基于偏最小二乘回归与比重法的月售电量预测

月售电量的预测受多方面的制约,从影响售电量的因素出发,利用偏最小二乘回归与比重法建立了国民生产总值、人口、社会固定资产投资、人均国民生产总值与售电量的回归预测模型。偏最小二乘方法能够提取若干对系统具有最佳解释能力的综合变量来建立预测模型,该方法与比重法结合应用于月售电量的预测之中,能更好地体现引起月售电量变化的平稳因素、季节突变因素的周期性,使得月售电量的预测更加准确。利用该预测模型对唐山地区2004年的月售电量进行了预测,月售电量的平均相对误差为4．74％,预测精度较高,证明了该预测模型的准确性。     

基于云推理的短期风电功率预测模型

针对风速、风向和风功率之间的关联知识,提出了一种短期风电功率预测的云推理模型。利用云变换将风速等历史数据转换成多个云的定性概念,并用云的合并方法得到跃升概念,再用极大判定法进行概念隶属判定,得到约简数据库,用Apriori算法挖掘得到风速、风向和风功率之间的关联规则,最后形成云推理的规则发生器,利用规则发生器的不确定性推理来完成未来24个小时的风电功率预测。实验得到一系列有稳定倾向的预测值集合,取其期望值与Arima模型和RBF神经网络的预测值比较,相对误差均有不同程度的减小,显示了该模型较高的实用和推广价值。     

气温及抄表时间对售电量的影响

影响售电量的因素有很多,其中气温、抄表时间对售电量影响最大,称为影响售电量的二元因素。通过对历史数据的统计分析,研究气温及抄表时间对售电量产生的具体影响,并阐述售电量预测分析方法。为制定经营指标及经营决策提供有效依据。     

特殊事件对月售电量及其预测的影响分析

特殊事件会使月售电量发生很大变化,导致实际售电量曲线明显偏离典型售电量曲线。然而由不考虑特殊事件的传统预测模型得到的月售电量预测曲线却更接近于典型售电量曲线,这将不可避免地导致月售电量预测精度降低。为解决该问题,本文以异常高温,政治事件和超强台风为例,分析研究了特殊事件对月售电量及其预测的影响。首先,介绍了"互联网+"背景下基于大数据的月售电量预测模型,并对其预测精度进行了评估;其次,针对异常高温、政治事件及超强台风三种特殊事件,描述了各事件的特殊情况,以实际月售电量数据说明了特殊事件对月售电量的影响,然后利用月售电量预测模型研究了特殊事件对月售电量预测的影响,并详细分析了产生这种影响的原因,在此基础上,针对不同的特殊事件提出了相应的初步改善对策。     

基于云推理及加权隐式半Markov模型的变压器故障预测

为分析电力变压器运行过程中的状态变化并准确预测潜伏故障,在现有研究基础上建立了基于云推理及加权半Markov退化模型(HSMM)的变压器故障预测方法.利用云理论对故障变压器油中气体样本数据训练以发掘对应定性云概念,并构建油中气体状态空间.基于变压器运行状态变化规律分析引入老化因子,通过多步长加权方法在Markov链中引入历史运行状态信息,构建了加权HSMM退化模型对变压器运行状态进行预测.若预测DGA表征的变压器运行状态处于异常时,利用构建的云推理组合规则发生器对变压器故障类型进行诊断.多实例分析验证表明:基于加权HSMM退化模型能准确预测变压器运行状态;相较于其它常用预测方法,其在非等间隔观测数据或出现波动情况下鲁棒性及准确性更佳;结合基于云推理机制的故障诊断方法能实现变压器状态的准确预测和故障诊断.     

考虑舒适温度区间和突变量的月售电量预测线性回归模型

常规的月售电量预测线性回归模型存在两点影响预测精度的问题:在考虑温度的影响时忽略了舒适温度区间内不存在采暖和制冷措施的事实;由于随机变动不易量化而忽略了随机变动的影响。为解决上述两点问题,提出两种改进措施:分别选择低温阈值温度与高温阈值温度,且仅当实际温度低于低温阈值温度或高于高温阈值温度才产生采暖措施或制冷措施;提出将随机变动量化的方法,并将其量化值作为月售电量影响因素纳入预测模型。常规的月售电量预测线性回归模型经过改进后,能更好地建立温度与月售电量的关系,同时能合理地考虑随机变动对月售电量的影响,有利于提高预测精度。用重庆市铜梁区实际数据仿真分析,验证了两种改进措施的有效性。     

云模型在电工电子实验考核中的应用

针对电工电子实验考核要素具有模糊性和随机性,将云模型理论应用于电工电子实验考核中,通过利用云发生器实现实验考核标准的定性定量转换和利用多因素综合评判模型进行综合评定得出最终的考核结果.实例表明,该法符合实际且更具有说服力.     

