AP-SVM多模型建模的風(fēng)電場(chǎng)負(fù)荷預(yù)測(cè)

負(fù)荷預(yù)測(cè)是電力系統(tǒng)研究和電網(wǎng)規(guī)劃的重要組成部分。采用隱馬爾可夫模型,訓(xùn)練過程采用baum-welch算法,在matlab軟件上隱馬爾可夫模型進(jìn)行訓(xùn)練,得到負(fù)荷特性預(yù)測(cè)最優(yōu)模型,解碼預(yù)測(cè)過程采用viterbi算法,通過模型可預(yù)測(cè)下一年地區(qū)負(fù)荷特性。以廣東電網(wǎng)2011年至2016年負(fù)荷數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)對(duì)隱馬爾可夫模型進(jìn)行訓(xùn)練,并對(duì)2017年廣東典型日負(fù)荷率進(jìn)行預(yù)測(cè),仿真結(jié)果具有較優(yōu)的準(zhǔn)確性和計(jì)算效率。

提出了一種基于云模型的電力負(fù)荷預(yù)測(cè)模型。利用云模型中的云發(fā)生器,分別將有限的國(guó)民生產(chǎn)總值和工業(yè)生產(chǎn)總值的增長(zhǎng)率和增長(zhǎng)變化率樣本數(shù)據(jù)空間擴(kuò)充為更具隨機(jī)性和普遍性的擴(kuò)展樣本數(shù)據(jù)。以國(guó)民生產(chǎn)總值為例,建立國(guó)民生產(chǎn)總值與電力負(fù)荷之間的規(guī)則推理,構(gòu)造云規(guī)則推理器。利用云規(guī)則推理器獲得電力負(fù)荷預(yù)測(cè)增長(zhǎng)率,將國(guó)民生產(chǎn)總值和工業(yè)生產(chǎn)總值獲得的電力負(fù)荷預(yù)測(cè)增長(zhǎng)率進(jìn)行加權(quán)平均,并換算得到最終的電力負(fù)荷預(yù)測(cè)值,獲得的預(yù)測(cè)結(jié)果精度高。

提出了一種基于云模型的電力負(fù)荷預(yù)測(cè)模型.利用云模型中的云發(fā)生器,分別將有限的國(guó)民生產(chǎn)總值和工業(yè)生產(chǎn)總值的增長(zhǎng)率和增長(zhǎng)變化率樣本數(shù)據(jù)空間擴(kuò)充為更具隨機(jī)性和普遍性的擴(kuò)展樣本數(shù)據(jù).以國(guó)民生產(chǎn)總值為例,建立國(guó)民生產(chǎn)總值與電力負(fù)荷之間的規(guī)則推理,構(gòu)造云規(guī)則推理器.利用云規(guī)則推理器獲得電力負(fù)荷預(yù)測(cè)增長(zhǎng)率,將國(guó)民生產(chǎn)總值和工業(yè)生產(chǎn)總值獲得的電力負(fù)荷預(yù)測(cè)增長(zhǎng)率進(jìn)行加權(quán)平均,并換算得到最終的電力負(fù)荷預(yù)測(cè)值,獲得的預(yù)測(cè)結(jié)果精度高.

針對(duì)小樣本數(shù)據(jù),提出基于gm(1,1)模型進(jìn)行電力負(fù)荷預(yù)測(cè)模型,并通過實(shí)例表明該模型在電力負(fù)荷預(yù)測(cè)中的可行性;開發(fā)了基于gm(1,1)模型的電力負(fù)荷預(yù)測(cè)系統(tǒng),實(shí)現(xiàn)了在實(shí)際工作中所要求的數(shù)據(jù)錄入、查詢、分析和預(yù)測(cè)功能。

針對(duì)bp模型的計(jì)算量大,收斂速度慢等缺點(diǎn),本文提出了三種改進(jìn)的bp模型,大大加快了收斂速度,提高了收斂性。并用實(shí)際數(shù)據(jù)對(duì)這三種改進(jìn)模型進(jìn)行了訓(xùn)練,實(shí)例證明了這些改進(jìn)模型是有效的、可行的。

燃?xì)舛唐谪?fù)荷預(yù)測(cè)的小波分析綜合模型——城市燃?xì)庳?fù)荷預(yù)測(cè)對(duì)于保證燃?xì)馄髽I(yè)的供氣安全、優(yōu)化調(diào)度等具有重要意義。燃?xì)庳?fù)荷受天氣、溫度、節(jié)假目及一些隨機(jī)因素等影響，很難建立準(zhǔn)確的預(yù)測(cè)模型。為此，根據(jù)h市燃?xì)舛唐谀控?fù)荷變化特點(diǎn)，提出了用于燃?xì)舛唐谪?fù)荷預(yù)...

