基于分区逐时气象信息的全网负荷预测研究

负荷与气象是密切相关的,尤其在夏冬两季.以省网负荷预报为例,在传统的电力负荷预测中,所采用的气象信息一般是全省、全天的气象信息,比如全省最高温度、最低温度等等.当前,气象预报技术已经可以做到分区、逐时预报.该文总体思路是将分区逐时气象预测数据应用于负荷预报,以进一步提高负荷预测精度.指出了按照行政区域和气候区域相结合来分区,定义了基于负荷的综合气象因素,提出了根据网供电与综合气象因素进行预测的策略,给出了将相似日方法与支持向量机相结合的负荷预测方法.最后给出在河南电网应用的实际结果,对比表明采用逐时气象信息的预测精度比采用全天性气象指标的预测精度更高.     

基于精准气象数据的地区电网短期负荷智能预测系统设计

基于分时分区精细化气象数据,研发地区电网短期负荷智能预测系统,实现功率曲线的日前精确预测。该系统的特点在于将网供负荷分解为多种功率分量的叠加,并针对各功率分量特点和影响因素,提供多种特征选择模式、预测方法以及历史参照日,以提高短期负荷预测的精度、自动化程度和工作效率。     

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。     

气象敏感性负荷特性分析及预测

以电网迎峰度冬和迎峰度夏为背景,将电网负荷中的气象敏感负荷作为研究对象,对负荷预测气象指标进行分析,结合天气预报准确性分析,得出累积温度指标的适用性范围。分别采用基于累积温度指标的预测方法和基于综合气象指标的预测方法对气象敏感负荷进行预测,并针对大幅度升温/降温以及天气转化情况时对预测方法进行改进,提出在累积温平均温度变化超过2℃时,宜采用基于累积温度在平日预测时采用变化和平均温度变化加权指标进行负荷预测,在晴雨转换时采用修正后的综合气象指标预测法的综合气象敏感性负荷预测方法。实际算例和应用表明,该预测算法具有更高的准确度,为目前负荷预测提供一定依据。     

基于气象因素粗糙集理论的负荷预测方法

电力负荷受气象因素影响越来越大,如何准确预测负荷中的气象负荷是负荷预测中的一项有意义的课题。本文首先采用粗糙集对影响负荷的气象因素进行规则简约,找到影响负荷的核心气象因素;然后以这些核心因素为坐标寻找与预测日距离最小的历史数据,利用时间序列方法进行预测。经实际系统检验,证明该方法克服了传统气象负荷预测中的主观性,将历史数据的发掘过程量化,便于机器预测。并且预测结果误差小,是一种适用性很强的技术。     

基于改进决策树算法的日特征负荷预测研究

针对决策树ID3算法的缺陷,提出了属性-值对的两次信息增益优化算法,该算法是ID3的改进算法,它能克服ID3算法在选取属性进行扩展时易偏向属性值多的属性及ID3算法属性间相关性考虑较少的缺点;通过对熵阈值的设定,采用预剪枝技术,又能部分克服ID3算法对噪音敏感的不足.该算法可用以生成日特征负荷决策树预测模型.该模型结合预测日的气象、星期等信息,可进行日特征负荷的预测.采用等深直方图分析思想,可对负荷变化率数据离散化,将层次聚类和信息熵相结合,对气象数据离散化.数据预处理后,通过属性-值对的2次信息增益优化算法生成负荷预测决策树模型,在给出预测日气象及星期信息后可对特征负荷进行预测,预测结果能够满足并超过负荷预测实用化标准的要求并具有较高的预测精度.如果将日24点或96点负荷及相应影响因素数据均用该算法进行模型训练,形成24个或96个预测模型,则可进行日24点或96点负荷预测.     

考虑实时气象耦合作用的地区电网短期负荷预测建模

传统的短期负荷预测中并未考虑实时气象因素的耦合作用,针对此提出了考虑实时气象耦合作用的时域卷积网络短期负荷预测方法。首先,分析了各项实时综合气象指数与负荷曲线的相关性,进而构建了混合日特征量与实时气象因素的相似日选取方法。然后,引入各项实时综合气象指数作为模型输入。最后,采用能够充分考虑并包容实时气象因素与负荷"时差性"特点的时域卷积网络进行日前负荷预测建模。实验仿真以某地区电网实际负荷为例,研究表明该预测模型能够有效提升地区电网日前负荷预测精度。     

