基于多维度与QGA LSSVM算法的制造业用电量预测

从制造业内部各微观行业出发,设计了与制造业用电密切相关的产品产量、行业投资和景气指数3个维度共35个指标,按相关性原则选取制造业用电量关键影响指标,并采用QGA-LSSVM算法构建制造业用电量预测模型。安徽省制造业季度累计用电量预测实例结果表明,该方法预测结果准确可信,预测效果明显好于基于制造业经济总量和基于非关键影响因素方法,为电力市场和经济运行分析预测人员提供了一种有效手段。     

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GDP-电能消费耦合关系的中长期电量预测

建立了一种基于用电量和GDP之间耦合关系的中长期电量预测模型。首先利用协整检验和格兰杰(Granger)因果检验,剖析电能消费和经济发展之间的协整关系和因果关系,并建立中长期电量预测模型。然后采用误差修正方法对预测模型进行短期调节,以提高模型的鲁棒性以及预测精度。以某地区1991—2015年的用电量和GDP数据作为算例输入数据,结果表明:通过构建电能消费和经济发展之间的耦合关系,有助于提高预测模型的解释能力,同时含短期调节的中长期用电量预测模型具有更高的预测精度。     

采用互信息与随机森林算法的用户用电关联因素辨识及用电量预测方法

随着智能电网的不断发展,电力企业积累的大量数据为用户用电量精细化预测提供了数据基础。针对与用电量预测相关的大数据种类多、体量大、维度高和生成速度快等特点,在研究用户用电特性评价指标的基础上,提出海量用户用电特性子空间聚类分析方法,挖掘用户多种用电模式。根据不同用电模式对用户进行群体划分,并利用互信息矩阵从区域及行业经济数据、气候条件,以及电力价格等方面辨识与用户群体用电量相关联的因素,进而构建基于随机森林算法的用电量大数据预测模型。该文方法可以有效识别不同用户群体的用电关联因素,规避用电模式差异性为用电量预测带来的不利影响。仿真结果表明,该方法具有较高的预测精度,且适用于大数据分析处理。     

基于大用户行为属性挖掘和LS-SVM的钢铁行业用电量预测研究

基于解释结构模型法对区域高耗能行业的大用户行为属性展开分析,提取关键行为属性;通过多因素方差分析找出影响因素的显著性结果。然后构建了最小向量支持向量机(LS-SVM)智能预测模型,以冀北地区为例,在考虑钢铁价格和产量2种用户行为因素的基础上,对区域钢铁行业用电量进行预测。研究结果表明,钢铁行业的钢铁价格及产量与行业用电量的相关性较强,对其影响较大,在对钢铁行业用电量进行预测时应考虑钢铁价格和产量2种因素。LS-SVM智能预测结果表明,该模型具有良好的有效性和可行性,有助于正确判断区域行业用电量变化趋势。     

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。     

用电量等维新息递补预测模型研究与应用

准确预测地区电网年用电量对当地电网发展和电力供给具有重要实际意义,本文应用灰色理论,探讨原始数据预处理技术,还考虑预测系统受到最新信息的影响而发生新的变化趋势,等维递补动态更新预测信息,建立用电量等维新息递补灰色预测模型,基于Matlab平台实现建模预测实际地区电网年用电量,算例表明文中方法是可行的,具有较强的实际应用价值。     

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%。     

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。     

计及经济因素的混合模型电量预测研究

精确的电量预测是进行电网规划和建设的重要依据。为解决月度用电量预测方法思路单一、预测模型通用性不强、预测精度低等问题,通过对区域用电量与经济的历史数据研究分析,提出了一种计及经济因素影响的混合模型月度用电量预测方法。该方法将回归分析法和指数平滑法这两种预测方法相结合,建立电量预测模型,取得了较高的预测精度;最后,将本模型运用于浙江嘉兴地区月用电量预测,结果表明,该模型预测平均绝对百分误差为2. 31%,从而验证了该模型的有效性与通用性。     

基于多变量灰色预测模型的省级电力公司中长期电量预测

目前我国中长期电量预测的结果准确度难以进一步提高,且传统GM(1,1)由于其自身特点,已不再适应近年来全社会用电量变化呈现出的新规律。基于省级电力公司各产业全社会用电量数据,分析了用电量的变化规律。通过挖掘各产业影响用电量变化的因素,分产业建立多变量灰色预测模型,预测了江苏省2016—2018年全社会用电量,预测结果可靠。最后对模型应用的特点进行了总结。     