為改善蓄冰中央空調(diào)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(jīng)網(wǎng)絡(luò)模型,用于預(yù)測(cè)蓄冰中央空調(diào)逐時(shí)冷負(fù)荷.該模型以前一日已知的24h室外溫度為輸入,以次日逐時(shí)冷負(fù)荷為輸出,在遺傳算法尋優(yōu)網(wǎng)絡(luò)平滑因子時(shí),以均方差最小構(gòu)造適應(yīng)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(shí)易陷入局部極值的缺點(diǎn),通過對(duì)負(fù)荷預(yù)測(cè)值和計(jì)算值的比較分析驗(yàn)證了模型的有效性和精度,可用于蓄冰空調(diào)系統(tǒng)的動(dòng)態(tài)優(yōu)化控制.

針對(duì)傳統(tǒng)的灰色模型在負(fù)荷增長(zhǎng)速度較快時(shí)預(yù)測(cè)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(yù)測(cè)原理及其數(shù)學(xué)模型、cgpso算法及基于cgpso算法的優(yōu)化灰色模型,并根據(jù)實(shí)際負(fù)荷數(shù)據(jù)進(jìn)行了仿真實(shí)驗(yàn)。結(jié)果表明,在負(fù)荷增長(zhǎng)速度較快時(shí),優(yōu)化灰色模型的預(yù)測(cè)精度明顯高于gm(1,1)模型,能夠應(yīng)用于電力系統(tǒng)的中長(zhǎng)期負(fù)荷預(yù)測(cè),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(diǎn)和方法延伸到社會(huì)、經(jīng)濟(jì)等廣義系統(tǒng)，灰色系統(tǒng)理論能更準(zhǔn)確地描述社會(huì)經(jīng)濟(jì)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(yù)測(cè)模型，對(duì)社會(huì)經(jīng)濟(jì)系統(tǒng)預(yù)測(cè)具有重要的意義。由于用電負(fù)荷增長(zhǎng)情況受經(jīng)濟(jì)發(fā)展、產(chǎn)業(yè)機(jī)構(gòu)、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(gè)灰色系統(tǒng)。

方法的選擇對(duì)電力負(fù)荷預(yù)測(cè)結(jié)果至關(guān)重要,本文通過對(duì)x(1)(1)增加干擾因素β,實(shí)現(xiàn)對(duì)初始值的優(yōu)化,較已有研究文獻(xiàn)使用x(1)(n)+β方法更加便于理解,保持運(yùn)算前后一致,同時(shí),改進(jìn)背景值的設(shè)置。通過實(shí)例驗(yàn)證,此方法可以在負(fù)荷預(yù)測(cè)上得到很好的應(yīng)用,提高預(yù)測(cè)精度。

精確的年電力負(fù)荷預(yù)測(cè)為電力建設(shè)和電網(wǎng)運(yùn)行提供可靠的指導(dǎo)。受多種因素的影響,年電力負(fù)荷曲線呈現(xiàn)出非線性特性,因此年電力負(fù)荷預(yù)測(cè)問題的解決需要建立在非線性模型的基礎(chǔ)之上。廣義回歸神經(jīng)網(wǎng)絡(luò)（grnn）已被證明在處理非線性問題上是非常有效的。該網(wǎng)絡(luò)只有一個(gè)擴(kuò)展參數(shù),如何確定適當(dāng)?shù)臄U(kuò)展參數(shù)是使用grnn進(jìn)行預(yù)測(cè)的關(guān)鍵點(diǎn)。提出了一種將多種群的果蠅優(yōu)化算法（mfoa）和grnn相結(jié)合的混合年電力負(fù)荷預(yù)測(cè)模型,用以解決上述問題。其中,mfoa用作為grnn電力負(fù)荷預(yù)測(cè)模型選擇適當(dāng)?shù)臄U(kuò)展參數(shù)。最后通過模擬實(shí)驗(yàn)數(shù)據(jù)分析,mfoa-grnn模型的年電力負(fù)荷預(yù)測(cè)平均絕對(duì)百分比誤差為0.510%,均方誤差為0.281。并且將其結(jié)果與差分進(jìn)化的支持向量機(jī)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(yù)測(cè)結(jié)果進(jìn)行了比較。最終得出,文中所提出的mfoa-grnn模型在年電力負(fù)荷預(yù)測(cè)中的預(yù)測(cè)性能優(yōu)于上述3種模型。

