基于用户电量特征匹配与鲁棒极限学习机的用户短期电量预测

如何快速准确实现电力用户的短期电量预测对需求响应的实施以及售电公司的经营具有重要的意义。提出一种基于相似用户电量特征匹配与鲁棒极限学习机的用户短期电量预测方法。首先通过主成分分析与余弦相似度相结合的聚类分析方法建立用户电量特征库;然后通过皮尔逊相关系数法选取与待预测用户用电特性相似度较高的用户,将其用电信息匹配生成预测参考日数据集;最后建立鲁棒极限学习机模型实现对用户短期电量预测。为验证所提方法的有效性,采用实际案例进行仿真分析。结果表明该方法可以有效提高用户短期电量预测精度。

GRU结合STL分解的短期电量预测方法

基于循环神经网络的模型具有出色的捕获非线性关系的能力,在电量预测中具有良好的性能。但它无法完全捕获历史信息,影响了预测结果的准确性。为了解决这些问题,提出了一种门控循环单元(GRU)模型结合STL分解的方法。评估结果表明,该方法能较好地捕获局部和全局信息,并具有比传统模型更高的预测精度。

利用软件实现短期电量预测的专家系统算法

论述了如何有效提高供电企业短期售电量预测的准确性，并利用已有负荷、电量预测方法，引入优化组合思想，从而将不同的预测模型及预测工作人员的经验有机地结合起来，通过综合各模型的优点和经验，得到较为准确的预测值。文中论述了以兰州供电局历史售电量数据为基础，设计并编制了初步具备专家预测系统功能的预测分析软件。

基于遗传算法优化BP神经网络的短期发电量预测

针对传统神经网络的网络初始权值和阈值随机给出,训练结果易陷入局部极小值的问题,本文提出一种采用遗传算法(GA)对BP网络的初始权值和初始阈值进行优化的方法.通过模拟生物进化中的自然选择和遗传机理,首先将网络的初始权值和初始阈值表示为染色体基因编码,再利用遗传算子进行组合交叉、变异、选择,产生出新的染色体来完成初始参数优化,形成初始权值和初始阈值,最后经BP网络训练得到最终权值和阈值,建立用于短期发电量预测的网络.实验结果表明,与传统BP神经网络预测方法相比,该预测方法精度更高,为短期电量预测提供了一种新途径.

基于深度信念网络的光伏电站短期发电量预测

为了解决现有光伏电站短期发电量预测方法存在的预测模型复杂、预测误差较大、泛化能力较低的问题,提出一种基于深度信念网络的短期发电量预测方法。首先综合考虑影响光伏出力的环境因素和光伏板的运行参数以及光伏电站历史发电量数据,对深度信念网络进行训练和学习。在此基础上,采用重构误差的方法确定深度信念网络隐含层层数。最后针对某光伏电站短期发电量进行预测算例分析,验证了该预测模型能主动选择样本抽象特征、自动确定隐含层层数,对短期发电量预测精度较高。对比前馈反向传播(Back Propagation,BP)神经网络预测模型与长短期记忆网络(Long/Short Term Memory,LSTM)预测模型,结果表明所提方法运算量低、预测精度高,且增加神经网络的深度比改进神经网络神经元对预测效果更有效。

基于时间卷积网络和门控循环单元的短期用电量预测方法

针对智能电网建设环境下用电数据所呈现出的采集频率低、时变性显著等特点,提出了一种基于时间卷积网络和门控循环单元的短期用电量预测方法。考虑电类特征、环境特征和时间特征,从常见用户用电量的影响因素中筛选出模型的输入数据,分别训练时间卷积网络和门控循环单元两种深度学习模型并建立所提方法的整体架构。对某地区低采集频率用电数据进行仿真分析,与传统的长短期记忆网络、一维卷积及多层感知机等方法相比,所提方法具有更高的预测精度,有效可行。

基于残差自回归方法的短期区域用电量预测

基于我国区域用电量数据展开了短期用电量预测研究,采用了基于残差自回归方法的时间序列预测模型,有效提高了短期区域用电量预测准确性。相比于传统的时间序列模型(ARIMA模型和Holt-Winters模型),基于残差自回归方法的时间序列预测模型的MAPE值和RMSE值均最小,并在两个不同的数据集上表现平稳。

工业园区企业短期用电量预测算法

以经济技术开发区企业为研究对象,考虑当地气候因素,基于灰色系统理论,建立工业企业短期用电量预测模型,采用残差修正法对偏离的预测值进行修正,设计实现一种短期用电量预测算法。实验结果表明,给出的算法预测准确高,可用于指导企业计划生产所需的短期用电量。

基于天气类型聚类识别的光伏系统短期无辐照度发电预测模型研究

现有光伏发电量预测模型大多以太阳辐照度作为必要的输入,然而,由于当前国内太阳辐射站点仍较稀少且预报能力较低,因此此类预报方法难于实施。利用距离分析方法分析光伏发电量与气象因素间的相关性,确定以气温和湿度作为预报输入因子,建立反传播(back propagation,BP)神经网络的无辐照度发电量短期预报模型。此外,为适应天气突变,采用自组织特征映射(self-organizing feature map,SOM)由云量预报信息对天气类型聚类识别,继而对各天气类型采用相应的预测网络,避免了单神经网络的过拟合问题。通过与含辐照度输入及无天气聚类识别的预测模型做交叉对比实验,预测结果表明,天气类型聚类识别能显著提高预测精度,无辐照度光伏发电量短期预测模型有较高的精度和50%湿度抗扰动性。

主成分分析结合神经网络的光伏发电量预测

针对光伏发电量预测模型主要以气象因素、历史发电量等作为BP神经网络的输入,输入量多、数据冗余、网络难以收敛。利用主成分分析法PCA(principal components analysis)分析原来多个输入变量反映的个体信息,提取较少的几项综合性变量,减少预测模型的输入量。同时利用遗传算法优化BP网络的权值阈值建立预测模型,克服了神经网络算法的局部收敛、训练速度慢等问题。实验结果表明,该方法提高了预测精度,为解决光伏系统发电量预测提供了一种可行方法。