AP-SVM多模型建模的風電場負荷預測

負荷預測是電力系統(tǒng)研究和電網規(guī)劃的重要組成部分。采用隱馬爾可夫模型,訓練過程采用baum-welch算法,在matlab軟件上隱馬爾可夫模型進行訓練,得到負荷特性預測最優(yōu)模型,解碼預測過程采用viterbi算法,通過模型可預測下一年地區(qū)負荷特性。以廣東電網2011年至2016年負荷數(shù)據(jù)作為訓練數(shù)據(jù)對隱馬爾可夫模型進行訓練,并對2017年廣東典型日負荷率進行預測,仿真結果具有較優(yōu)的準確性和計算效率。

提出了一種基于云模型的電力負荷預測模型。利用云模型中的云發(fā)生器,分別將有限的國民生產總值和工業(yè)生產總值的增長率和增長變化率樣本數(shù)據(jù)空間擴充為更具隨機性和普遍性的擴展樣本數(shù)據(jù)。以國民生產總值為例,建立國民生產總值與電力負荷之間的規(guī)則推理,構造云規(guī)則推理器。利用云規(guī)則推理器獲得電力負荷預測增長率,將國民生產總值和工業(yè)生產總值獲得的電力負荷預測增長率進行加權平均,并換算得到最終的電力負荷預測值,獲得的預測結果精度高。

提出了一種基于云模型的電力負荷預測模型.利用云模型中的云發(fā)生器,分別將有限的國民生產總值和工業(yè)生產總值的增長率和增長變化率樣本數(shù)據(jù)空間擴充為更具隨機性和普遍性的擴展樣本數(shù)據(jù).以國民生產總值為例,建立國民生產總值與電力負荷之間的規(guī)則推理,構造云規(guī)則推理器.利用云規(guī)則推理器獲得電力負荷預測增長率,將國民生產總值和工業(yè)生產總值獲得的電力負荷預測增長率進行加權平均,并換算得到最終的電力負荷預測值,獲得的預測結果精度高.

針對小樣本數(shù)據(jù),提出基于gm(1,1)模型進行電力負荷預測模型,并通過實例表明該模型在電力負荷預測中的可行性;開發(fā)了基于gm(1,1)模型的電力負荷預測系統(tǒng),實現(xiàn)了在實際工作中所要求的數(shù)據(jù)錄入、查詢、分析和預測功能。

針對bp模型的計算量大,收斂速度慢等缺點,本文提出了三種改進的bp模型,大大加快了收斂速度,提高了收斂性。并用實際數(shù)據(jù)對這三種改進模型進行了訓練,實例證明了這些改進模型是有效的、可行的。

燃氣短期負荷預測的小波分析綜合模型——城市燃氣負荷預測對于保證燃氣企業(yè)的供氣安全、優(yōu)化調度等具有重要意義。燃氣負荷受天氣、溫度、節(jié)假目及一些隨機因素等影響，很難建立準確的預測模型。為此，根據(jù)h市燃氣短期目負荷變化特點，提出了用于燃氣短期負荷預...

為改善蓄冰中央空調系統(tǒng)控制性能及提高能效,開發(fā)了一種基于遺傳算法的廣義回歸神經網絡模型,用于預測蓄冰中央空調逐時冷負荷.該模型以前一日已知的24h室外溫度為輸入,以次日逐時冷負荷為輸出,在遺傳算法尋優(yōu)網絡平滑因子時,以均方差最小構造適應度函數(shù).該模型克服了利用梯度下降法優(yōu)化平滑因子時易陷入局部極值的缺點,通過對負荷預測值和計算值的比較分析驗證了模型的有效性和精度,可用于蓄冰空調系統(tǒng)的動態(tài)優(yōu)化控制.