基于省级电网的短期负荷预测系统的开发

在对吉林省网及其所辖分区电网负荷规律性进行全面分析的基础上，开发了一种基于省级电网的电力负荷短期预测系统。系统包括回归、组合加权等多种预测方法，提供了直接预测与分区汇总两种预测方式，具有对省网负荷及所辖各分区负荷进行规律性评价的子模块，采用数据库形式对历史负荷、预测结果等多种数据进行分类管理，使数据维护更方便。对省网负荷及所辖各分区负荷的预测结果进行了比较，并在此基础上分析了省网及各分区负荷的规律性。该系统界面友好，操作简单，已成功应用于吉林省调度中心。     

基于多重分类器模型的微网短期负荷预测

受电力负荷时间变化规律以及气象、节日等因素的影响,微网孤岛运行负荷极具不确定性。如何保证微网系统能够较准确捕捉负荷需求的变化,提高微网系统对负荷变化的跟踪能力,对微网运行的安全性和稳定性及供电质量都具有重要意义。将神经网络与分类器概念相结合,构成多重分类器系统,对微网进行短期负荷预测,仿真实验证明其对负荷用电值预测的准确度明显高于单一分类器系统。     

基于TCN-LSTM和气象相似日集的电网短期负荷预测方法

为充分挖掘不同气象因素的相似日信息和输入特征蕴含的信息以提升负荷预测精度,提出一种基于时间卷积网络和长短期记忆网络组合（TCN-LSTM）和气象相似日集的电网短期负荷预测方法。首先通过Pearson系数和最大信息系数,选出与负荷强相关的气象因素;然后根据该气象因素,选取最佳相似日组成气象相似日集,以气象相似日集负荷、历史负荷、气象因素和时间因素作为预测模型的输入特征;最后,搭建TCN-LSTM预测模型,用TCN进行特征提取后,再用LSTM网络完成短期负荷预测。以中国某地区的实际历史数据进行仿真验证,结果表明所提预测方法可有效提升负荷预测精度。     

基于小时气象因子的神经网络短期负荷预测模型

目前在短期负荷预测模型中,气象因子的应用主要是其日特征值。负荷对气象因子的响应具有实时性的特点,因此,小时气象因子在负荷预测模型中的应用对提高负荷预测精度具有积极作用。通过分析小时温度、湿度、云量、降水、风等气象因子对电力负荷的影响,并与日气象因子的影响进行对比分析,结果表明:小时气象因子对负荷的影响与日气象因子对负荷的影响特征有很大不同,尤其是在天气发生突然变化时,小时气象因子对电力负荷的影响比日气象因子的影响更加显著。建立了基于小时气象因子的神经网络短期负荷预测模型,预测效果较好。针对目前气象部门对小时气象因子的预测能力及其在实际负荷预测中的应用情况,总结了应用中存在的问题并提出改进策略。     

短期负荷预测中实时气象因素的影响分析及其处理策略

短期负荷预测对于电力系统安全经济运行有着重要的作用,因此,人们一直致力于研究新的预测模型,提高预测精度。目前,实现提高预测精度这个目标的关键是如何更加合理地考虑气象因素对负荷的影响,因为气象敏感负荷在总负荷中所所占的比重越来越大。长期以来,鉴于气象部门无法提供实时温度等气象预测结果,电力系统所建立的预测模型绝大多数都是基于日特征气象因素,诸如日最高温度、最低温度等。针对短期负荷预测,作者剖析了气象因素的影响和作用,分析了处理不同阶段气象因素的策略,并提出了考虑实时气象因素的短期负荷预测新模型,该模型基于神经网络,力图寻求温度、湿度等实时气象因素与负荷曲线之间的相关关系和变化规律。实际应用表明,文中的预测模型和处理策略可以得到更加精确的预测结果。此短期负荷预测新模型也适用于超短期负荷预测。     

电网短期负荷预测的混沌方法

通过计算四川全省电网小时负荷时间序列的混沌特征量：饱和关联维数、最大Lyapunov指数和Kolmogorov熵，论证了该小时负荷序列属于混沌时间序列。以负荷相空间重构为前提，分别应用混沌分析法的相似点模型、线性回归模型及Lyapunov指数模型对其短期负荷预测，并对比了三种模型预测的效果，预测结果表明了混沌预测方法的有效性。     

基于功率谱分解和实时气象因素的短期负荷预测

提出了基于功率谱分解和实时气象因素的短期负荷预测方法，采用快速傅里叶变换(fast Fourier transform，FFT)对负荷序列进行变换得到功率谱，依据变换结果分析功率谱得出负荷基频、低频和高频分量的频率范围，采用有限脉冲响应(finite impulse response，FIR)滤波器从负荷中分离出各 个负荷分量。分析各个负荷分量的特点，针对各个负荷分量分别设计预测模型，对基频分量采用Elman回归神经网络进行预测，这部分较好地反映出基频分量的时间序列特性；对低频和高频分量分别采用自适应线性回归神经网络进行预测，在对这部分分量的预测中重点引入实时气象因素，以利用最新的气象信息提高预测精度。通过在某地区的实际应用证明了所提出方法的有效性。     

