基于多变量时间序列反演自记忆模型的中长期电力负荷预测

电力负荷预测的复杂性、非线性使传统的中长期预测模型难以获得精确的结果。为了提高中长期电力负荷预测准确度,构建了多变量时间序列反演自记忆模型。该模型使用灰色关联分析选取电力负荷变化主要影响因素,采用主要影响因素对电力负荷自身变化过程进行动力方程反演,并结合自记忆模型,实现对电力负荷数据的拟合与预测。在提高预测精度的同时,使预测结果最大程度地体现历史电力负荷数据的内在变化规律,提高拟合和预测的稳定性。为了验证模型的效果,使用1986—2002年某地区全社会用电量数据作为训练样本,进行拟合分析,并预测2003—2006年全社会用电量。拟合和预测的结果证明了该模型在中长期负荷预测中的有效性和可行性。     

基于变化趋势和气象因子的加权负荷预测方法

针对采用趋势变化法预测电力负荷时,存在因未充分考虑气象因素而影响预测精度的问题,提出了一种基于变化趋势和气象因子的加权负荷预测方法。该方法综合考虑气温、湿度和天气类型3个气象因子,对基于变化趋势的电力负荷预测方法进行修正。分析了基于变化趋势的电力负荷预测方法存在的 2 个问题：未考虑外界因素对电力负荷变化趋势的影响和预测电力负荷时存在累计误差。在充分研究日内平均负荷变化率和点间平均负荷变化率的基础上,给出了算法的详细计算步骤,并将其应用于苏北某地区电力负荷的预测算例中。结果表明该方法的预测误差为 3.42%,预测精度高且数据波动小,验证了该方法的有效性和可行性。     

气象因子与敏感负荷分析的新思路

在采用相关度系数分析方法寻找负荷与气象因子间的关系的基础上,提出了用神经网络的方法建立气象敏感负荷与各气象因子间的独立关系模型,最终得到负荷与气象因子的综合模型,并用杭州地区2006年1月至2007年8月的负荷与气象数据对该综合模型进行验证,预测结果表明该方法可行。     

基于气象指标的安徽电网负荷特性分析及研究

电力负荷特性分析是电网调度运行、生产规划的重要组成部分。为充分发掘安徽电网负荷特性与气象因素的关系,首先对安徽电网基础负荷与气象负荷进行分解;然后基于相关系数法进行多维度气象指标主导因素辨识,在此基础上建立气象指标—负荷二次回归模型,获得气象负荷的灵敏度;最后结合2018年安徽气象情况,阐明了安徽电网2018年夏季负荷特性,并对2019年安徽最大负荷做出预测,对安徽电网负荷预测和电力平衡工作具有指导意义。     

基于BP神经网络的电力系统短期负荷预测

电力系统短期负荷预测直接影响电力企业的经济效益。对此,选择预测日前一天的电力负荷和阴晴、温度、湿度等气象特征数据作为网络的输入,预测日当天的电力负荷作为输出,建立了电力系统短期负荷BP神经网络模型。用历史负荷数据作为训练样本,对BP神经网络预测模型进行训练,用训练好的神经网络进行电力系统短期负荷预测。用真实历史数据对新疆某地区进行了电力系统负荷短期预测,结果表明,预测结果与实际值比较接近,1 d96个采样点的负荷预测平均准确率为98.45%。     

Tsne降维可视化分析及飞蛾火焰优化ELM算法在电力负荷预测中应用

电力系统的稳定运行具有负荷平衡的强约束性,准确的电力负荷预测在保证电力系统规划与可靠、经济运行方面具有十分重要的意义,影响着电力系统的诸多决策,如经济调度、自动发电控制、安全评估、维护调度和能源商业化等。该文针对电力负荷预测的多种气象因素影响,提出一种基于Tsne降维可视化分析及飞蛾火焰优化ELM算法(MFOELM)的电力负荷预测新方法。针对影响电力负荷预测的高维气象数据,采用改进的SNE降维可视化分析方法 Tsne,解决了数据拥挤造成可视化效果不佳且数据结构易发生改变的问题,通过与Kpca、SNE降维方法的对比实验,证明了Tsne可以更好地将高维气象数据向低维空间映射,较高地保持高维空间中的数据结构并改善数据可视化效果;针对ELM负荷预测模型的局限,利用MFO在求解具有约束和未知搜索空间的复杂问题时具有的优越性对ELM优化,更好地解决了ELM权值输出不稳定,易陷入局部最小值等问题。通过对SAELM、PSOELM、MFOELM三种预测算法进行寻优实验,结果表明MFO不但具有更快的求解速度,而且提高了ELM的预测精度。通过对国际公开的美国日气象数据降维,协同负荷数据进行预测进行对比实验,证明了该文方法的有效性和优越性。该文方法在唐山实际电网负荷预测中应用,为制定合理的电网运行方式提供依据。     

