基于混沌粒子群—高斯过程回归的饱和负荷概率预测模型

发布时间：2018-09-16 20:50

【摘要】：饱和负荷预测能有效预估区域电网的发展方向和最终规模,为电网规划及电力市场中长期交易提供指导。针对饱和负荷预测不确定性强、时间跨度大的特点,文中采用基于高斯过程回归(GPR)的概率预测模型进行饱和负荷预测,并通过改进混沌粒子群算法(MCPSO)实现以和方差(SSE)最小为目标的模型超参数优化求解;在综合考虑饱和负荷影响因素随机性的基础上,建立了改进混沌粒子群—高斯过程回归(MCPSO-GPR)饱和负荷预测模型,并在多情景下利用上述模型进行饱和负荷预测,同时结合饱和判据得到多情景下饱和负荷的规模和时间。算例分析表明,所述模型不仅具有较高的预测精度,而且可增强预测的弹性。
[Abstract]:Saturation load forecasting can effectively predict the development direction and final scale of regional power network, and provide guidance for power network planning and long-term trading in power market. In view of the strong uncertainty and long time span of saturated load forecasting, the probabilistic forecasting model based on Gao Si process regression (GPR) is used to forecast saturated load. Based on the improved chaotic particle swarm optimization (MCPSO) algorithm, the model with minimum variance (SSE) as the objective is solved by super-parameter optimization, and the randomness of the factors affected by saturation load is considered synthetically. An improved chaotic particle swarm optimization and Gao Si process regression (MCPSO-GPR) saturation load forecasting model is established. The above models are used to predict the saturated load in multi-scenarios. At the same time, the scale and time of saturated load under multi-scenario are obtained by combining saturation criterion. Numerical examples show that the proposed model not only has high prediction accuracy, but also can enhance the elasticity of prediction.
【作者单位】： 上海交通大学电子信息与电气工程学院大数据工程技术研究中心;国家电网公司华东分部;
【基金】：国家重点研发计划资助项目(2016YFB0900101)~~
【分类号】：TM715

【相似文献】

相关期刊论文 前10条

1 熊志化,杨海滨,吴云峰,邵惠鹤;基于稀疏高斯过程的热力参数软仪表[J];中国电机工程学报;2005年08期

2 李元诚;王蓓;王旭峰;;基于和声搜索-高斯过程混合算法的光伏功率预测[J];电力自动化设备;2014年08期

3 熊志化,张卫庆,赵瑜,邵惠鹤;基于混合高斯过程的多模型热力参数测量软仪表[J];中国电机工程学报;2005年07期

4 龙健,张叶,李文云,洪贵平;提高认识 做好负荷预测工作[J];云南电力技术;2000年04期

5 钟庆,吴捷,钟丹虹;基于系统论的负荷预测集成化方法[J];电力自动化设备;2002年10期

6 张伏生,刘芳,赵文彬,寇强,刘沛津,曹正建;基于Internet/Intranet的负荷预测系统方案[J];电力系统自动化;2003年10期

7 康重庆;牟涛;夏清;;电力系统多级负荷预测及其协调问题 (一)研究框架[J];电力系统自动化;2008年07期

8 李小锐;黎灿兵;袁彦;;基于下级负荷预测的短期负荷预测新算法[J];江西电力职业技术学院学报;2008年02期

9 李新炜;王子琦;方鸣;周鹏;王启明;李同;鞠平;;基于分区逐时气象信息的全网负荷预测研究[J];电力系统保护与控制;2009年03期

10 康重庆;赵燃;陈新宇;杨兴宇;曹欣;刘梅;;多级负荷预测的基础问题分析[J];电力系统保护与控制;2009年09期

相关会议论文 前10条

1 李小锐;黎灿兵;袁彦;;基于下级负荷预测的短期负荷预测新算法[A];中南七省（区）电力系统专业委员会第二十二届联合学术年会论文集[C];2007年

2 张勇;沈茂亚;;省地一体化负荷预测系统的设计及实现[A];贵州省电机工程学会2010年优秀论文集[C];2010年

3 吴冰;张筱慧;;基于模糊数与多指标灰靶决策理论的小区负荷预测[A];中国农业工程学会电气信息与自动化专业委员会、中国电机工程学会农村电气化分会科技与教育专委会2010年学术年会论文摘要[C];2010年

