的影响,建立计及离群值影响的季节性ARIMA月度负荷预测模型(reg ARIMA),选择1999—2017年北京、甘肃等5省(市)的实际月度负荷数据,对预测效果进行比较研究。结果表明,与普通ARIMA模型相比,考虑了离群值影响的reg ARIMA模型的3年样本内平均预测误差得到明显改善;应用reg ARIMA模型进行提前12期的样本外预测,预测精度获得不同程度的提升。

小波软阈值去噪和GRNN网络在月度负荷预测中的应用

在介绍了小波阈值降噪理论和广义回归神经网络基本理论的基础上,针对电力系统的月负荷数据同时具有趋势增长性和季节波动性的复杂非线性特征,提出了一种月负荷预测新方法。首先对历史数据进行小波软阈值去噪,以横向历史数据和纵向历史数据作为神经网络的输入,建立了月度负荷预测模型,并将其应用于我国某地区月度负荷预测,结果表明:该模型既具有较好的鲁棒性,预测精度较高且较为稳定,又具有良好的实用性。

基于最优可信度的月度负荷综合最优灰色神经网络预测模型

月度负荷具有增长和波动二重趋势。作者首次提出以纵向历史数据为原始序列,用灰色预测模型进行增长趋势预测;以横向历史数据为原始序列,用人工神经网络模型进行波动趋势预测的方法,并在此基础上,引入最优可信度的概念,同时考虑了月度负荷的两种趋势,建立了综合最优预测模型。该模型兼顾了前两种模型的建模特点,优于只考虑单一发展趋势负荷预测的模型。对电力负荷预测应用实例的计算结果表明,该方法明显地提高了月度负荷预测的精度,也同样适用于进行周、季负荷等具有二重趋势的负荷序列的预测。

基于社会经济指标影响的电力系统月度负荷组合预测模型

电力负荷受到多种因素影响,用负荷历史数据进行负荷预测结果往往不准确.考虑社会经济指标的影响,采用无偏灰色预测模型与偏最小二乘模型相结合的方法对月度电力负荷进行预测.首先通过无偏灰色理论的方法预测各社会经济指标,然后针对社会经济指标与电力月度负荷的变化特点进行偏最小二乘建模.最后拟合出负荷与各指标之间的线性关系式.实例证明,该组合预测模型具有较高精度.

基于加权最小二乘支持向量机的月度负荷预测

考虑到实际电力负荷预测中各数据的重要程度并不相同,在标准最小二乘支持向量机回归算法的训练样本中设置权值系数,建立了加权最小二乘支持向量机模型,以实现样本的优化选择,达到历史数据"重近轻远"的学习效果;同时考虑到粒子群优化算法收敛速度快和混沌运动遍历性、随机性等特点,提出了一种基于混沌思想的粒子群优化算法对模型参数进行优化,引入优势粒子和劣势粒子的权重自适应调节机制,使算法具有动态适应性。将改进的模型应用于江西省萍乡市月度负荷预测中,结果表明本文方法与常规方法相比降低了预测误差,且速度较快。

小波神经网络在电力系统月度负荷预测中的应用

在研究了电力月负荷特性的基础上提出了一种新型的月度负荷预测模型———小波神经网络负荷预测模型。该模型以非线性小波基为神经元函数,通过伸缩因子和平移因子计算小波基函数合成的小波网络,以横向和纵向历史负荷数据作为输入神经元,采用基于BP(back propagation)算法的网络自调整算法,同时还采取自判断调整步长的方法,使得跨过局部极小点的同时还加快了收敛速度。该网络不但能达到全局最优的逼近效果,还能有效地克服了人工神经元网络学习速度慢、难以合理确定网络结构、存在局部极小点的固有缺陷。应用该模型预测我国某地区月负荷,结果表明,该模型预报精度高,自适应性好,收敛速度也明显快于单纯的神经网络。

基于EEMD和随机森林的月度负荷预测

准确的负荷预测是电力市场稳定运行的关键。2017年实施偏差电量考核给售电公司带来了极大的挑战。可再生能源和新能源的接入需要高精度的负荷预测。利用集合经验模态分解(EEMD)算法将全社会用电增速序列分解为6个子序列,将子序列组合成高、中、低频分量序列,再对中、低频分量用随机森林(RF)法选取最优参数构建模型,将分量预测结果相加重构成最终预测结果。并与RF、支持向量机(SVM)和EEMD-SVM的实验误差进行了对比,结果表明本文所构建模型的预测精度要优于对比模型,同时验证了该方法在月度负荷预测方面的有效性和可行性。

基于BP神经网络的城市燃气月度负荷预测研究

应用MATLAB科学计算软件编制了对浙江省某城市燃气月度负荷的预测程序,建立了燃气月度负荷预测的BP神经网络模型,对模型进行训练后,利用它对该市燃气月度负荷进行了预测,预测结果的相对误差最在±6.34%以内,由预测结果可知该模型预测精度较高,完全可以达到工程实际应用的目标。

一种月度负荷预测的新方法

研究了月度负荷的特性,指出了其季节波动性和趋势增长性双重特性;介绍了广义回归神经网络的基本理论,提出以横向历史数据和纵向历史数据作为输入神经元,建立了月度负荷预测模型,并将其应用于我国某地区月度负荷预测,结果表明:该模型的预测精度明显高于一般的BP网络。