MATLAB软件在电力负荷预测中的应用

以北京市朝阳区2001至2005年各月的电力需求实际数据为样本,利用MATLAB软件的神经网络工具箱对朝阳区2006年各月的电力负荷进行了预测。随后,根据2006年调研的部分实际负荷,对预测数据的相对误差、绝对误差进行分析。     

基于气象数据降维与混合深度学习的短期电力负荷预测

精确的短期负荷预测能通过预知所需用电负荷来指导电网的调度运行。但电力负荷不仅与用户用电习惯相关，还容易受到温度、湿度等气象因素的影响。因此，文章在现有的使用负荷历史数据基础上，增加了影响区域型电力负荷的气象数据，并考虑高维气象参量数据对预测算法的过拟合问题，提出了基于稀疏核主成分分析(sparse kernel principal component analysis, SKPCA)的高维气象数据降维方法。进而以历史负荷功率和SKPCA重构后主成分为输入，构建了基于卷积神经网络(convolutional neural network, CNN)和长短时记忆(long-short-term memory, LSTM)神经网络的混合深度学习预测模型。CNN-LSTM模型可以同时提取负荷功率及气象数据的空间和时间相关特征，从而全面利用数据的时-空相关性特征，提升负荷功率的短期预测精度。相比于常见的数据降维和负荷预测方法，文章所提方法的数据维度降低了71.43%,预测精度达到了98.92%。结果表明，所提算法融合通过SKPCA降维后的气象数据能够显著提升区域型电力短期负荷预测准确度。     

基于时差辩识原理分析气象累积效应对电力负荷的影响

由于气象因素对负荷影响的程度日益加大,必须深入研究温度、湿度等主要气象因素对电力负荷的影响作用,这对于进行电力负荷控制和管理以及电力系统的安伞经济运行具有重要的意义.利用所掌握的历史负荷数据以及历史气象数据,研究和探讨了多日累积气象因素对于电力负荷的影响,特别是分析了多日累积温度与日最高负荷之间的相关性及变化规律,提出了累积天数的辨识方法,从而得到了气象因素累积效应的数值化模型,由此把握电力负荷在不同气候条件下的变化幅度和发展趋势.希望为今后短期负荷预测工作提供参考.     

基于多层次气象指标体系的电力负荷特性和负荷预测研究

气象因素作为影响电力负荷的主要因素,近年来己成为研究的焦点。本文归纳总结了气象因素在影响电力负荷变化的过程中体现出来的特点,在此基础上建立了多层次气象指标体系,梳理了研究气象对电力负荷影响时的思路,同时,提出了一套利用气象指标体系进行电力负荷特性分析和预测的方法,可依据气象条件得到不同的电力负荷特性预测结果,避免了传统...     

基于皮尔逊相关系数的电网夏季空调负荷预测研究

采用统计分析的方式研究地区电网夏季空调负荷的变化规律,综合考虑空调负荷的影响因素,构建了地区电网夏季空调负荷预测模型。该模型以地区电网负荷变化曲线为基础,实现了对空调负荷曲线的有效分离,随后采用Pearson相关系数考察各类影响因素与日最大空调降温负荷的相关性,通过比较日最大空调降温负荷与各类指标的相关系数,构造出一个能够体现最大空调负荷受本地区气象和社会经济影响较大的"经济气象综合指标",并利用回归分析提炼出空调降温负荷与综合指标的变化规律,最终实现夏季空调负荷的精准预测。基于某地区电网2006—2015年电力负荷及其相关数据,使用该模型预测2016年该地区电网夏季空调负荷,预测结果证明了模型的有效性。     

基于气象敏感预测法的年度最大负荷预测模型研究

首先结合嘉兴地区的具体情况,从影响电力负荷的主要气象因素指标,负荷主导气象因素辨识与灵敏度分析几方面,分析了气象因素对电力负荷的影响;然后提出一种基于气象敏感预测法的年最大负荷预测方法,具体实施中将原网供负荷分解成"基础负荷+气象敏感负荷",对于不同成分的负荷采用不同预测方法;最后将预测的结果与传统方法对比,证明了本方法的优越性。     

