基于功率或电量预测的智能配电网统计线损同期化方法

智能配电网中电量采集数据缺失、遗漏导致按月线损统计不是严格意义上的自然月。为解决线损统计不同期问题,提出基于功率或电量预测的方法来改善配网线损统计。通过挖掘售电量数据,提出了一种基于年度售电量的灰色预测结果。再根据季度、月度层级占比得到月售电量的预测方法,与实际值的平均相对误差仅为1.94%,证明此方法简单有效适合电力各部门的广泛应用。将月售电量预测结果应用于线损统计,结合供电比例系数法,改善表计供、售电量不对应的问题,使得同期化,对按月实时分析网损有实际意义。     

基于季节ARIMA模型的华北电网售电量预测研究

研究现有电网售电情况,对售电量进行分析和预测,从而可以对有限的电力资源进行有效分配.介绍了自回归单整移动平均模型及季节ARIMA模型的基本原理,以华北电网2005年1月～2008年4月的月度售电量为基础,运用季节ARIMA模型进行分析,实证结果表明,该方法对售电量的短期预测有较高的预测精度.     

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。     

基于季节调整与神经网络融合算法的售电量预测

正针对月度售电量波动性大、随机性强、精准预测困难的特点,本文构建了一种结合数据预处理(X11加法模型)和BP神经网络算法的预测模型,结合宏观经济及自然环境采用历史售电量、固定资产投资、梯度温度等输入参数进行月度售电量预测。实际结果表明,基于X11-BP神经网络融合算法进行售电量预测,能够较好模拟月度售电量的波动性,比单一BP神经网络预测精度更高,可为电网公司和售电企业生产经营及规划计划管理提供重     

基于相似月和Elman神经网络的行业月度售电量预测

为了提高售电量预测的精度并完善售电量预测体系,提出了一种结合历史相似月的Elman神经网络组合预测模型。利用历史相似月模型可以快速辨别历史数据的特点,通过对各类售电对象的详细数据及外部影响因素分析处理,找到与待预测月目标售电对象相类似的一组历史数据,作为Elman神经网络的输入数据来完成该类售电对象的预测。然后将各售电对象的预测数据组合得到总月度预测售电量。算例仿真研究表明,该组合预测方法与单一Elman神经网络预测方法相比,预测精度更高,收敛性能更好,具有较好的应用前景。     

基于加和比例分配算法的中长期电量预测改进方法

针对中长期电量预测工作中,年度、季度、月度预测结果不统一,以及1、2月供电量因受春节影响而导致预测误差较大的问题,提出了基于加和比例分配算法的电量预测改进方法。加和比例分配算法包括季度加和算法和比例分配算法2部分。首先利用组合预测算法对季度电量数据序列进行预测;然后利用季度加和算法对季度预测值进行加和得到年度预测值;接着利用比例分配算法对季度预测值进行分解,得到月度预测值,从而得到年度、季度、月度的统一预测结果。最后利用某供电局的实际供电量数据对该方法进行校验,结果证明该方法不仅能够得到统一的预测结果,且其预测精度较普通方法更高。     

计及偏差电量考核机制的人工神经网络售电量预测模型

售电量预测的精度决定了售电公司的运营收益。传统售电量预测方法存在未计及偏差电量考核机制的差异、缺少时序相关性与长程依赖性等问题。为此,提出一种计及偏差电量考核机制的人工神经网络售电量预测模型。首先,根据购售电交易时序特点重构特征向量。其次,建立基于季节分解的加权模型(SDW)与双向长短期记忆神经网络(Bi-LSTM)分别对年度双边协商月度分解售电量和月度集中竞价售电量进行预测,基于月度偏差考核规则定义非对称损失函数(ALF),关联反向传播过程与整体收益,使网络输出趋向收益最大化。最后,通过数据集进行算例仿真并比较各项性能指标,验证了该模型相比于传统预测模型经济实用性强,准确度高且稳定。     

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。     

基于双模型组合的月度售电量预测研究

月度售电量蕴含电力供需双方的诸多信息,对其进行精准预测有助于需求侧管理和电网运营的协同提升。首先从必然和偶然两个层面对驱动月度售电量波动的因素作解析,确定该项预测应为惯性预测与非惯性预测的叠加。其次建立组合预测模型,即以售电量年间增长为依据确定"Logistic模型"为惯性预测分模型,以数据样本沿时间轴呈现某种相似性、重复性为依托确定"层次分析-模糊聚类模型"为非惯性预测分模型,并以最小二乘法将二者糅合。最后以某供电公司为背景做案例检验。     

