基于BP-QR模型的负荷区间预测

摘要
图/表
参考文献
相关文章 (15)

全文: PDF (928 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要为了减少负荷预测中电网运行不确定因素产生的误差,本文结合BP神经网络与分位数回归（QR）算法,提出基于BP-QR模型的负荷区间预测方法,以气象因素与前一日用电负荷值作输入,实现当日负荷区间预测。实验结果表明,该模型能准确反映用电负荷的波动趋势,可实现任意置信水平下的区间预测,为电力调度提供参考信息。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	陈轩伟

关键词 ：负荷预测, 区间预测, 分位数回归, 神经网络

Abstract：This paper combines BP neural network and quantile regression (QR) algorithm to propose a load interval forecasting method to reduce the errors caused by the uncertain factors of power grid operation. The load interval forecasting is realized by the meteorological factors and the previous day's load value. The experimental results show that the model can show the fluctuation trend of electricity load accurately, and provide forecasting intervals under any confidence level.

Key words： load forecasting interval forecasting quantile regression neural network

收稿日期: 2021-10-08

基金资助:厦门大学嘉庚学院校级孵化项目（YM2020L04）

作者简介: 陈轩伟（1994—）,男,福建宁德人,硕士,助教,主要从事智能微电网方面的研究工作。

引用本文:

陈轩伟. 基于BP-QR模型的负荷区间预测[J]. 电气技术, 2022, 23(4): 14-17. CHEN Xuanwei. Load interval forecasting based on BP-QR model. Electrical Engineering, 2022, 23(4): 14-17.

链接本文:

https://dqjs.cesmedia.cn/CN/Y2022/V23/I4/14

[1] 寇伟. 如何建设“三型两网”[J]. 中国电力企业管理, 2019(10): 20-21.
[2] 林天祥, 张宁, 胡军. 基于优化权重的卡尔曼滤波与无偏灰色组合模型的短期负荷预测[J]. 电气技术, 2017, 18(9): 19-23.
[3] 张帅, 杨晶显, 刘继春, 等. 基于多尺度时序建模与估计的电力负荷数据恢复[J]. 电工技术学报, 2020, 35(13): 2736-2746.
[4] FENG Yu, XU Xianfeng, MENG Yun.Short-term load forecasting with tensor partial least squares-neural network[J]. Energies, 2019, 12(6): 990.
[5] 徐扬, 张紫涛. 基于遗传模拟退火算法改进BP神经网络的中长期电力负荷预测[J]. 电气技术, 2021, 22(9): 70-76.
[6] 唐承娥, 韦军. 改进的支持向量回归机在电力负荷预测中的应用[J]. 计算机科学, 2020, 47(增刊1): 58-65.
[7] ZHANG Xiaobo, WANG Jianzhou, ZHANG Kequan.Short-term electric load forecasting based on singular spectrum analysis and support vector machine optimized by Cuckoo search algorithm[J]. Electric Power Systems Research, 2017, 146: 270-285.
[8] 李玉志, 刘晓亮, 邢方方, 等. 基于Bi-LSTM和特征关联性分析的日尖峰负荷预测[J]. 电网技术, 2021, 45(7): 2719-2730.
[9] MOON J, JUNG S, REW J, et al.Combination of short-term load forecasting models based on a stacking ensemble approach[J]. Energy and Buildings, 2020, 216: 109921.
[10] 林珊, 王红, 齐林海, 等. 基于条件生成对抗网络的短期负荷预测[J]. 电力系统自动化, 2021, 45(11): 52-60.
[11] 赖昌伟, 黎静华, 陈博, 等. 光伏发电出力预测技术研究综述[J]. 电工技术学报, 2019, 34(6): 1201-1217.
[12] 贾德香, 吕干云, 林芬, 等. 基于SAPSO-BP和分位数回归的光伏功率区间预测[J]. 电力系统保护与控制, 2021, 49(10): 20-26.
[13] WAN Can, LIN Jin, SONG Yonghua, et al.Pro- babilistic forecasting of photovoltaic generation: an efficient statistical approach[J]. IEEE Transactions on Power Systems, 2017, 32(3): 2471-2472.
[14] 唐戈, 余一平, 秦川, 等. 基于CNN-LSTM分位数回归的母线负荷日前区间预测[J]. 电力工程技术, 2021, 40(4): 123-129.
[15] 陈建宝, 丁军军. 分位数回归技术综述[J]. 统计与信息论坛, 2008, 23(3): 89-96.