針對傳統(tǒng)的灰色模型在負荷增長速度較快時預測精度低的問題,提出了采用交叉遺傳粒子群優(yōu)化算法代替最小二乘法來優(yōu)化gm(1,1)模型中參數(shù)a、b的方法;介紹了灰色預測原理及其數(shù)學模型、cgpso算法及基于cgpso算法的優(yōu)化灰色模型,并根據(jù)實際負荷數(shù)據(jù)進行了仿真實驗。結果表明,在負荷增長速度較快時,優(yōu)化灰色模型的預測精度明顯高于gm(1,1)模型,能夠應用于電力系統(tǒng)的中長期負荷預測,拓展了灰色模型的適用范圍。

灰色系統(tǒng)是部分信息已知、部分信息未知的系統(tǒng)?；疑到y(tǒng)把一般系統(tǒng)理論、信息控制的觀點和方法延伸到社會、經濟等廣義系統(tǒng)，灰色系統(tǒng)理論能更準確地描述社會經濟系統(tǒng)的狀態(tài)和行為。研究基于灰色系統(tǒng)理論的灰色預測模型，對社會經濟系統(tǒng)預測具有重要的意義。由于用電負荷增長情況受經濟發(fā)展、產業(yè)機構、氣候、居民收入水平等諸多因素的影響，其中有一些因素是確定的；而另外一些因素是不確定的，故可以把它看作一個灰色系統(tǒng)。

方法的選擇對電力負荷預測結果至關重要,本文通過對x(1)(1)增加干擾因素β,實現(xiàn)對初始值的優(yōu)化,較已有研究文獻使用x(1)(n)+β方法更加便于理解,保持運算前后一致,同時,改進背景值的設置。通過實例驗證,此方法可以在負荷預測上得到很好的應用,提高預測精度。

精確的年電力負荷預測為電力建設和電網運行提供可靠的指導。受多種因素的影響,年電力負荷曲線呈現(xiàn)出非線性特性,因此年電力負荷預測問題的解決需要建立在非線性模型的基礎之上。廣義回歸神經網絡（grnn）已被證明在處理非線性問題上是非常有效的。該網絡只有一個擴展參數(shù),如何確定適當?shù)臄U展參數(shù)是使用grnn進行預測的關鍵點。提出了一種將多種群的果蠅優(yōu)化算法（mfoa）和grnn相結合的混合年電力負荷預測模型,用以解決上述問題。其中,mfoa用作為grnn電力負荷預測模型選擇適當?shù)臄U展參數(shù)。最后通過模擬實驗數(shù)據(jù)分析,mfoa-grnn模型的年電力負荷預測平均絕對百分比誤差為0.510%,均方誤差為0.281。并且將其結果與差分進化的支持向量機模型（de-svm）、粒子群優(yōu)化的grnn模型（pso-grnn）、以及果蠅優(yōu)化的grnn模型（foa-grnn）的預測結果進行了比較。最終得出,文中所提出的mfoa-grnn模型在年電力負荷預測中的預測性能優(yōu)于上述3種模型。

研究變風量空調負荷準確預測問題,由于變風量空調系統(tǒng)可根據(jù)負荷的需求動態(tài)改變送風量,變風量空調大系統(tǒng)穩(wěn)態(tài)優(yōu)化控制策略可以使系統(tǒng)節(jié)能高效運行,為準確預測負荷,優(yōu)化系統(tǒng),首先分析了影響負荷預測的主要因素,對溫度、相對濕度的預測模型進行改進,提出了一種自適應擾動粒子群算法的bp神經網絡的空調負荷預測模型,加快粒子群算法的收斂速度,提高了空調負荷的預測精度。通過仿真比較,驗證了模型在空調負荷預測中的有效性。

空調系統(tǒng)的負荷與諸多影響因素之間是一種多變量、強耦合、嚴重非線性的關系,且這種關系具有動態(tài)性,因而傳統(tǒng)方法的預測精度不高。而動態(tài)回歸神經網絡能更生動、更直接地反映系統(tǒng)的動態(tài)特性。針對這個特點,建立了基于elman型神經網絡的空調負荷預測模型,并進行了實例預測。文中還比較了elman網絡和bp網絡結構的建模效果,仿真實驗證明了elman神經網絡具有動態(tài)特性好、逼近速度快、精度高等特點,說明elman網絡是一種新穎、可靠的負荷預測方法。

