基于大数据技术的用电负荷预测与调度算法分析

阐述用电负荷预测与调度控制中的问题及原因,提出优化对策,包括提高电力负荷预测准确性、智能化调度决策支持、提升数据处理和分析能力。实验验证算法在多个数据集上的预测精度和稳定性。

基于支持向量机的网格化电网负荷预测算法设计

针对电网负荷预测算法预测能力较差、效率偏低的问题,文中提出了一种PCA-PSO-SVM算法。其在经典粒子群算法的基础上引入主元分析法,使模型具有降低数据维度及算法冗余度的特性。同时通过改进的PCA-PSO算法对SVM模型的内置参数进行最优选取,从而使改进后的SVM模型具有最佳的分类性能。在实验测试中,采用PCA算法选取了91%贡献度内的6项数据特征进行样本数据训练。结果表明,相较于其他对比算法,该文算法预测结果的RMSE、MAE与MAPE误差值均为最小,证明其可对网格化电网负荷加以预测。此外,该算法还能提升传统算法的准确度,为电力负荷分配提供有力支持。

基于改进野狗优化算法优化极限学习机的空调负荷预测方法

针对目前短期空调负荷预测方法预测精度低、稳定性差等问题,提出一种基于微生物遗传算法(Microbial genetic algorithm,MGA)和野狗优化算法(Dingo optimization algorithm,DOA)优化极限学习机(Extreme learning machine,ELM)的空调负荷预测模型。首先利用DOA优化ELM的输入权值和隐层阈值,建立DOA-ELM预测模型,利用MGA改进DOA-ELM模型的预测稳定性和预测精度,建立(Microbial genetic algorithm Dingo optimization algorithm-Extreme learning machine)MDOA-ELM预测模型。为降低预测模型的维度,通过灰色关联分析(GRA)筛选影响空调负荷的输入输出因素。为验证算法有效性,以某工厂中央空调系统为例进行实例分析。实验结果表明,所建负荷预测模型相较于对比模型预测精度高,稳定性好,因此可更好地满足工程实际需求。

基于主变负载状况的变压器负荷预测和风险评估

针对设备出现重载和长期超负荷运行容易导致故障甚至设备烧损的问题,提出了基于主变负载状况的变压器负荷预测和风险评估模型。分析了影响主变负载的因素,为研究不同因素对主变负载的影响程度,计算各因素间的相关系数矩阵和梯度提升树,以便相关人员对主变负载预测和风险评估的结果进行分析,找出过载原因,及时处理。采用奇异谱分析和BP神经网络对变压器负载进行预测,利用预测的负荷建立主变负荷风险评估模型,综合考虑负载相关因子和后果严重度。最后,算例分析证明了所提模型的可行性。

基于改进DBN算法的电力故障预测模型与辅助分析系统

针对如何提高停电事件分析能力,提出了改进型神经网络,构建改进DBN算法模型,通过该方法实现如何实现停电事件分析,然后对提取到的停电事件信息进行训练,停电事件信息训练改进DBN算法模型,建立停电事件分析预测模型,实现对停电事件分析的精准预测。研究还设计了停电事件辅助分析系统,通过采用节点误差数据组的方式区分停电事件和异常数据,通过误差补偿装置提高了DBN算法采用数据的精度。实验结果表明,在进行对停电事件分析预测的精确度测试时,停电事件分析预测的准确度可达97%,在可靠性测试时,停电事件分析管理可靠性可达96%。

基于Stacking融合的LSTM-SA-RBF短期负荷预测

为了解决单个神经网络预测的局限性和时间序列的波动性,提出了一种奇异谱分析(singular spectrum analysis,SSA)和Stacking框架相结合的短期负荷预测方法。利用随机森林筛选出与历史负荷相关性强烈的特征因素,采用SSA为负荷数据降噪,简化模型计算过程;基于Stacking框架,结合长短期记忆(long and short-term memory,LSTM)-自注意力机制(self-attention mechanism,SA)、径向基(radial base functions,RBF)神经网络和线性回归方法集成新的组合模型,同时利用交叉验证方法避免模型过拟合;选取PJM和澳大利亚电力负荷数据集进行验证。仿真结果表明,与其他模型比较,所提模型预测精度高。

