电力负荷预测

摘要： 为整体预测未来电力负荷变化趋势,提出一种基于经验模态分解和深度神经网络协作的短时电力负荷预测方法.首先为削弱原始负荷序列的非平稳特性,利用经验模态分解算法对原始负荷序列进行分解,得到各时序分量.在此基础上,构建各分量的深度神经网络预测模型,将分量的预测结果进行重构得到短时电力负荷预测曲线.利用某电厂短时负荷数据对模型的预测效果进行验证,得到其预测结果的平均绝对误差、均方根误差、平均绝对百分比误差分别为402.9518、588.9451、0.0426.对比仿真进一步表明,同等条件下,基于经验模态分解和深度神经网络协作的短时电力负荷预测方法相较于单一的深度神经网络预测方法,在效果上精度更高,可用于对短时电力负荷的预测.

摘要： 电力负荷具有非线性和时序性的特点,为了深入研究各特征变量对于电力负荷预测的重要性,进而获得更高的电力负荷预测精度,提出了基于随机森林(random forest,RF)算法及长短期记忆网络(long short-term memory,LSTM)的混合负荷预测模型。首先根据时间日期因素及气候因素建立高维特征数据集作为随机森林模型的输入,通过随机森林算法筛选出重要特征量,并使其与历史负荷结合作为LSTM模型的输入,经过粒子群算法对LSTM模型进行参数寻优后得到RF-LSTM混合模型及负荷预测结果。使用该方法对河北电网某台区的电力负荷进行预测,结果表明该混合模型的预测精度比未经特征变量筛选的传统单一的随机森林算法、LSTM模型以及BP神经网络更为理想。

摘要： 为提升台风期间电力负荷预测精度,提出基于相似周期与相似日特征的双重相似预测方法,将各类台风天气依据其对负荷产生的影响程度分为无特殊影响台风、影响性台风与破坏性台风,并阐述各类台风特点与预测思路。对于台风期间短期电力负荷预测,采用寻找相似性的方法,从气象变化的相似周期以及综合考虑气象、日期距离、星期类型、季节类型以及台风强度的相似日特征入手,形成基于双重相似机制的台风期间负荷预测方法。以广东省负荷预测为例,在台风“海高斯”期间,所提预测方法实现了预测准确率的提升,验证了方法的有效性。

摘要： 在目前中国的南方电力市场的电量偏差考核机制下,拥有更准确的电力负荷预测技术的售电企业在现在的中长期市场中将会有更少的偏差电量,从而获得成本更低的竞争优势。为了探究在成熟的电力现货市场下,对电力负荷预测有影响的因素有哪些以及如何使用预测模型实现更好的电力负荷预测精度的问题,通过文献梳理归纳出影响电力负荷四类因素:历史负荷数据、气象因素、时间因素、经济因素,构建了考虑多变量因素的长短期记忆网络(LSTM)电力负荷预测模型,以澳大利亚昆士兰州为算例进行预测分析,结果表明基于LSTM的电力负荷预测方法误差相比较于基于ARIMA模型的电力负荷预测方法的误差更低,预测效果更好。而在影响因素当中,算例结果比较显示日期类型对电力负荷预测预测结果影响最强,其次是电价因素,最后是最低与最高温度。该预测方法在相似于美国的PJM电力市场中也可以使用。

摘要： 为提高电力负荷短期预测的精度和稳定性,提出了改进麻雀搜索算法优化BP神经网络的短期负荷预测模型,将麻雀搜索算法中发现者的觅食行为由跳跃式改进为移动式,优化BP神经网络的初始权值和阈值,以某地的电力负荷数据验证预测模型的准确性。结果表明,与标准麻雀搜索算法优化BP神经网络相比,改进麻雀算法优化BP神经网络的预测模型的平均误差降低了4.80%,改进后模型的预测精度更高。

