廊坊市气象因素对电力负荷的影响分析

统计分析了廊坊市2009年全年的电力负荷特点以及波动的规律性。运用主成分分析和多元线性回归模型,分析了气象因素与电力负荷的相关情况。结果表明：电力负荷的日、季节及年变化都呈现明显的规律性：全年的电量负荷整体呈现增加的趋势,并且有明显的假期效应;日变化呈双峰型分布;电力负荷与气温及相对湿度均呈明显的相关关系;通过逐步回归分析可知,温度和相对湿度在所选择的气象要素中发挥着主要作用。     

基于相似日和RBF神经网络的短期电力负荷预测

短期电力负荷预测中选取合适的相似日作为训练样本可以简化训练过程并提高预测精度。为了减小积温效应对相似日选取的影响,提出了一种根据综合相似度选取相似日的方法。通过将温度和其他负荷影响因素分别计算相似度,从而根据计算得到的综合相似度来选取相似日。此外,为了提高RBF神经网络的预测效果,将训练样本先用减聚类进行聚类,根据聚类结果设置模糊c-means聚类的初值,运用模糊c-means聚类来优化RBF神经网络的隐含层参数,最后结合相似日和改进RBF神经网络进行短期电力负荷预测。通过实际电力负荷数据的仿真分析验证了所提方法的有效性。     

夏季短期电力负荷预测的MGM（1，n）建模及应用

在对浙江省嘉兴市的历史气象数据进行分析的基础上，提出了一种带气象因素校正的灰色短期负荷预测模型，称为MGM（1，n）模型。实例分析表明，这种方法能较大地提高夏季短期负荷的预测精度，是预测夏季短期电力负荷的一种行之有效的方法。     

短期负荷预测中气象因素的处理策略研究综述

介绍了气象因素的概念,分析了气象因素对电力负荷的影响,从多方面提出并总结评价了目前短期负荷预测中气象因素的处理策略,指出了今后短期负荷预测研究的方向和趋势。认为:考虑多个有合耦作用的气象因素和实时气象因素对短期负荷预测的影响的策略,预测效果较好;在今后的研究当中,需结合待预测地区的实际情况,优先合适的处理策略,保证预测结果可靠。     

自动气象站数据处理系统设计

针对在气象业务中对地面观测资料的统计和应用问题,利用Visual Basic和SQL Server 2000开发了自动气象站数据处理系统。系统可从自动气象站的观测资料中按照固定时间自动地提取数据,并把数据录入数据库。用户可利用数据库查询实时或者历史的相关气象数据,并实现气温、露点温度、相对湿度、气压、风向、风速、降水量等气象要素的统计功能。     

长、短期电力负荷大数据下的智能预测实例分析

电力信息化平台的感知能力与检测精度日益提高,基于电力多维海量数据开展智能算法数据分析与知识挖掘,可高效处理数据,并获取具有指导意义的结论。考虑到不同时期的数据中彼此存在联系,可通过筛选历史时期数据的有效相关信息进行智能算法训练并做出合理预测。通过长、短期记忆网络对实际负荷数据进行预测,验证结果显示,基于长期数据可以较为准确地预测负荷变化情况,平均误差小于5%,对于合理规划电力生产具有一定的指导作用。     

基于面板数据的高速公路机电设备故障多因素预测模型研究

针对高速公路机电设备故障由多种因素引起的问题,对中国北京市2012-2013年6条高速公路每天的机电设备故障以及交通流量、平均温度、相对湿度和风速数据进行了调查,并以机电设备故障为被解释变量,从环境因素和工作负荷中选取交通流量、温度差、相对湿度和风速作为解释变量,分别建立混合回归、个体固定效应和随机效应面板数据模型。然后对数据序列进行单位根检验和协整检验,通过对3个预测模型采用F检验、豪斯曼检验,进行模型比较,选取最优模型。研究结果表明,个体固定效应模型较优,温度差、相对湿度和风速这些因素对机电设备故障具有显著的正效应,交通流量因素对机电设备故障具有显著的负效应;研究结果可以为高速公路机电设备的故障预测和预防性维护提供理论支持。     

基于弹性网降维及花授粉算法优化BP神经网络的短期电力负荷预测

电力负荷预测为电力系统规划和运行提供可靠的决策依据。随着智能电网的全面发展,数据采集与监视控制系统(SCADA)获取数据量增加,数据的结构也更加复杂,负荷的频繁变化以及地区性的气象因素等都将影响负荷的预测的准确性。提出一种弹性网(EN)进行大数据降维以及花授粉算法(FPA)优化BP神经网络的短期电力负荷预测方法。首先采用弹性网对负荷和气象等高维大数据进行选择和降维。弹性网通过在惩罚项中添加L1范数和L2范数,兼具了最小绝对值收缩及变量选择(LASSO)和岭回归的优点,克服了LASSO降维时因为数据内部存在共线性和群组效应而影响降维效果的问题;然后,考虑到BP神经网络权值和阈值容易受到初值的影响、收敛速度慢以及容易陷入局部最优,引入花授粉算法(FPA)优化BP神经网络,通过与粒子群算法(PSO)对比得出花授粉算法寻优速度更快,效果更好。本文方法应用于实际电力负荷预测,结果表明能有效提高预测精度。     