基于改进Apriori关联分析及MFOLSTM算法的短期负荷预测

电力负荷预测结果的准确性对电力系统安全稳定运行具有重要意义。针对多气象因素影响下的短期负荷预测任务,提出改进Apriori关联度分析及飞蛾火焰优化的长短时记忆神经网络算法的电力负荷短期预测新方法。首先,提出改进Apriori算法分析气象因素与负荷之间的关联程度。依据分析结果除去非必要气象影响因素,并在此基础上引入人体舒适度评价指标。其次,将降维后气象数据结合地区负荷数据作为模型输入。最后,基于长短时记忆神经网络进行短期负荷预测建模,并结合飞蛾火焰优化算法的全局寻优能力来优化模型。通过对某地区负荷数据协同气象数据进行对比预测试验,测试结果表明该负荷预测模型能有效提升地区电网短期负荷预测性能。     

基于分时体感温度相关性的LSTM 负荷预测算法∗

随着经济的发展,人民生活水平的逐步提高,空调等用电设备的使用量逐年増加,直接导致气象因素对电力负荷的影响越来越大.夏季大量使用空调器带来的调温负荷被证明与气温、湿度、风速等气象因素密切相关.LSTM作为基本模型对电力负荷数据进行预测可最大限度地挖掘数据之间时序性与非线性的关系.但是此网络容易忽略影响因素导致负荷数据突变的情况.基于分钟级别气象因素进行综合建模分析,通过体感温度的变化得到负荷的变化值,并通过LSTM得到负荷的时序预测值,再得到最终的预测值.预测结果表明,该方法能有效提高短期负荷预测精度,是一种有效的负荷预测方法.     

京津唐电网电力日峰荷与气象指数的关联性分析

采用4个气象指数来量化温度、湿度和风速等气象因子对负荷的综合影响。首先通过小波去噪消除负荷和气象数据中的伪数据和噪声,然后采用灰色关联理论分析了负荷与各气象指数之间的关联关系,选择其中关联性最好的气象指数和负荷进行敏感度分析,并采用支持向量机算法对电力日峰荷进行预测。最后介绍了在此基础上开发的京津唐电网电力日峰荷与气象指数关联性分析系统所采用的关键技术。     

台风对广东电力负荷特性的影响

本文分析了2006—2010年对广东地区产生影响的台风活动规律,并对台风对广东电力负荷特性的影响进行了研究,为台风期间进行电力负荷预测提供帮助。     

相空间重构和SVR耦合的短期电力负荷预测

电力系统的短期负荷预测精度对智能电网安全运行有着重要影响,其中预测精度和训练步数至关重要,目前当地气象因素逐渐成为负荷预测中的关注点。以某市短期电力负荷为研究对象,建立了考虑日特征相关因素的支持向量回归机短期电力负荷预测模型,随后对某市考虑气象及日期类型的电力负荷做出预测。研究表明:利用考虑实时气象因素的SVR预测模型对短期电力负荷进行预测精度较高;考虑气象及日期类型的预测误差比不考虑气象及日期的预测误差小;嵌入维数和时间延迟对负荷预测模型精度具有重要影响。     

电力负荷特性与气温关系及其预测

以铜仁市电网06年10月-08年9月每日整点负荷和气温数据为基础,分析了铜仁市电力负荷特性,并对日峰荷与三项气温因子的线性相关性进行了分析,最后提出一种基于相似日和多元线性回归的预测模型。实例预测结果分析表明：该模型简捷实用,对铜仁市电网具有较好的拟合和预测效果,可以将其运用于铜仁市电网日常负荷预测工作之中。     

重庆地区电力负荷特性及其影响因素分析

研究电力负荷变化特性和规律对提高短期负荷预测精度具有重要意义。根据重庆地区近年来收集的历史负荷数据和气象数据等相关信息,分析了年最大和最小负荷及典型日负荷曲线的变化规律,研究了该地区的负荷特性与主要影响因素之间的相互关系,并针对重庆地域特点,分析了各主要影响因素对该地区负荷的影响程度和主要影响时段。研究结果表明,目前温度、降雨量和节假日对重庆地区电力负荷的影响较大,可为研究重庆地区电力短期负荷预测方法和分析未来智能电网的负荷特性提供理论依据。     

基于气象灵敏度分析和特征日修正的短期日负荷曲线预测

短期负荷预测是电力系统运行的基础工作,准确的负荷预测是系统安全稳定运行的重要保障。随着电力市场的不断扩张,气象敏感负荷在负荷总体中所占比例急剧上升,气象成为电力调度部门在制定运行计划时不可忽略的重要因素。提出了一种基于气象灵敏度分析和特征日修正的短期日负荷曲线预测方法,研究季节性气象与负荷的相关性,提取关键气象因素建立回归拟合模型,通过函数求导法得到负荷与关键气象因子的灵敏度;由气象特征判别函数找到待预测日的气象特征日与趋势特征日,结合日负荷极值预测值计算得预测日负荷曲线。最后通过采用我国南方某地区的负荷实际数据,验证了所提方法的准确性和有效性。