基于改进BP神经网络的全社会用电量预测模型研究

采用引入附加动量和自适应学习率的BP(Back Propagation)神经网络来构建全社会用电量预测模型,此模型有效地解决了标准BP神经网络容易陷入局部极小点和收敛速度慢的问题,并且能够很好地解决全社会用电量与其影响因素之间复杂的非线性关系。利用MATLAB7.0对该模型进行了设计,并用设计好的模型对1986~2005年的全社会用电量及GDP数据进行了仿真,仿真结果表明该模型收敛速度快、拟合效果好、泛化能力强、预测精度高。运用该模型对2006年全社会用电量进行了预测,预测结果表明该模型具有一定的实用价值。     

组合模型在中期电力负荷预测中的应用

为了对中期电力负荷进行合理预测,结合三次指数平滑法和GM(1,1)预测模型,建立了新的组合模型,并以预测偏差平方和最小为准则优化了各单一模型的权重.通过MATLAB编程并以某市全年用电量为例对3种方法的预测精度进行了仿真验证.结果表明,组合模型具有更高的预测精度和更低的预测误差,能避免各单一预测模型的局限性.因此,用组合模型对未来用电量进行预测的结果更可靠.     

基于ARIMA和SVR的短期电力负荷预测

为提高用电量的预测精确度,将自回归差分移动平均(ARIMA)与支持向量机(SVR)模型相结合来进行预测。以用电数据为研究对象,借助ARIMA模型实现对电力数据的线性趋势预测,通过SVR回归模型对ARIMA模型的预测残差进行数据修正,得到ARIMA＿SVR模型的预测值。实验结果表明,相较于传统ARIMA模型,ARIMA与SVR组合模型的性能和预测精度都得到大幅提升,具有一定的学术价值和应用意义。     

考虑人口、经济、环境因素的城市电力需求预测

文中以北京市为例,建立了人口、经济、环境、电力消费模型,并进行了仿真及检验,通过模拟可得到2007~2020年北京市用电量、用电结构、电力消费等指标,预测结果与北京市的相关规划目标接近或基本吻合。     

基于ARIMA模型的宁波生活用电总量的实证分析

在现在的科技化社会,电与每个人息息相关,对用电量进行预测并做好调配控制是不可或缺的。通过1978—2011年宁波市生活用电总量数据,利用时间序列分析的方法,对用电量进行建模,发现其内在的规律性。结果显示:宁波生活用电量数据服从异方差的ARIMA(2,2,0)模型,通过该模型对未来几年的用电量进行预测,可以为政府制定相应的政策提供一定的依据。     

基于时间序列分解技术的电力负荷预测乘积模型

电力负荷预测是电力系统安全经济运行的重要保障,其关键是预测方法及预测精度等问题。考虑到电力负荷受到长期趋势、季节变化、周期变动及不规则变动等诸多因素的影响,本文运用时间序列分解方法,建立电力负荷预测的乘积模型,并通过全社会用电量进行预测与检验,结果表明了方法的有效性。     

智能算法在电网负荷预测中的应用研究

负荷预测作为电力系统规划运行的前提,在电力规划设计中无比重要.为了更加准确地预测出各地域各部门的电力负荷,研究将智能算法应用于电力负荷预测之中,这对城市及国家的电力规划设计有很大的意义.研究分别利用灰色预测理论及多元线性回归模型两种算法对芜湖市市辖区的用电量进行负荷预测,并将两种算法的预测精度进行了对比.这两种算法都符合预测的精度要求,且都提高了电力负荷预测的精确度,具有良好的应用前景.     

分布时滞模型在江苏省电力需求预测中的运用

江苏省是东部沿海地区经济发展较快的省份,对电力的需求很大,电力预测显得很重要。本文从江苏省电力资源需求现状入手,以大量的历史数据作为分析基础,利用分布时滞模型有针对性的对江苏省的用电量进行预测。     

产值单耗法在负荷预测中的应用

用产值单耗法预测渑池县2010年用电量,利用年均递增率法、电力弹性系数法、自然增长加大工业负荷法等3种预测方法对产值单耗法预测结果进行了校验.在适用条件、计算难度和适用期限等方面对这几种预测方法进行了分析、比较,重点对产值单耗法的适用范围、优缺点进行了分析评价,提出了一些有益结论,为县级供电企业短中期负荷预测提供了参考.     

基于协整理论和灰色系统理论的上海市电力需求预测

利用协整理论和灰色系统理论,对上海市1995～2012年的全社会用电量进行分析,然后通过方差倒数法对2014～2020年电力需求进行组合预测．结果表明,组合预测的平均相对误差为2．06％,拟合精度较高．     

基于联立方程的需求预测计量经济模型

国民经济对用电量决定性影响，在此基础上，结合宏观经济计量模型，建立了联立方程计量经济模型预测电力需求，结合考虑宏观经济各经济指标对用电终端部门电力需求的影响。详细介绍了模型的原理，并以一个实际算例，预测2000-2006年各终端用电部门的用电量，为电力需求预测提供新方法，新思路。     

