基于树结构Parzen估计器优化集成学习的短期负荷预测方法

短期负荷预测主要用于电力系统实时调度、日前发电计划的制定,对电力系统经济调度、系统的安全运行具有重要意义.国内外在采用智能模型进行短期负荷预测方面开展了大量研究,然而智能预测方法的预测效果较易受到现存方法结构及参数的影响,以及预测对象自身个性差异使得参数难以复用,如何精准快速地获取方法结构与参数成为短期负荷预测的关键难题.对此,提出基于树结构Parzen估计器优化集成学习的短期负荷预测方法,可对方法结构与参数进行快速寻优.将该方法应用于中国南方某省短期负荷预测,以实际算例验证了其对预测精度的有效提升.

基于数据状态驱动的电力用户智能负荷预测方法研究

提出了基于状态分析的变输入结构SVM预测模型。通过辨识负荷数据中辨识关键的负荷特征,通过存储负荷特征而非原始负荷数据,实现对用户负荷数据的精准高效处理。基于状态分析的变输入结构SVM模型,根据预测日各时段状态预测结果搜索历史相近时段的同状态负荷,并将其作为模型输入因素进行预测,有效克服了用户用电漂移效应给负荷预测造成的干扰,提高了预测精度。