基于混合算法的短期负荷预测模糊建模

结合最小二乘（LS）辨识以及一种基于进化规划（EP）和粒子群优化（PSO）的混合进化算法EPPSO,针对对温度比较敏感的夏季负荷,提出一种3阶段短期负荷预测（STLF）算法。在第1阶段,应用LS设计模糊基函数网络（FBFN）完成STLF模糊空间划分;第2阶段,首先拓展FBFN成一阶Sugeno模糊模型,然后应用EPPSO调节其前件参数同时训练后件参数,最后将前述模型用于STLF得出的预测误差看做一个新的时间序列,并仅用气象因素对其进行辨识,可以用回归模型表示该辨识模型,进而应用LS进行辨识。文中提出的STLF模糊建模策略主要贡献于受气象因素影响较大的夏季负荷。仿真部分对浙江省电力公司的实际负荷进行了预测,与其他方法的比较结果证明该方法具有良好的预测性能。     

Enhancement, implementation, and performance of an adaptiveshort-term load forecasting algorithm

An adaptive load forecasting algorithm that was originally developed for the one-hour time period has been extensively enhanced and implemented. The major enhancement is the ability to forecast total system hourly load as far ahead as five days. The focus is on the enhancements and implementation of the algorithm. The purpose is to describe the final form of the forecasting model and the overall forecasting procedure; the procedure for utilizing minimum/maximum daily weather forecasts made by the US Weather Bureau: the offline forecasting accuracy based on four years of historical hourly load and weather data; and the implementation of the algorithm on a desktop computer     

采用分时段模糊技术处理实现的短期负荷预报

采用模糊理论对日负荷曲线预报中的天气因素进行了模糊处理 ,根据季节、气候的不同对天气因素做不同的模糊处理和不同数学模型 ,建立了专家处理系统 ,提高了短期负荷预测的精度。通过对河南省某市级电力系统日负荷曲线的模拟预测 ,虽然仅对天气做了模糊处理 ,但预测结果令人满意。     

采用谱分析建模和基于人工神经网络的短期负荷预测方案

提出了一种基于谱分析法进行建模的短期负荷预测方案,该方案利用负荷历史数据的谱分析结果进行人工神经网络(ANN)模式分类和选择输入变量.方案采用快速傅立叶变换(FFT)进行负荷数据预处理,运用滤波算法及小时负荷曲线的频谱分析来研究电网负荷的周期特性,所得结果表明四季负荷的谱特性具有明显差异,应采用不同的模型和方案进行预测.谱分析有助于各时段预测方案提取输入变量.利用该思路构造的基于人工神经网络的负荷预测方案被用于预测广东省网的负荷,与其他普遍采用的输入变量预测结果的对比表明,所提方案在短期负荷预测中的性能良好.     

A neural-net based short term load forecasting using moving window procedure

An improved neural-net approach based on a combined unsupervised/supervised learning concept is proposed. A ‘moving window’ procedure is applied to the most recent load and weather information for creating training set data base. A forecasting lead time that varies from 16 hours to 88 hours is introduced to produce the short term electric load forecasting that meets requirements of real electric utility operating practice. The unsupervised learning (UL) is used to identify days with similar daily load patterns. A feed forward three-layer neural net is designed to predict 24-hour loads within the supervised learning (SL) phase. The effectiveness of proposed methods is demonstrated by comparison of forecasted hourly loads in every single day during 1991 with data realized in the same period in the Electric Power Utility of Serbia (EPS). A better choice of input features and more appropriate training set selection procedure allow significant improvement in forecasting results comparing with our previous UL/SL concept characterized by a fixed neural-net structure and absence of re-training procedure. The improvement is illustrated by reduction of average error in daily energy forecasting for 0.83% and reduction of 90th percentile of 2.04%.     

基于数值天气预报的母线负荷预测

针对母线负荷量大面广,易受气象变化影响,且传统天气预报与母线负荷之间存在极为松散的地理对应关系,提出了基于数值天气预报和负荷分类的母线负荷预测。通过获取母线负荷所属行政区域,如县、乡或市辖区的地理位置,提取与母线地理位置紧密对应的高精度数值天气预报信息。通过研究母线负荷与气象因素的相关特性,构建了基于数值天气预报和负荷分类预测的母线负荷预测模型。通过对某省母线负荷进行分析预测,验证了该方法的实用、有效性。