摘要： 深度学习模型通过学习数据的深层特征能够有效提高电力负荷预测的准确率,但同时也带来了超参数较多、模型可解释性差等问题。针对这些问题,文中将深度森林模型引入短期电力负荷预测领域。在多粒度级联森林模型的基础上改进了多粒度窗口扫描方法,调整窗口大小与滑动步长,使模型能够在不同时间尺度下提取电力负荷数据的周期性特征。此外,改进深度森林输出层的计算方法,将输出结果由离散的类向量改进为连续的预测值,进而提高模型的精确度。最后在中国东北电网的实测数据中验证了文中所提出方法的可行性与有效性。从实验结果可知,改进深度森林算法在较高预测精度的情况下能取得更高的准确率,并且相较于深度神经网络具有更快的学习速度。

摘要： 我国电力负荷的快速增加和电网运行环境日趋复杂,对电力负荷预测的准确性和可靠性提出了更高的要求。为了解决电力预测准确率低的问题,提出一种改进支持向量机的电力负荷预测方法。该方法综合考虑了影响电力负荷预测效果的气象因素,采用多元线性回归模型拟合了电力负荷与最高温度、最低温度、平均温度以及相对湿度的关系,找出电力负荷数据的异常点,再使用秃鹰搜索算法优化支持向量机中参数。该方法提高了预测的效果,给电力负荷预测提供了借鉴思路。

摘要： 随着碳交易系统的发展,准确预测电力能源消耗对于能源管理是至关重要的。为实现在缺失天气等多种关键信息下的电力负荷预测,首先采用混沌理论中的相空间重构技术对历史负荷时间序列进行处理,根据排列熵验证混沌特性。并利用8种机器学习模型进行预测与比较,其中包括4种以神经网络为基础的机器学习模型、3种以统计学习为基础的机器学习模型及1种基准模型。其次采用灰色关联度法对预测精度较高的极限学习机(ELM)和极端梯度提升(XGBoost)进行组合,构建了ELM-XGBoost模型。最后将ELM-XGBoost应用于一日至一周内不同时间尺度的负荷预测。结果表明,预测精度随预测时间尺度增加而呈现降低的趋势,且在日负荷预测中,所构建的ELM-XGBoost模型预测精度得到提升,应用效果良好。

摘要： 针对电力负荷序列的非平稳、非线性和长记忆等问题,建立了一种基于变分模态分解(VMD)、考虑变分模态分解残差量情况的长短期记忆神经网络(LSTM)电力负荷预测模型。首先,该预测模型采用VMD算法将归一化后的电力负荷数据分解为一系列本征模态(IMF)分量和残差量;然后,对每个IMF和残差量分别建立LSTM模型进行预测;最后,将各分量预测结果反归一化组合重构得到最终的电力负荷预测结果。使用平均绝对百分误差(MAPE)和均方根误差(RMSE)评价模型,结果表明该模型的预测精度优于LSTM模型和VMD-LSTM模型。

摘要： 电力用户侧短期负荷需求的快速准确预测是实现电网优化调度的基础,只有搞清楚用户侧负荷需求,才能更好实现负荷供给。因电力负荷需求受气象、生产生活等多重因素的影响,而现有方法预测准确度不够高,制约了电网总体运行效率的进一步提高。本文提出了一种基于LightGBM算法的短期电力负荷预测模型,特征输入参数中考虑了气象参数和用户历史用电指标,模型中使用了五折交叉验证法,以提高预测精确度及泛化性,并利用某省的实际电网母线的电力数据,对模型进行训练及验证。结论表明:不同历史数据规模大小的选择对LightGBM模型的预测精度有一定影响,预测数据与实际值相比,平均绝对误差均小于0.3,平均绝对百分比误差均小于0.01%,均方根误差均小于1%。将本文模型和多元线性回归模型及XGBoost模型的预测结果进行对比,证明本文模型具有更高的精确度和预测效果。