基于K-L信息量法的安徽省工业用电量预测

针对区域工业用电量与经济指标的相关性,运用K-L信息量法,在月度尺度上筛选出能够指示区域工业用电量变化趋势的经济先行指标,并获得各先行指标的先行期数。以经济先行指标为自变量、区域工业用电量为被因变量建立多元回归模型,根据AIC准则和BIC准则选取最佳拟合方程,得到工业用电量预测模型。运用模型预测安徽省2014年5月-12月的月用电量,结果显示预测精度较高,预测方法可以用于工业用电量预测。     

基于相似度与神经网络的协同短期负荷预测模型

为了考虑除负荷本身外的其他因素对短期负荷的影响,提出了基于相似度与神经网络的短期协同预测模型.该模型首先通过计算负荷曲线的相似度对历史数据进行排序,然后选择与预测时刻相似度较相近的数据对未来时刻的负荷利用相似度进行预测,对于出现的误差,通过神经网络结合其他因素进行预测纠正.实验结果证明,该协同预测模型较之单纯的BP神经网络预测模型具有较高的预测精度.     

融合多元时空信息的Informer-AD大坝变形预测模型

针对大坝变形时间序列预测问题，考虑多测点变形相关性，建立变形量时空多维输入矩阵，提出一种基于K-means聚类融合多元时空信息的Informer-AD大坝变形预测模型。首先，采用K-means聚类对变形测点进行分区；其次，引入面板数据回归模型分析分区结果；最后，提出融合多元时空信息的Informer-AD大坝变形预测模型。利用该模型对空间特征序列进行学习，通过全连接层整合空间特征，输出预测的大坝变形值。将上述预测模型运用于CT混凝土重力坝，结果表明，本文所提出的考虑时空关联性的预测方法充分挖掘大坝变形整体性态与测点空间分布特性的关系，能够更好地捕捉变形时空特性，进而提高预测精度。     

基于电力消耗的行业总产值预测

电力行业是国民经济的基础性能源产业,对其他行业的发展起着至关重要的支撑作用。电力行业本身不存在库存现象进而能够相对真实近乎实时地反映行业经济运行情况,这使得从电力消耗到行业总产值的预测成为可能。针对某省规模以上工业企业基于电力消耗的总产值预测问题展开研究,结合该省2010—2013年近38 000家规模以上工业企业的用电量和总产值数据,利用基于粒子群优化参数的支持向量机建立预测模型。以2010年1月至2013年12月的数据作为训练样本,对2013年8月至2013年12月各行业的总产值进行预测和检验,并与常规交叉验证寻优的支持向量机模型和BP（back propagation）神经网络模型进行对比。结果表明,所采用的方法较其他方法可以更准确、可靠地预测行业总产值,基于用电量的行业总产值预测方法是科学、可行的。     

能耗管理系统不同数据预测模型的比较研究

分析了建筑能耗的影响因素,建立了BP神经网络预测模型,基于径向基网络的预测模型和灰色BP神经网络预测模型。并以上海某大型公司建筑原始用电能耗统计数据作为样本,采用Matlab对预测模型进行仿真预测,分别得到公司建筑用电量峰电、谷电和平电的预测结果。结果表明,灰色BP神经网络预测效果较好。     

基于综合能源计量大数据的中长期用电量预测

用电量预测对智能电网的管理和安全有重要意义。传统方法一般基于历史用电数据本身,而“多表融合”的推广使得多表数据的分析更为便捷。针对用电量预测场景,利用集成智能表采集的水、电、气数据,将用水量与用气量作为特征,提出结合多表数据的中长期用电量预测模型：高斯过程回归（Gaussian process regression,GPR）与相关向量回归（relevance vector regression,RVR）。通过实验结果仿真,验证了所提模型的优势以及综合能源计量数据对用电量预测问题的重要价值。     

基于熵值法的组合模型用电量预测方法研究

电力系统的中长期负荷预测是配电网规划的基础,对实现电网的安全经济运行起着重要作用。以年度用电量预测作为研究的对象,年度用电量预测采用4种主要方法,即分别按照年度、季度、月度和行业用电量预测得到对应年用电量预测值,在此基础上再按其发展序列预测结合起来,建立了一种线性组合预测模型。并采用熵值法对组合模型的权系数进行求解,实证分析表明该模型使预测精度得到了明显提高,具有良好的预测效果。     

基于灰色关联分析及BP算法的用电量预测

用电量是电力系统规划及地区资源配置的重要影响因素,为了提高用电量预测的精度,提出将灰色关联分析法与BP神经网络相结合进行用电量预测。利用灰色关联分析法对影响用电量的主要因素进行分析,确定了3个影响因素并将其作为 BP 网络的输入参数,建立了用电量BP神经网络预测模型;在MATLAB环境下对模型进行训练测试,结果表明该系统收敛速度快、预测精度高,可为用电量的预测提供参考方法。