基于强化集成学习的配变日负荷曲线预测模型

配变日负荷曲线可用于准确监测配变运行状态,文章采用特征工程与相似度聚类的方法生成负荷相似日簇,在此基础上使用集成强化学习构建了配变日负荷预测模型。经应用验证,该模型可对各配变负荷曲线进行准确预测,实现配变负荷状态预感知,为电网调度管理、运行检查工作提供支撑。

天津市办公建筑供暖负荷中短期预测

分析了日平均干球温度、节假日效应等因素与日平均负荷的关系,利用带残差修正的多元非线性回归对日平均负荷进行了预测。选用时段及日类型作为"相似日"判别要素,根据相应的相似日热负荷分布系数对逐时热负荷进行了预测。实际的案例分析表明,这种负荷预测模型对办公建筑的热负荷有较好的预测效果。

基于卷积神经网络与纵横交叉算法的二维组合短期负荷预测方法研究

随着电力系统的飞速发展,电力负荷数据的规模也愈加庞大,以往基于小规模数据的电力负荷预测算法可能无法容纳大量数据集。为改善预测模型的工程实用性,本文提出了一种新型的机器学习模型,该模型将卷积神经网络(CNN)与纵横交叉优化算法(CSO)结合起来,应用于短期负荷预测。从大规模的负荷数据中收集到横向相邻日和纵向的相似日负荷数据,设置横向预测和纵向预测的权值系数,再用CSO优化算法去找最优系数,得到最后的二维组合预测结果,并与其它机器学习算法比较。通过实验证明,模型可以快速有效地处理大规模的负荷数据,具有较强的泛化能力。