考虑业扩报装的相关向量机月度负荷预测方法

针对传统月度负荷预测方法缺乏考虑负荷内在影响因素的问题,该文提出了考虑业扩报装的相关向量机月度负荷预测方法。该方法通过生长曲线拟合和k-均值聚类研究业扩报装后的用电趋势,提取出逐月影响比例,计算得到对当月负荷具有实际影响的业扩增量;将实际业扩增量和历史负荷数据作为样本输入,建立基于相关向量机的负荷预测模型,同时利用粒子群优化参数和组合核函数提高模型适应度。考虑实际业扩增量、考虑未修正业扩增量以及不考虑业扩报装的预测结果比较表明,实际业扩增量对月度负荷有较重要的影响,可以有效提高预测的精度。

基于Beta样条曲线与GM模型组合的月度负荷预测

本文基于月度负荷具有增长性和季节波动性的二重趋势特征,提出了一种新的月度负荷预测方法。该方法通过运用GM模型对纵向历史数据预测,对于横向历史数据采用Beta样条曲线预测,共同构建组合预测模型,最后给出这种预测方法的建模步骤。通过实例和对比分析,证明新的方法是可行和有效的。

基于广义回归神经网络的月度负荷预测

研究了月度负荷的特性，指出了其季节波动性和趋势增长性双重特性；介绍了广义回归神经网络的基本理论，提出以横向历史数据和纵向历史数据作为输入神经元，建立了月度负荷预测模型，并将其应用于我国某地区月度负荷预测，结果表明：该模型的预测精度明显高于一般的BP网络。

基于RBF神经网络的电力系统月度负荷预测研究

月度负荷预测是电力系统计划、调度、营销部门的重要工作之一,本文根据影响月度负荷的因素,运用Matlab工具箱,建立基于RBF神经网络的月度负荷预测模型,利用它对某地区2009年的月度负荷进行预测,预测结果为相对误差1.96%,因此,据预测结果可知本文提出的模型预测精度较高,完全可以达到工程实际应用的目标。

一种基于XGBoost算法的月度负荷预测方法

为向大工业提供更为精确的月度负荷预测,提出将XGBoost(极端梯度上升)算法引入电网负荷预测,对负荷及相关影响因素指标进行异常识别填补、指标转换、独热编码等数据预处理工作;结合关联分析,对相关影响因素指标进行筛选;最后采用XGBoost算法进行月度负荷建模预测。结合实例,对比XGBoost与支持向量机、神经网络模型算法在大工业用户近几年历史月度负荷数据建模预测中的应用,发现XGBoost模型应用效果较佳,具有一定的实用性。

成分分解方法预测月度电力负荷

为了提高月度负荷预测精度,提出了基于X-12-ARIMA季节调整模型的月度负荷预测方法。首先在季节调整前,消除原始负荷中离群值、工作日、闰年等效应的影响,然后对经季节调整后的趋势循环序列应用H-P滤波方法进行成分分解,再针对分解后得到的长期趋势、循环周期、季节因子、不规则成分序列的特点选择了适合的预测模型进行预测并得到最终结果。通过甘肃地区188个月的负荷数据进行检验,结果表明该预测方法是可靠有效的。

基于季节调整和Holt-Winters的月度负荷预测方法

针对负荷序列中异常数据会导致模型误设或参数估计发生偏差的问题,提出利用季节调整方法,先对原始负荷序列进行季节调整,获得消除离群值、节假日影响的季节调整后序列和季节成分序列;然后用改进的HoltWinters方法对季节调整后成分进行预测,用虚拟回归方法预测季节成分序列;最后对各成分预测结果重构得到最终预测结果的月度负荷预测方法。通过实例检验,提出的方法能明显提高预测精度,预测效果要优于季节性Holt-Winters、SARIMA、神经网络、支持向量机等模型。

基于多尺度分析的电力月负荷预测

介绍了小波分析原理及多尺度分析法。根据月度负荷的增长和波动趋势,利用多尺度分析法将月度负荷序列进行分解,采用灰色理论法和神经网络法对序列进行预测,建立了优化预测模型,该模型优于只考虑单一发展趋势的负荷预测模型。计算结果表明,该方法可以明显提高月度负荷预测的精度。

计及季节与趋势因素的综合能源系统负荷预测

针对复杂影响因素下综合能源系统月度负荷预测精度低的问题,提出基于时间序列特征分解的月度负荷预测模型.利用时间序列分解方法将负荷数据分解为季节分量、趋势分量与随机分量,根据各分量随时间变化的特性,分别采用向量自回归模型、最小二乘支持向量回归与平均值法进行预测.各分量预测结果的投影重构值作为月度负荷的预测值,并考虑了季节拐点与区域经济因素对月度负荷的影响.实例分析证明该方法能够有效提高综合能源系统的月度负荷预测精度.

基于多维动态隶属度的模糊时间序列的天然气月负荷预测

准确的天然气负荷预测对于完善城市燃气供需系统与提高能源利用效率都大有裨益。由于燃气负荷序列受到多种不确定因素的影响,为了捕捉月度负荷的模糊性和非线性等复杂特征,本文结合模糊理论和长短时记忆神经网络(LSTM)的特性,提出了一种基于多维动态隶属度的模糊时间序列的预测新方法。首先,利用模糊C均值聚类(FCM)从原始数据中构建多维隶属度序列;其次,利用LSTM对多维隶属度序列同时进行预测,得到其动态隶属度;最后,去模糊化得到燃气负荷的预测值。应用该模型对四川成都某地区的天然气月度负荷进行了未来三个月的预测,并与经典模糊时间序列(FTS)、ARIMA模型、BP神经网络(BPNN)、LSTM等模型进行对比。实验结果表明,新模型的MAE、RMSE以及MAPE均优于其他模型。因此,本文提出的模型可对城市燃气供给和调度提供有价值的参考。