摘要： 电力负荷预测是配电网规划的基础。本文对某县城配电网负荷的历史数据进行详细分析，利用线性回归模型预测精度高以及灰色模型对历史数据要求不高的特点，分别对该县城中期及长期电力负荷进行预测，并将预测结果与实际负荷值进行比较，检验预测结果的可信度，结果表明预测方法合理，此方法进行负荷预测的结果作为配电网规划的基础是可行的。在此基础上，对未来十年该县城配电网负荷情况进行预测，并以此负荷预测结果作为十二五期间该县城配电网规划的依据。

摘要： 本文介绍了目前比较通用的电力负荷预测方法。为进一步提高负荷预测的精度,利用人工智能领域中的Multi-Agent技术设计了电力负荷预测支持系统,主要包括人机界面、交互模块、预测模块和集成模块等。系统吸收了回归预测模型、灰色预测模型、时间序列预测模型和人工神经网络预测模型等方法的优点,并且可以在未来进一步扩展,综合更多新的更加先进的电力负荷预测方法的优点,不断提高负荷预测的精度。实例分析结果表明,此系统在同等条件下可以得到精度相对较高的电力负荷预测结果。

摘要： 电力负荷预测对于保证电力工业的健康发展,乃至整个国民经济的发展均有着十分重要的意义。文中建立BP神经网络与遗传算法相结合的电力负荷预测模型,并与传统BP网络模型相对比,验证模型的优越性。最后对未来的基本用电量进行预测与分析。

摘要： 利用灰色预测需要样本数据量少，建模过程简单的特点对中长期电力负荷进行预测，但电力负荷具有突变性，传统GM(1,1)不能及时反映这种变化，有一定的局限性。通过对负荷原始输入数据进行预处理及优化，消除了干扰因素；利用局部残差修正，减小了预测误差，提高了建模精度；同时引入最小二乘的思想，对异常数据进行处理。以河北省秦皇岛市多年历史数据为基础，建立数学模型，通过实际数据计算，表明改进后的灰色负荷预测方法与最小二乘法的结合在预测精度上有明显提高，说明了该方法的有效性和实用性。

摘要： 大用户法充分考虑了宏观经济政策及地区的产业政策,采用统计分析单独预计新增大用户负荷,并用大用户负荷数据修正用一般方法预测的负荷结果.

摘要： 本文介绍了相关向量机（RVM）回归分析的数学模型和其在短期电力负荷预测中的应用， 同时也使用了当前最具代表性的模式识别技术：支持向量机（SVM）作为比较。结果显示 相关向量机不仅得到了比支持向量机更高的准确性，而且在概率性预测、稀疏性和预测计 算时间等方面表现更加优异。最后针对相关向量机的不足进行了讨论。

摘要： 详细描述了智能电弧炉炼钢群负荷预测与控制系统的硬件、功能、模型、应用效果。该系统可以对一个计量单元内的多个炼钢电弧炉和LF精炼炉的总用电负荷进行实时预测，再由控制模型计算控制量，输出给智能电极调节器，实现负荷控制，满足用户在不影响正常生产的情况下，采用最大需量计费方式。该系统已经在某公司炼钢厂投入实际运行，实现了节约基本电费10％的初步目标。

摘要： 详细描述了智能电弧炉炼钢群负荷预测与控制系统的硬件、功能、模型、应用效果。该系统可以对一个计量单元内的多个炼钢电弧炉和LF精炼炉的总用电负荷进行实时预测，再由控制模型计算控制量，输出给智能电极调节器，实现负荷控制，满足用户在不影响正常生产的情况下，采用最大需量计费方式。该系统已经在某公司炼钢厂投入实际运行，实现了节约基本电费10％的初步目标。