结合X12乘法模型和ARIMA模型的月售电量预测方法

月售电量是具有趋势性、季节性和随机性的非平稳负荷,直接预测难度较大。为解决该问题,结合X12乘法模型与差分自回归移动平均(ARIMA)模型提出一种新的月售电量预测方法。首先,用X12乘法模型将历史月售电量分解为趋势分量、季节周期分量和随机分量,其中趋势分量用ARIMA模型预测,季节周期分量和随机分量分别用加权法和平均法预测;然后,用乘法模型将上述3个分量的预测值还原为最终的月售电量预测值。该方法可避免直接预测月售电量时不同分量间的相互干扰,提高预测精度;最后用重庆市铜梁区实际数据进行仿真分析。仿真结果表明,相对于ARIMA和季节ARIMA模型对月售电量序列直接建模预测的方法,所提方法具有更高的预测精度。     

陕西电网月用电量预测模型的研究

未来年度电网月用电量预测对于电网调度运行非常重要。本文基于月度乘积模型,建立了陕西电网月用电量预测模型,用该模型对陕西电网月用电量进行了预测分析,将预测值与2003年1月至2007年12月期间的实际观测数据对比,年最大误差小于1%,预测精度较高。为准确预测月用电量提供了一种较为可行的分析预测方法。     

基于季节ARIMA模型的月度用电量置信区间预报模型

结合广东某地区用电量预测系统的开发工作,建立了基于季节ARIMA模型的月度用电量置信区间预报模型。该模型可方便求解出含一定置信度的预报结果范围,能体现出月用电量的真实值;时间序列方法的应用,避免了预测其他非用电量的困难。此外,还分析了数据统计中存在着的数据缺失问题及其处理方法。对地区电网月度用电量进行实际预测,取得了理想的结果。     

应用于月度用电量预测的小波分析法

月度用电量预测是中期负荷预测的主要内容,也是制定月度发电规划的基础。文中以美国亚利桑那州为例,采用小波分析法,首先使用小波变换获得若干个采样点减少一半的小波系数;然后分别对各系数插零、重构,恢复到原数据的长度;最后采用RBF神经网络对恢复长度的各系数进行预测。该方法将月度用电量的时间序列分解成趋势项和波动项,分别进行预测,提高了预测精度。     

基于地理探测器的广州市分行业月度用电特点及优化管理

为将广州市电力需求侧管理落实到具体行业,使用地理探测器、用电互补性模型分析2013—2017年共60个月各行业用电特点,在此基础上,通过情景分析方法,从行业、时间角度探索行业用电优化管理路径。基于广州市分行业月度用电特点,抓住行业用电量风向标子行业,利用存在可相互抵消用电波动的用电组合,研究发现：在2017年广州市用电量水平下优化行业用电结构和优化用电时间管理总计可减小约2.25亿kW·h的全社会用电月度峰谷差。未来可通过分行业月度用电预测、结合用电互补性分析测算行业用电调度潜力,为电力需求侧管理水平提高提供数据支撑。     

基于弹性网络模型的月度用电量预测方法

由于现有月度用电量预测所选影响因素较少,无法较为全面地反映与用电量强关联的因素,同时针对高维数据变量筛选和高精度预测等突出难题,文中提出了一种弹性网络用电量预测模型。为了考虑更为全面的影响因素,建立了用电量、气象、经济、交通4类,共340个变量的数据集。首先对8年96个点的高维变量数据进行弹性网络因子筛选,然后使用Granger因果关系分析找出了用电量数据与其它数据的关联关系,对一年范围内的全社会月度用电量使用弹性网络进行预测,预测结果的平均绝对百分误差为3.07%。为验证该模型的有效性,对比向量自回归(VAR)模型,反向传播(BP)模型和最小绝对值收缩和选择算子(Lasso)预测的效果,验证了文中所提方法预测精度较高。     

基于智能加权混合模型的新型电力系统电量预测方法

随着电力系统的转型升级,新型电力系统的能源供应和消费发生了巨大的转变,因此对电量预测提出了更高的要求。月度电量的准确预测为新型电力系统的优化调度和电力市场的营销计划提供可靠的依据。在深入挖掘历史电量数据、综合分析月度电量特征及相关因素影响的基础上,结合Prophet算法和KELM神经网络算法各自的优势,提出了一种考虑气温、经济水平和节假日的月度电量组合预测方法。首先基于月度电量数据建立了Prophet预测模型,并进行了参数调优过程;其次利用KELM神经网络建立了基于历史电量、气温、GDP、节假日信息的预测模型,并通过参数调优确定最佳预测模型;最后,以加权组合的方式,建立月度电量组合预测模型。通过算例分析,比较了组合算法和其他算法的预测误差和预测效果,表明了本文所提组合模型在预测精度方面有所提升,验证了预测算法的有效性。     

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。