研究變風(fēng)量空調(diào)負(fù)荷準(zhǔn)確預(yù)測(cè)問題,由于變風(fēng)量空調(diào)系統(tǒng)可根據(jù)負(fù)荷的需求動(dòng)態(tài)改變送風(fēng)量,變風(fēng)量空調(diào)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(yùn)行,為準(zhǔn)確預(yù)測(cè)負(fù)荷,優(yōu)化系統(tǒng),首先分析了影響負(fù)荷預(yù)測(cè)的主要因素,對(duì)溫度、相對(duì)濕度的預(yù)測(cè)模型進(jìn)行改進(jìn),提出了一種自適應(yīng)擾動(dòng)粒子群算法的bp神經(jīng)網(wǎng)絡(luò)的空調(diào)負(fù)荷預(yù)測(cè)模型,加快粒子群算法的收斂速度,提高了空調(diào)負(fù)荷的預(yù)測(cè)精度。通過仿真比較,驗(yàn)證了模型在空調(diào)負(fù)荷預(yù)測(cè)中的有效性。

空調(diào)系統(tǒng)的負(fù)荷與諸多影響因素之間是一種多變量、強(qiáng)耦合、嚴(yán)重非線性的關(guān)系,且這種關(guān)系具有動(dòng)態(tài)性,因而傳統(tǒng)方法的預(yù)測(cè)精度不高。而動(dòng)態(tài)回歸神經(jīng)網(wǎng)絡(luò)能更生動(dòng)、更直接地反映系統(tǒng)的動(dòng)態(tài)特性。針對(duì)這個(gè)特點(diǎn),建立了基于elman型神經(jīng)網(wǎng)絡(luò)的空調(diào)負(fù)荷預(yù)測(cè)模型,并進(jìn)行了實(shí)例預(yù)測(cè)。文中還比較了elman網(wǎng)絡(luò)和bp網(wǎng)絡(luò)結(jié)構(gòu)的建模效果,仿真實(shí)驗(yàn)證明了elman神經(jīng)網(wǎng)絡(luò)具有動(dòng)態(tài)特性好、逼近速度快、精度高等特點(diǎn),說明elman網(wǎng)絡(luò)是一種新穎、可靠的負(fù)荷預(yù)測(cè)方法。

將發(fā)電站視為本征性灰色系統(tǒng),對(duì)電力負(fù)荷建立灰色預(yù)測(cè)模型,并根據(jù)實(shí)際結(jié)果對(duì)原始模型進(jìn)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(shí)際應(yīng)用中證明了預(yù)測(cè)結(jié)果的可信度

基于正交設(shè)計(jì)和灰色系統(tǒng)理論,提出一種預(yù)測(cè)年電力負(fù)荷的新方法。采用新陳代謝技術(shù)和加權(quán)最小二乘參數(shù)辨識(shí)法對(duì)標(biāo)準(zhǔn)gm(1,1)模型進(jìn)行改進(jìn)。以背景值系數(shù)α、建模所需數(shù)據(jù)個(gè)數(shù)m和加權(quán)參數(shù)q作為可控因素,根據(jù)專家經(jīng)驗(yàn)設(shè)計(jì)了三因素三水平正交表。以平均絕對(duì)百分比誤差為輸出目標(biāo),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(jìn)一步得出各可控因素對(duì)預(yù)測(cè)效果的影響程度。對(duì)2個(gè)電網(wǎng)的負(fù)荷進(jìn)行預(yù)測(cè),結(jié)果驗(yàn)證了所提方法的可行性和有效性。

中長(zhǎng)期電力負(fù)荷預(yù)測(cè)是規(guī)劃的前提和基礎(chǔ)。以建立線性回歸模型來科學(xué)預(yù)測(cè)電力負(fù)荷在未來的變化趨勢(shì)及狀態(tài)，通過算例分析，得出利用線性回歸模型進(jìn)行電力學(xué)系統(tǒng)中長(zhǎng)期負(fù)荷預(yù)測(cè)取得令人滿意的效果。