基于云理论和元胞自动机理论的城市配电网空间负荷预测

针对城市电网规划中电力负荷空间分布和时间动态演化预测难题,提出一种采用元胞自动机(cellular automata,CA)模拟城市土地利用的逐年发展过程进而进行城市配电网空间负荷预测方法。该方法基于云模型的知识,将影响因素的定性概念所具有的模糊性、随机性有机地结合在一起,构成定性和定量间的相互映射。综合考虑多种影响负荷发展的因素,运用云理论训练CA转换规则,制定多种转换规则来预测规划区域地块的发展程度。通过应用所提模型和方法对某规划小区负荷发展进行预测及实际对比,验证了其有效性。     

加权马尔可夫链在负荷预测中的应用

利用小波将月售电量序列进行分解,对不受气象因素影响的趋势项和周期项,分别采用趋势外推和周期图法进行预测,对受气象因素影响的随机项,应用模糊聚类的方法确定分级标准,将观测值之间的相关系数作为权值,采用加权马尔可夫模型进行预测,然后进行综合。该法避免了精度较低的月气象资料对负荷预测精度的影响,不仅得到了未来月售电量的具体值,而且得到了其所属的区间,因此更加符合实际。最后给出了预测实例,验证了所提方法的有效性。     

基于云理论的变压器多重故障诊断及短期预测方法

为了对电力变压器在出现异常征兆时基于色谱数据进行短期预测,且在可能存在多重故障类型时能有效诊断,在变压器油色谱分析时引入云理论并进行相应改进。利用云变换算法将故障变压器油色谱数据转换成符合人认知的多个定性云概念,并提出发掘油中气体云概念与故障类型间关系的云推理机制。基于分析油中气体单个检修周期内的变化规律,利用云理论对短期内油中气体变化的期望值进行预测,然后利用改进的云推理预测组合规则发生器推理得到一系列有稳定倾向的故障预测结果,并求解相应的可信度,最终给出可信度大于设定阈值的若干预测结果供选取。多实例分析验证表明,云推理故障诊断能对变压器各故障类型及多重故障准确诊断;云预测模型能在非等间隔时间的数据序列下,对适当波动的油中溶解气体分析(DGA)数据准确预测其短期变化趋势及期望值。     

基于多维特征分析的月用电量精准预测研究

用户用电量的精准预测是智能配用电大数据应用和发展的关键之一。区别于传统的基于行业分类的预测办法,提出基于大数据挖掘技术的用户用电多维度特征识别,以及在此基础上的精准用电量预测方法。基于海量多用户用电特性,建立多维度用电特征评价指标体系。对用户用电特性空间进行聚类和分析,挖掘和识别用电模式。在不同的用电模式下,分别建立用电量时间序列预测模型,避免用电模式差异对预测算法准确性造成的不利影响。该方法适用于大数据平台的分析与处理,算例分析结果表明其相比以往方法能显著提高预测精度和稳定性。     

基于诱导有序加权调和平均算子和马尔科夫链的电量组合预测模型的研究

将诱导有序加权调和平均算子和马尔科夫链相结合,提出一种基于诱导有序加权调和平均算子和马尔科夫链的组合预测模型,该模型可以克服传统的组合预测方法赋予不变的权系数和以单一误差指标作为预测精度衡量的缺陷,同时采用马尔科夫链推出各单项预测模型在各个预测时间点预测精度的状态,从而得到组合模型的权系数。文中首先采用回归法、指数平滑法及灰色预测法分别建立了陕西省某市年用电量单项预测模型,随后引进诱导有序加权调和平均算子和马尔科夫链的概念,建立了年用电量的组合预测模型,并对年用电量进行了实证分析。实例分析表明了新模型能有效地提高组合预测精度,降低预测的风险性,从而证明这种组合模型具有较好的实用性。     

基于机器学习的电力大客户群体月度售电量预测研究

精确的售电量预测对于电力公司合理安排供电计划、科学优化电力资源配置、提高用电管理效率、节约能源降低消耗等方面具有积极作用,电力公司也一直致力于研究售电量、售电收入的变化规律。随着预测技术的不断发展,关于售电量预测的理论以及方法已有很多,但每一种单一预测模型只能从某一方面刻画数据序列的规律,都只能反映序列的部分信息,因此文中提出了一种综合时间序列分析方法以及多种机器学习算法的电力大客户群体月度售电量预测方法,最大程度地利用现有信息,并对某省总售电量的实例进行检验,结果显示,组合预测模型的误差小于多数单一预测模型的误差,有利于提高预测模型的精度,并且预测较为稳定。     