基于改进哈里斯鹰算法优化核极限学习机的短期电网负荷预测研究

利用改进的哈里斯鹰算法对核极限学习机进行优化,构建了CEHHO-KELM电力负荷预测模型。首先,在充分考虑了经济、时间、气候以及电网自身影响的基础上,采用灰色关联分析法筛选主要影响因素作为预测模型输入向量。然后,将优化的哈里斯鹰算法融合到核极限学习机的参数优化中,建立了CEHHO-KELM电力负荷预测模型。将某省电力负荷数据及其影响因素数据用于实证分析。仿真结果表明,CEHHO-KELM算法相较于HHO-KELM、LSSVM、KELM算法,能够较好地搜索核极限学习机的参数、更好地平衡全局和局部性能,从而使得KELM预测模型具有更高的预测精度。

计及分布式能源时序不确定性的短期负荷预测技术

随着城镇分布式光伏规模快速增长,其出力的随机波动特性对城镇负荷的影响也不断加剧。传统方法难以准确预测上述场景下的负荷变化规律,不利于电网的安全稳定运行。面对大规模分布式光伏接入的负荷预测场景,文章提出一种考虑分布式光伏影响下的短期负荷预测方法。光伏接入下的电网侧负荷为实际用电负荷与光伏出力之间的差值,因此,文章在构造输入数据之前,首先采用大数据挖掘技术,分析光伏出力和用户侧负荷特性以及二者与各自影响因素之间的相关性,通过特征构造选出相关性较大的影响因素作为负荷预测模型的输入特征集;然后构建融合自注意力机制的LSTM神经网络预测模型,深度挖掘负荷序列特征。采用灰狼算法对预测模型进行优化,确定预测效果最佳的模型。算例分析结果表明,文章所提方法能够有效提高含分布式光伏的净负荷预测精度。

模糊聚类分析和代数算法结合的短期负荷预测

为了提高短期负荷预测速度和精度,提出了将模糊聚类分析和神经网络代数算法相结合的短期负荷预测方法。综合考虑天气、日类型、历史负荷等对未来负荷变化的影响,通过模糊聚类分析选取学习样本,找出同预测日相符的预测类别,采用神经网络代数算法训练样本,对24小时负荷(24点)每点建立一个预测模型。该方法充分发挥了神经网络和模糊理论处理非线性问题的能力,提高了学习效能,而且克服了传统BP算法存在的缺点。算例分析结果表明该方法有较高的预测精度,取得了令人满意的结果。

基于改进Apriori关联分析及MFOLSTM算法的短期负荷预测

电力负荷预测结果的准确性对电力系统安全稳定运行具有重要意义。针对多气象因素影响下的短期负荷预测任务,提出改进Apriori关联度分析及飞蛾火焰优化的长短时记忆神经网络算法的电力负荷短期预测新方法。首先,提出改进Apriori算法分析气象因素与负荷之间的关联程度。依据分析结果除去非必要气象影响因素,并在此基础上引入人体舒适度评价指标。其次,将降维后气象数据结合地区负荷数据作为模型输入。最后,基于长短时记忆神经网络进行短期负荷预测建模,并结合飞蛾火焰优化算法的全局寻优能力来优化模型。通过对某地区负荷数据协同气象数据进行对比预测试验,测试结果表明该负荷预测模型能有效提升地区电网短期负荷预测性能。