將發(fā)電站視為本征性灰色系統(tǒng),對電力負荷建立灰色預測模型,并根據(jù)實際結果對原始模型進行優(yōu)化。使用序列平移、殘差校正、等維新息等方法提高了模型的精度。在實際應用中證明了預測結果的可信度

基于正交設計和灰色系統(tǒng)理論,提出一種預測年電力負荷的新方法。采用新陳代謝技術和加權最小二乘參數(shù)辨識法對標準gm(1,1)模型進行改進。以背景值系數(shù)α、建模所需數(shù)據(jù)個數(shù)m和加權參數(shù)q作為可控因素,根據(jù)專家經驗設計了三因素三水平正交表。以平均絕對百分比誤差為輸出目標,通過信噪比分析,得出最優(yōu)參數(shù)水平組合,并通過方差分析,進一步得出各可控因素對預測效果的影響程度。對2個電網的負荷進行預測,結果驗證了所提方法的可行性和有效性。

中長期電力負荷預測是規(guī)劃的前提和基礎。以建立線性回歸模型來科學預測電力負荷在未來的變化趨勢及狀態(tài)，通過算例分析，得出利用線性回歸模型進行電力學系統(tǒng)中長期負荷預測取得令人滿意的效果。

針對水電企業(yè)電力負荷預測的困難,提出了一種將ar模型與t-s模糊神經模型相結合的負荷預測新方法。通過對某水電廠近兩年發(fā)電量作的預測表明,該方法具有較好的魯棒性、較高的精度和實用前景

基于空調負荷預測的優(yōu)化控制是解決冰蓄冷控制問題的理想途徑。本文在分析國際建筑物空調負荷預測競賽研究成果的基礎上指出,利用季節(jié)性時間序列模型建模預測精度較高,且工程實施簡便,特別適合于空調系統(tǒng)連續(xù)運行、負荷波動規(guī)律性較強的建筑物負荷預測。本文概要介紹利用季節(jié)性時間序列模型進行建模預測的理論和方法,并通過工程實例驗證了建模方法的有效性。

為了考慮除負荷本身外的其他因素對短期負荷的影響,提出了基于相似度與神經網絡的短期協(xié)同預測模型。該模型首先通過計算負荷曲線的相似度對歷史數(shù)據(jù)進行排序,然后選擇與預測時刻相似度較相近的數(shù)據(jù)對未來時刻的負荷利用相似度進行預測,對于出現(xiàn)的誤差,通過神經網絡結合其他因素進行預測糾正。實驗結果證明,該協(xié)同預測模型較之單純的bp神經網絡預測模型具有較高的預測精度。

針對bp神經網絡、rbf神經網絡和小波神經網絡應用于負荷預測時所遇到的問題,提出了一種基于各種神經網絡的組合預測模型。該模型為單輸出的3層神經網絡,即將3種神經網絡的預測結果作為神經網絡的輸入,將實際負荷值作為神經網絡的輸出,使訓練后的網絡具有預測能力。該模型能降低單個神經網絡的預測風險,提高預測精度。仿真結果表明,所提出的組合預測模型的精度高于其中任一單一網絡模型,也高于傳統(tǒng)的線性組合預測模型。

首次提出了一種基于hht和神經網絡組合的預測模型。負荷數(shù)據(jù)首先經過emd分解,得到一系列imf分量及余項,通過各分量的頻譜觀察,針對低頻imf分量規(guī)律性及周期性強,高頻分量相對較弱的特點,對低頻imf分量選擇合適的預測模型直接進行預測,高頻imf采用多神經網絡組合預測方法。仿真結果表明,文中提出的預測模型的精度高于任一單一模型,并且高于傳統(tǒng)的線性組合預測模型。

電力負荷是受周期性變化以及天氣等因素影響的高度非線性系統(tǒng),而神經網絡僅僅對已學習過的模式具有較好的范化能力。為提高神經網絡的負荷預測精度,提出先對原始負荷序列進行差分運算以除去其周期性影響,然后依據(jù)相似性原理建立rbf神經網絡預測模型,仿真實驗表明采用該方法短期負荷預測精度有所改善。