电力市场用电量需求分析预测模型研究

结合广东省某市历史用电量数据,通过行业细分,设计了基于行业用电特性的电力市场用电量需求分析预测模型的总体架构,包括基于大数据平台的云计算技术架构设计,可有效解决“数据孤岛”的弊病。基于该架构和实例分析,讨论了几种常用的电量分析预测方法,包括行业驱动因素法、电力弹性系数法和电力相似月法等,给出了相应的预测过程和预测结果。然后,结合电量分析,进行了行业信用等级评价及景气指数分析模型的研究。最后,基于模型设计,探讨了电网-用户-售电商三方在市场竞争机制下的供需互动关系。所设计的模型可为市场营销服务策略的制定、电费回收、行业信用度评价及预警提供数理依据和模型,提高市场分析决策的能力。     

提高月度售电量预测精度的一种新方法

通过对地区售电量历史数据的研究分析,挖掘出其发展的规律和特点,并创新性地提出了一种月度售电量预测的新疗法该方法在预测某月售电量时,先预测出该月所在季度的季度售电量,再根据占季比和所在季度的季度售电量的预测值,预测出该月的售电量,若该月处于春节影响期将最后给予修正．利用该预测新方法对江苏某市2005年4月至2007年12月的月度售电量进行了预测,预测的平均相对误差为2．35％,顶测精度得到了较大的提高,证明了该预测新方法的准确性和可靠性。     

新建居住区用电报装容量计算方法

为在配电网规划阶段提高地块用电报装容量的快速预测效率和精准度,针对传统方法存在统计工作量大、误差大、计算时序滞后的问题,从传统新建居住区用电报装容量计算方法入手,研究居住区用电报装容量与建筑面积之间的相关性,提出运用回归分析方法计算新建居住区的用电报装容量。通过应用回归方程式计算,用电报装容量精准度的相对误差控制在8.5%以内,实例验证该方法有效。该计算方法是一种快速预测开发地块用电报装容量的方法,可作为供电企业在配网规划阶段进行地块快速负荷预测的工具之一。     

并行自适应混沌优化方法在中长期电量预测中的应用

根据不同地区电量特点将电量、电量增量发展规律进行了分类,给出了相应的电量和电量增量预测模型.基于混沌运动的初值敏感性和对混沌优化搜索过程的分析,提出了并行自适应混沌优化方法.在此基础上,应用并行自适应混沌优化方法确定电量预测模型参数,给出了具体实现步骤和主要措施.实际电网电量预测结果表明:并行自适应混沌优化方法能够更为快速、准确地确定预测模型参数,电量增量预测的精度高于电量预测精度,同时也进一步证实了文中提出的各种预测模型的有效性.     

Electricity demand load forecasting of the Hellenic power system using an ARMA model

Effective modeling and forecasting requires the efficient use of the information contained in the available data so that essential data properties can be extracted and projected into the future. As far as electricity demand load forecasting is concerned time series analysis has the advantage of being statistically adaptive to data characteristics compared to econometric methods which quite often are subject to errors and uncertainties in model specification and knowledge of causal variables. This paper presents a new method for electricity demand load forecasting using the multi-model partitioning theory and compares its performance with three other well established time series analysis techniques namely Corrected Akaike Information Criterion (AICC), Akaike's Information Criterion (AIC) and Schwarz's Bayesian Information Criterion (BIC). The suitability of the proposed method is illustrated through an application to actual electricity demand load of the Hellenic power system, proving the reliability and the effectiveness of the method and making clear its usefulness in the studies that concern electricity consumption and electricity prices forecasts.     

基于变结构协整理论的中长期电力负荷预测模型

提出了一种基于变结构协整理论的电力系统负荷预测建模新方法，所建模型反映了用电量和经济参数之间的长期静态和短期动态波动的均衡关系。提出了一种比较符合电力系统实际情况的时间序列突变点确定方法，并利用突变点信息提高了模型的预测精度，避免了传统的负荷预测中经常存在的伪回归问题。采用该方法对中国年度用电量和国内生产总值数据进行了预测分析，结果表明了该方法的有效性。     

基于多层分解——累加原理的城市综合体月度用电量预测方法

由于存在严重的模型过拟合问题,传统的城市综合体月度用电量单步预测方法往往不能提供准确的预测结果。提出一种基于多层分解-累加原理的城市综合体月度用电量预测方法。该方法首先将城市综合体内部负荷根据其负荷特性细分为3类;然后,针对每一类型的负荷搜集其历史小时用电量数据,并根据数据的星期标签再次分解,以提高多步预测模型的预测精度;接着,使用改进的经验模态分解(improved empirical mode decomposition, IEMD),将用电量序列中不同尺度的波动和趋势特性分离开来,并利用极端梯度提升(extreme gradient boosting, XGBoost)算法对分解后的各分量分别建立对应的多步预测模型;最后将预测结果逐层累加得到月度用电量预测结果。研究结果表明,文章提出的方法能够有效地捕捉城市综合体用电量变化规律,其预测误差精度比传统方法提升了18.2%~34.9%。