Tsne降维可视化分析及飞蛾火焰优化ELM算法在电力负荷预测中应用

电力系统的稳定运行具有负荷平衡的强约束性,准确的电力负荷预测在保证电力系统规划与可靠、经济运行方面具有十分重要的意义,影响着电力系统的诸多决策,如经济调度、自动发电控制、安全评估、维护调度和能源商业化等。该文针对电力负荷预测的多种气象因素影响,提出一种基于Tsne降维可视化分析及飞蛾火焰优化ELM算法(MFOELM)的电力负荷预测新方法。针对影响电力负荷预测的高维气象数据,采用改进的SNE降维可视化分析方法Tsne,解决了数据拥挤造成可视化效果不佳且数据结构易发生改变的问题,通过与Kpca、SNE降维方法的对比实验,证明了Tsne可以更好地将高维气象数据向低维空间映射,较高地保持高维空间中的数据结构并改善数据可视化效果;针对ELM负荷预测模型的局限,利用MFO在求解具有约束和未知搜索空间的复杂问题时具有的优越性对ELM优化,更好地解决了ELM权值输出不稳定,易陷入局部最小值等问题。通过对SAELM、PSOELM、MFOELM三种预测算法进行寻优实验,结果表明MFO不但具有更快的求解速度,而且提高了ELM的预测精度。通过对国际公开的美国日气象数据降维,协同负荷数据进行预测进行对比实验,证明了该文方法的有效性和优越性。该文方法在唐山实际电网负荷预测中应用,为制定合理的电网运行方式提供依据。

基于小波包分析的电力负荷预测算法

提出基于小波包分解和重构的电力负荷预测算法。算法使用具有线性相位的双正交小波对电力负荷数据进行小波包分解和重构 ,然后用神经网络直接对各尺度上的电力负荷分量进行预测 ,最后将各尺度上的预测值相加 ,得到实际负荷预测值。算例表明算法具有较高的预测精度 ,优于传统的 BP神经网络 ,有利于分析不同时频区域的电力负荷特性 。

中长期电力负荷预测的集对分析聚类算法

提出了一种中长期电力负荷预测的集对分析聚类算法。该方法采用集对分析中的同异反模式进行模式识别,并根据聚类分析的基本思想进行分类预测。最后采用福建省年用电量数据进行了实例研究,结果表明该预测方法是有效的。

基于自组织算法与回归分析结合方法的飞行员脑力负荷预测研究

脑力负荷是人机系统中人的绩效的一个重要因素。对飞行员脑力负荷展开研究,为飞机驾驶舱设计及其仪表设备的符合性验证提供参考。通过实验得到生理测量、绩效测量、主观测量的各项指标。利用单因素方差分析法提取对飞行员脑力负荷的敏感指标。结果表明:注视频率、注视总时间、眨眼率、平均瞳孔直径变化率、NASA_TLX(NASA task load index)、正确率的主效应显著(P<0.05)。采用自组织算法GMDH(group method of data handling)与线性回归的结合方法,建立飞行员脑力负荷预测模型;并且得到模型拟合度为85.47%。因此,GMDH与线性回归的结合方法可以较好地预测飞行员脑力负荷。

基于萤火虫算法与BP神经网络的电力系统短期负荷预测

随着社会生活的不断发展,人们日常生活质量的不断提高,电力的使用在日常生活中愈发广泛,在用电需求不断增大的同时,对于电力系统的稳定性和电力调度的精确性也提出更高的要求.在此背景下,精确的电力系统短期负荷预测方式具有重要的实际意义,可以合理地为电力调度提供保障.在实际情形下,许多变量因素也会对发电量产生影响,因此仅使用历年同期发电量数据作为原数据进行预测难以保证预测结果的精确性.本项目创新地将主成分分析运用于数据预处理,并将萤火虫算法与BP神经网络相结合,将温度、湿度、空气质量等重要影响因素纳入负荷预测的考虑范畴并进行预测.根据均方误差结果可知,运用主成分分析将重要变量因素(如温度、湿度)纳入预测范畴能够有效提升负荷预测的准确性.

基于SSA_(n)-SSA_(l)-LSTM的短期空调负荷预测模型

本文提出了一种奇异谱分析(SSA_(n))和麻雀搜索算法(SSA_(l))优化的长短期记忆网络(LSTM)的组合空调负荷预测模型。使用皮尔逊相关系数和主成分分析法对输入特征进行挑选和处理,以消除特征之间的冗余性和相关性。针对空调负荷的波动性和随机性,采用SSA_(n)将空调负荷分解为多个分量。同时针对LSTM超参数设置的问题,采用SSA_(l)对模型进行优化,使用优化后的LSTM对各个分量进行预测,对预测结果进行重构。利用办公建筑和医疗建筑的空调负荷数据对模型进行了验证和分析。研究发现,与其他模型相比,SSA_(n)-SSA_(l)-LSTM模型表现最好,在预测办公建筑空调负荷时决定系数(R^(2))高达0.996 7,平均绝对百分比误差(MAPE)、平均绝对误差(MAE)和均方根误差(RMSE)分别为0.62%、14.42 kW和18.82 kW,在预测医疗建筑空调负荷时R^(2)高达0.992 7,MAPE、MAE和RMSE分别为0.50%、19.40 kW和25.71 kW。