4 陈昊;吴杰;张钊;;模糊聚类分析在分区负荷预测中的应用[A];江苏省电工技术学会成立十周年庆典暨2004年学术年会论文集[C];2004年

5 屈利;苑津莎;张卫华;李丽;;基于事例推理的负荷预测[A];中国仪器仪表学会第九届青年学术会议论文集[C];2007年

6 韦碧琳;;对河池供电局负荷预测工作的探讨[A];广西电机工程学会第七届青年学术交流会论文集[C];2002年

7 姜晗;;电力需求侧负荷预测的算法[A];2005中国电机工程学会电力系统自动化专委会全国供用电管理自动化学术交流暨供用电管理自动化学科组第二届年会论文集[C];2005年

8 高峰;张川;徐晖;周佃民;翟桥柱;管晓宏;;大型用电企业负荷预测校正方法[A];第二十七届中国控制会议论文集[C];2008年

9 陈颖;吴强;;电力系统母线负荷预测系统在地区调度中的应用[A];第六届电力工业节能减排学术研讨会论文集[C];2011年

10 李延秋;;浅析亳州电网的中期负荷预测[A];华东六省一市电机（电力）工程学会输配电技术研讨会2004年年会论文集[C];2004年

相关重要报纸文章 前5条

1 记者 桑学勇　通讯员 陈铁;黑龙江电力母线负荷预测系统投入试运[N];中国电力报;2009年

2 周渝慧;从方法论看电力负荷管理[N];华中电力报;2007年

3 记者焦军利;河北灌溉负荷预测近300万千瓦[N];中国电力报;2009年

4 王海亚;负荷预测的几种方法及特点[N];黔西南日报;2008年

5 通讯员 施战辽　楼玲俊;机制科学 管理精细[N];中国电力报;2011年

相关博士学位论文 前8条

1 房晟辰;基于高斯过程回归及Trust-Tech的短期风电功率预测方法[D];天津大学;2016年

2 郎坤;电力系统短期负荷预测及经济调度决策优化研究[D];大连理工大学;2016年

3 任海军;基于智能计算的配电网负荷预测方法研究[D];重庆大学;2010年

4 杨奎河;短期电力负荷的智能化预测方法研究[D];西安电子科技大学;2004年

5 张智晟;基于多元理论融合的电力系统短期负荷预测的研究[D];天津大学;2004年

6 韩力;电力系统超短期负荷与运行态势预估的理论与方法研究[D];山东大学;2008年

7 张国江;软计算方法和数据挖掘理论在电力系统负荷预测中的应用[D];浙江大学;2002年

8 孙谦;母线负荷预测技术及负荷特性对电网影响的研究[D];湖南大学;2013年

相关硕士学位论文 前10条

1 王雪茹;基于高斯过程的风电机组部件建模与监测研究[D];华北电力大学;2015年

2 张江帆;基于高斯过程回归模型的锂电池数据处理[D];北京交通大学;2017年

3 叶婧;基于高斯过程回归的锂电池数据处理[D];北京交通大学;2016年

4 牛志强;基于邻域支持向量机的节点负荷立体化预测研究[D];山东大学;2015年

5 刘啸峰;宿州地区负荷特性研究及负荷预测[D];华北电力大学;2015年

6 张毅;义乌电网负荷预测研究[D];华北电力大学;2015年

7 蒋泽浩;基于配电网规划的负荷预测研究与应用[D];南昌大学;2015年

8 胡翼;松江电网主设备负荷预测系统研究与开发[D];上海交通大学;2014年

9 王涛;电网负荷分类盲分离预测系统设计与实现[D];电子科技大学;2015年

10 芦钏;基于南昌电网的多特征量短期电力负荷预测方法研究[D];华北电力大学;2015年

，

本文编号：2244748