針對(duì)水電企業(yè)電力負(fù)荷預(yù)測(cè)的困難,提出了一種將ar模型與t-s模糊神經(jīng)模型相結(jié)合的負(fù)荷預(yù)測(cè)新方法。通過對(duì)某水電廠近兩年發(fā)電量作的預(yù)測(cè)表明,該方法具有較好的魯棒性、較高的精度和實(shí)用前景

基于空調(diào)負(fù)荷預(yù)測(cè)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(guó)際建筑物空調(diào)負(fù)荷預(yù)測(cè)競(jìng)賽研究成果的基礎(chǔ)上指出,利用季節(jié)性時(shí)間序列模型建模預(yù)測(cè)精度較高,且工程實(shí)施簡(jiǎn)便,特別適合于空調(diào)系統(tǒng)連續(xù)運(yùn)行、負(fù)荷波動(dòng)規(guī)律性較強(qiáng)的建筑物負(fù)荷預(yù)測(cè)。本文概要介紹利用季節(jié)性時(shí)間序列模型進(jìn)行建模預(yù)測(cè)的理論和方法,并通過工程實(shí)例驗(yàn)證了建模方法的有效性。

為了考慮除負(fù)荷本身外的其他因素對(duì)短期負(fù)荷的影響,提出了基于相似度與神經(jīng)網(wǎng)絡(luò)的短期協(xié)同預(yù)測(cè)模型。該模型首先通過計(jì)算負(fù)荷曲線的相似度對(duì)歷史數(shù)據(jù)進(jìn)行排序,然后選擇與預(yù)測(cè)時(shí)刻相似度較相近的數(shù)據(jù)對(duì)未來時(shí)刻的負(fù)荷利用相似度進(jìn)行預(yù)測(cè),對(duì)于出現(xiàn)的誤差,通過神經(jīng)網(wǎng)絡(luò)結(jié)合其他因素進(jìn)行預(yù)測(cè)糾正。實(shí)驗(yàn)結(jié)果證明,該協(xié)同預(yù)測(cè)模型較之單純的bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型具有較高的預(yù)測(cè)精度。

針對(duì)bp神經(jīng)網(wǎng)絡(luò)、rbf神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)應(yīng)用于負(fù)荷預(yù)測(cè)時(shí)所遇到的問題,提出了一種基于各種神經(jīng)網(wǎng)絡(luò)的組合預(yù)測(cè)模型。該模型為單輸出的3層神經(jīng)網(wǎng)絡(luò),即將3種神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果作為神經(jīng)網(wǎng)絡(luò)的輸入,將實(shí)際負(fù)荷值作為神經(jīng)網(wǎng)絡(luò)的輸出,使訓(xùn)練后的網(wǎng)絡(luò)具有預(yù)測(cè)能力。該模型能降低單個(gè)神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)風(fēng)險(xiǎn),提高預(yù)測(cè)精度。仿真結(jié)果表明,所提出的組合預(yù)測(cè)模型的精度高于其中任一單一網(wǎng)絡(luò)模型,也高于傳統(tǒng)的線性組合預(yù)測(cè)模型。

首次提出了一種基于hht和神經(jīng)網(wǎng)絡(luò)組合的預(yù)測(cè)模型。負(fù)荷數(shù)據(jù)首先經(jīng)過emd分解,得到一系列imf分量及余項(xiàng),通過各分量的頻譜觀察,針對(duì)低頻imf分量規(guī)律性及周期性強(qiáng),高頻分量相對(duì)較弱的特點(diǎn),對(duì)低頻imf分量選擇合適的預(yù)測(cè)模型直接進(jìn)行預(yù)測(cè),高頻imf采用多神經(jīng)網(wǎng)絡(luò)組合預(yù)測(cè)方法。仿真結(jié)果表明,文中提出的預(yù)測(cè)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(yù)測(cè)模型。

電力負(fù)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(jīng)網(wǎng)絡(luò)僅僅對(duì)已學(xué)習(xí)過的模式具有較好的范化能力。為提高神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測(cè)精度,提出先對(duì)原始負(fù)荷序列進(jìn)行差分運(yùn)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(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,仿真實(shí)驗(yàn)表明采用該方法短期負(fù)荷預(yù)測(cè)精度有所改善。