基于C-LSTM的短期用电预测模型和应用

基于深度学习下的长短期记忆循环神经网络对家庭短期用电预测进行研究。本研究引入卷积神经网络(convolutional neural network, CNN)和长短期记忆(long short term memory, LSTM)模型结合的混合深度神经网络模型C-LSTM,并在此模型基础上提出多步预测策略。根据对5个真实家庭日常用电数据集的研究,C-LSTM实现了以5 min为单位的家庭电力需求预测。通过不断修改模型参数、完善模型,从本研究提供的3种误差指标的分析来看,C-LSTM预测准确性高于自回归集成移动平均模型、支持向量回归模型和LSTM模型。本研究评价模型预测效果的主要依据是平均绝对百分比误差值(mean absolute percentage error, MAPE), 从试验结果可得C-LSTM 模型在5 min的家庭需求电力预测,比支持向量回归模型提升4.63%,比 LSTM提升22.8%,比自回归集成移动平均模型提升 34.74%。因此,C-LSTM模型为智能电网对家庭层面电需求的准确及时预测提供了保障,对推动个性化用电套餐的广泛普及、减少能源浪费产生重要影响。     

灰色计量经济学模型在中长期电力需求预测中的应用研究

提出了一种基于灰色计量经济学模型的中长期电力系统负荷预测方法。通过在传统计量经济学模型中融入灰色系统模型,改善了传统模型的拟合效果,提高了预测精度。在华北地区某市"十一五"电力需求预测工作中,分别用传统计量经济学模型和灰色计量经济学模型对电力负荷进行了预测,结果表明灰色计量经济学模型具有显著的优越性,是一种实用而有效的电力需求预测方法。     

基于业扩报装的全社会电量预测方法研究

电力系统需求侧业扩报装的容量是分析预测全社会用电量的一个重要参考指标,长期以来,都以定性分析为主,文章以安徽为例,在对相关变量进行季节性分解的基础上,建立业扩报装容量和全省全社会用电量之间的定量关系月度模型。结果表明所建模型预测结果具有较高参考意义,并适用于短期月度电量预测。     

基于半绝对离差的供电公司动态购电组合策略

在存在多个不同类型的电力市场环境下,供电公司需要提前对各个市场的电价进行预测以构造最优购电策略.在现有的研究工作中,一般假设这些市场的电价都服从正态分布并且供电公司的收益的分布函数是连续的,而在实际电力市场中这个假设未必成立.由于负荷需求具有不确定性,购电过程就具有动态特征.在此背景下,采用半绝对离差来描述供电公司的风...     

考虑需求侧协同响应的社区综合能源系统低碳经济调度

针对含电-热-冷-气子系统的综合能源系统中潜在的可调度资源,基于能源集线器,构建了包含燃气轮机发电系统、储能、需求侧响应模型在内的社区综合能源管理系统数学模型。该模型根据电、热、冷、气负荷需求特性的不同,分别建立相应需求响应模型。从社区能源运营商的角度出发,以包含系统运行成本和环境成本的系统总成本最低为目标函数,建立社区综合能源系统日前优化调度模型,采用Yalmip工具箱和Cplex求解器对算例进行求解,得到各个设备的最佳出力。仿真结果表明,对比未考虑需求侧协同响应的场景,电、热、冷、气需求侧响应参与调度可以优化负荷曲线,降低系统能耗,减少CO2排放,并使系统经济性达到最优。     

灰色关联分析及其在电力发展中的应用

电力工业正常发展是维系国家经济建设和人民正常生活水平的基础条件。该文以全国的电力需求量为例,考虑国内生产总值、居民消费水平、固定资产投资、人口数量、财政收入和科技经费支出六项影响电力需求的主要因素,建立电力需求发展的关联指标模型。运用邓氏关联和绝对关联两种关联分析方法,选取1995-2006年的6项全国指标数据对我国的电力需求发展影响程度进行了较详细的系统分析,并将其结果进行分析对比,其方法适用性强,结果可靠。     

电力市场需求叠加预测模型分析

本文运用叠加原理综合分析了电力需求变化的渐进性与周期性两大特点,进而引申出一种更加科学合理的组合式预测技术来解决短期电力需求预测的实际问题,为电力交易提供了有力的依据与指导,从而进一步提高了我国电力市场的运转效率。     

Developing energy forecasting model using hybrid artificial intelligence method

An important problem in demand planning for energy consumption is developing an accurate energy forecasting model. In fact, it is not possible to allocate the energy resources in an optimal manner without having accurate demand value. A new energy forecasting model was proposed based on the back-propagation(BP) type neural network and imperialist competitive algorithm. The proposed method offers the advantage of local search ability of BP technique and global search ability of imperialist competitive algorithm. Two types of empirical data regarding the energy demand(gross domestic product(GDP), population, import, export and energy demand) in Turkey from 1979 to 2005 and electricity demand(population, GDP, total revenue from exporting industrial products and electricity consumption) in Thailand from 1986 to 2010 were investigated to demonstrate the applicability and merits of the present method. The performance of the proposed model is found to be better than that of conventional back-propagation neural network with low mean absolute error.     

电力期货价格的协整建模与预测

在电力市场环境下,电力期货价格受现货价格、利率和负荷需求等多种因素影响,变化趋势复杂,很难将所有的因素都加以考虑来建立一个准确的模型对其进行全面描述．因此,选取最重要的影响因素：电力现货价格,利用协整理论来研究电力期货价格和现货价格之间的动态关系,并建立向量误差修正模型（VECM）,对电力期货价格进行有效的预测．