摘要： 详细描述了智能电弧炉炼钢群负荷预测与控制系统的硬件、功能、模型、应用效果。该系统可以对一个计量单元内的多个炼钢电弧炉和LF精炼炉的总用电负荷进行实时预测，再由控制模型计算控制量，输出给智能电极调节器，实现负荷控制，满足用户在不影响正常生产的情况下，采用最大需量计费方式。该系统已经在某公司炼钢厂投入实际运行，实现了节约基本电费10％的初步目标。

摘要： 详细描述了智能电弧炉炼钢群负荷预测与控制系统的硬件、功能、模型、应用效果。该系统可以对一个计量单元内的多个炼钢电弧炉和LF精炼炉的总用电负荷进行实时预测，再由控制模型计算控制量，输出给智能电极调节器，实现负荷控制，满足用户在不影响正常生产的情况下，采用最大需量计费方式。该系统已经在某公司炼钢厂投入实际运行，实现了节约基本电费10％的初步目标。

摘要： 本发明涉及基于负荷分解的日前电力负荷预测方法，包括如下步骤：获取待预测日之前连续七天每天的农业、工业、服务业及居民用电的历史负荷数据及负荷预测日气温预测值、相对湿度预测值，分别进行农业、工业、服务业及居民用电的负荷预测，根据各分解负荷预测值，获取待预测日的总负荷预测值；本发明综合考虑不同类型负荷历史变化规律和温度等外界条件，实现负荷分解后的各类负荷预测，有助于提高负荷预测精度，更好指导电力调度。

摘要： 本发明公开了一种计及负荷波动不对称特性的电力负荷预测方法，步骤1：负荷时间序列Ft的分解；步骤2：基于不对称SV模型的负荷预测方法；步骤3：预测及预测效果评价。本发明提供的一种计及负荷波动不对称特性的电力负荷预测方法，通过构造一种不对称随机波动模型，描述负荷波动的不对称性特征，用以更好地发掘蕴藏于负荷时间序列二阶矩的信息，提高电力负荷预测精度。

摘要： 本申请涉及一种电力负荷预测模型的构建方法和电力负荷预测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取电力系统的原始数据；对原始数据进行预处理，得到训练数据集；获取基于贝叶斯优化算法优化得到的超参数最优长短期记忆神经网络模型；将训练数据集输入到超参数最优长短期记忆神经网络模型中进行训练，得到电力负荷预测模型。先进行预处理，筛选掉不符合条件的异常值，避免异常值影响预测模型的准确率，同时贝叶斯优化算法能自动调节模型中的超参数，避免人为主观调参对预测模型精度的影响，且经过优化后的长短期记忆神经网络模型性能较好，收敛效果较好，从而能得到准确的电力负荷预测结果。

摘要： 本发明公开了一种电力负荷预测模型的训练方法、装置及电力负荷预测方法。电力负荷预测模型包括全卷积神经网络FCN和长短期记忆网络LSTM，该训练方法包括：获取当前训练周期的训练数据集，其中，训练数据集包括历史负荷的时间序列数据；将训练数据集中的时间序列数据输入当前训练周期的电力负荷预测模型，得到当前训练周期的电力负荷预测值；基于当前训练周期的电力负荷预测值和当前训练周期的电力负荷真实值，确定当前训练周期的损失函数；根据当前训练周期的损失函数调整当前训练周期的电力负荷预测模型的参数。利用该训练方法得到的电力负荷预测模型可处理大体量的时间序列数据，且具有预测精准度高的优点。

摘要： 本发明适用于电力技术领域，提供了一种电力负荷预测方法、电力负荷预测装置、终端设备及计算机可读存储介质，所述电力负荷预测方法包括：获取历史数据；对获取的所述历史数据进行拟合处理，得到训练数据；创建神经网络模型；以所述训练数据作为所述神经网络模型的数据训练集，对所述神经网络模型进行训练，形成预测训练模型；基于所述预测训练模型进行电力负荷预测。本发明能够提高电力负荷预测的准确性。