零碳排放下电-气综合能源系统多能负荷预测

电-气综合能源系统中多能负荷之间的耦合程度不断增加,提升了能源系统调度和运行的难度。为此,对零碳排放下电-气综合能源系统多能负荷预测方法进行了研究。分析零碳排放下电-气综合能源系统的运行架构。以气象因素为影响因子,运用灰色关联度分析法获得多能负荷与各因子的相关性。将相关性分析结果与系统历史多能负荷数据共同作为输入数据,构建基础长短期记忆(LSTM)预测模型。结合樽海鞘群算法(SSA)优化模型关键参数,获得优化LSTM预测模型,实现系统多能负荷预测。试验结果表明:冷负荷与电负荷的关联度为0.88;热负荷与电负荷的关联度为0.681;实际预测平均绝对百分误差低于0.45。该方法预测效果理想,为系统最优调度与运行规划奠定了基础。

基于组合模型的天然气管道短期负荷预测

通过灰色关联分析(GRA)确定影响天然气管道短期负荷的主控因素,应用非线性变化策略对粒子群(PSO)算法的惯性权重和加速因子改进,利用优化算法寻找适合长短期记忆网络(LSTM)模型的超参数,形成GRA-IPSO-LSTM的组合模型,并与其余模型对比,以验证其准确性和可靠性。结果表明:根据灰色关联度的大小,可以逐步删减对日负荷影响不大的因素,降低后续预测模型的复杂性;IPSO算法在迭代速度、收敛精度和寻优质量方面均有所提高,降低了LSTM模型超参数人工选取的局限性;该组合模型的平均绝对百分比误差(MAPE)和均方根误差(RMSE)均得到大幅降低,决定系数(R2)和预测精度得到提高,证明了该组合模型可用于天然气管道短期负荷的准确预测。

基于迁移模糊系统的短期电力负荷预测建模

针对电力负荷数据缺失导致预测精度降低的问题,本文提出基于TSK迁移模糊系统(TSK-TFS)结合变分模态分解(VMD)、迁移成分分析(TCA)和改进斑马优化算法(IZOA)的短期电力负荷预测模型(IZOA-VMD-TSK-TFS-TCA)。首先利用VMD将电力负荷数据分解为若干子序列,并利用TCA将与电力负荷相关的因素降维;其次对斑马优化算法进行改进,利用改进后的斑马优化算法(IZOA)对TSK-TFS的参数寻优,并利用减法聚类算法得到聚类个数,把源域中的数据输入TSK模糊系统训练得到前件参数和后件参数并保留,继承参数并利用一部分目标域数据训练得到后件参数;最后根据得到的后件参数并经过计算得到测试集(另一部分目标域数据)若干子序列的预测值,将各个子序列的预测值叠加得到短期电力负荷的预测值。仿真实验结果表明,本文提出的IZOA-VMD-TSK-TFS-TCA短期电力负荷预测模型具有较高的预测精度,经过统计检验也证实了该模型具有较优的预测性能。

考虑特征关联性的ALO-CNN-LSTM短期负荷预测

针对短期负荷预测模型未充分考虑负荷的时序性和非线性以及历史负荷的高冗余性,提出一种考虑特征关联性的ALO-CNN-LSTM短期负荷预测模型。采用卷积神经网络(CNN)获取负荷时间序列高维空间特征。采用Copula函数对天气、湿度等气象因素序列与高维空间特征进行关联性分析,选出相关性较高的特征参量,采用长短期记忆网络(LSTM)获取高维时域特征,同时结合蚁狮优化(ALO)算法训练模型并确定最佳参数,提高模型的收敛速度和预测精度。以电工数学建模竞赛负荷为例进行仿真分析,并对比不同的优化算法和预测模型。仿真结果表明:模型具有较快的收敛速度和较高预测精度,验证模型的有效性以及实用性。