摘要： 本申请实施例提供了一种负荷预测模型创建方法及装置、电力负荷预测方法及装置。所述负荷预测模型创建方法包括：获取历史电力负荷特征数据和对应的历史条件数据；确定历史电力负荷特征数据和历史条件数据的分布特征；根据分布特征，建立至少一种初始预测模型；初始预测模型包括历史电力负荷特征数据和历史条件数据之间的关联关系；根据历史电力负荷特征数据和历史条件数据，确定每种初始预测模型是否满足预设的误差条件；根据满足误差条件的初始预测模型，确定出电力负荷预测模型。本申请实施例简化了算法，提高了建模的效率，避免了过拟合现象，使得所创建的电力负荷预测模型的结构简单且拟合效果较好，有利于实现对未来的电力负荷的精确预测。

摘要： 本发明公开了多能源电力推进船舶的电力负荷预测系统，包括：负荷信息采集模块、气候信息采集模块、能量管理全局优化策略制定模块、船舶控制中心显示设备、无线局域网模块与大数据云平台；负荷信息采集模块、气候信息采集模块将历史负荷数据以及海洋气候数据传输至大数据云平台；能量管理全局优化策略制定模块用于为多能源电力推进船舶制定未来航行过程中每小时航行任务以及该航行任务下的平均航速；大数据云平台用于接收通过无线局域网上传的数据信息，完成训练样本集的构建与预测模型的回归建模，最终输出待预测时刻电力负荷预测值。本发明通过丰富的训练集、改进的算法构建预测模型，增加了模型预测的准确性，使得电力负荷预测更加准确。

摘要： 本发明涉及一种基于优化选取典型日负荷曲线的电力负荷预测方法，包括以下步骤：获取负荷原始数据；对负荷原始数据进行预处理，得到特征指标；采用改进后的PFCM算法，与模糊线性判别法(FLDA)相结合，以对预处理后的负荷原始数据进行聚类分析，确定出聚类中心矩阵；确定基准日，根据皮尔森相关系数法，分别计算每个月基准日与各聚类中心的相关性，确定出每个月所属的类别；以每类中隶属度最大的样本点为典型日负荷曲线，基于该典型日负荷曲线进行电力负荷预测，得到相应的预测结果。与现有技术相比，本发明通过改进PFCM算法，并结合FLDA方法，以能够优化选取出与聚类中心更近的典型日负荷曲线，从而有效提高电力负荷预测的准确性。

摘要： 本发明提供了一种基于用户负荷模式分类的短期电力负荷预测方法，所述短期电力负荷预测方法主要包括海量高维数据预处理、用户负荷模式分类器、LSTM模型训练及预测，通过对所有历史样本进行数据预处理、K‑means聚类分析、灰色关联分析、通过K近邻分类算法(KNN)建立分类器以及对不同类型负荷数据采用LSTM神经网络方法建立不同的负荷预测模型，从而得到待预测日的电力负荷特性。本发明提供一种基于用户负荷模式分类的短期电力负荷预测方法，能够迅速准确的得到待预测日的负荷特性，保证电力系统运行和管理的高效和稳定。

摘要： 本发明提供的基于多负荷模式的短期电力负荷预测方法，包括：获取预测区域的负荷历史数据；对负荷历史数据进行分类并形成各负荷模式的负荷曲线；对负荷曲线进行智能分段；构建多种模式的预测模型，并分别对各种负荷模式的各分段负荷进行模拟预测；筛选出各种负荷模式及其分段负荷曲线对应的负荷预测模型，对带预测日的日负荷曲线进行预测，完成日负荷曲线的预测。本发明还提供的应用该方法的预测系统，充分考虑了工作日、周末日和重大节假日负荷曲线的差异，并对待预测负荷区域进行智能分段，根据不同的时段选择相对应的负荷预测模型，获得相应的负荷预测值，最后得到最终的日负荷预测数值，大大提高了负荷预测的精确性，也使得负荷预测更加合理。