基于改进深度稀疏自编码器及FOA-ELM的电力负荷预测

智能电网的发展使得电网获取的数据逐渐增多,为了从多维大数据中获取有用信息并对短期内电力负荷进行准确的预测,提出了一种基于改进的深度稀疏自编码器(IDSAE)降维及果蝇优化算法(FOA)优化极限学习机(ELM)的短期电力负荷预测方法。将L1正则化加入到深度稀疏自编码器(DSAE)中能够诱导出更好的稀疏性,用IDSAE对影响电力负荷预测精度的高维数据进行特征降维,消除了指标间的多重共线性,实现高维数据向低维空间的压缩编码。采用FOA优化算法优化ELM的权值和阈值,得到最优值,能够克服因极限学习机随机选择权值和阈值导致预测精度低的缺点。首先将气象因素通过IDSAE降维,得到稀疏后的综合气象因素特征指标,协同电力负荷数据作为FOA优化的ELM预测模型的输入向量进行电力负荷预测。通过与DSAE-FOAELM、DSAE-ELM和IDSAE-ELM等模型的对比实验,证明了提出的预测模型能有效提高预测精度,经计算得出预测精度提升大约8%。     

高阶灰色预测模型在短期电力负荷预测中的应用研究

考虑到电力负荷的指数性增长和周期性变化的特点,基于灰色预测理论,建立了三阶电力负荷短期预测模型,给出了电力系统短期负荷预测的主要步骤。通过算例分析,验证了该方法的有效性。     

BP算法在电力系统短期负荷预测中的应用

针对电力负荷短期预测问题,提出了一种基于相似日的神经网络预测方法,在建立具体模型时,对于24点负荷预测,采用24个单输出的神经网络来分别预测每天的整点负荷值,具有网络结构较小,训练时间短的优点,考虑了不同小时类型的负荷差异,具有较高的预测精度.分析了如何采用BP多层感知器的隐层数及隐层单元数.最后对四川省电力公司某区一条线路的供电负荷进行短期负荷预测仿真,仿真结果表明其具有较好的预测精度.     

基于模糊神经网络的电力负荷短期预测

电力系统短期负荷预测是电力部门的一项重要工作,它对合理安排机组启停、确定燃料供应计划、进行电力交易等都具有重要的意义.应用模糊神经网络结合遗传算法实现预测系统通过对历史数据的自适应学习建立的模糊预测模型,算法上采用改进的BP算法.通过MATLAB仿真分析了该预测系统的优越性和准确性.     

基于支持向量机的短期负荷预测

提出一种基于支持向量机的电力系统短期负荷预测方法,将SVM引入短期负荷预测,通过不断输入新的负荷数据来更新回归函数,以获得更快的计算速度和较好的预测精度,利用佛山地区的历史负荷作为训练数据,结果证明了该方法能在一定程度上提高电力负荷的预测精度。     

基于对比格兰杰因果关系的热轧带钢头部拉窄根因诊断

提出了基于相异度指标和对比格兰杰因果关系分析的热轧带钢头部拉窄根因诊断模型。采用核熵成分分析对原始数据进行特征提取，在降维基础上实现非线性关系下的相异度评估，判定生产状况是否异常；建立对比格兰杰因果关系模型，通过大量正常工况下的批次数据得到各因果关系的允许波动范围，并作为对应因果关系是否异常的标准，进而确定最终故障根因；最后，利用大量实际生产数据建立热轧带钢头部拉窄根因诊断模型，验证了方法的有效性。结果表明，该方法具有较好的性能，能够准确检测出异常批次并定位根因。     

基于深度学习的矿井电力短期负荷预测方法

短期电力负荷预测能准确评估出煤矿的整体电力负荷变化情况,保证煤矿供电系统的安全与可靠运行。由于煤矿电力负荷预测受多种因素影响,难以实现精确预测,文章针对此问题,基于深度学习理论,提出了一种卷积神经网络(CNN)和双向门控循环单元(BiGRU)相结合的矿井电力短期负荷预测方法,并用于煤矿的实际电力负荷预测中。首先,构建了煤矿电力负荷预测的混合学习模型;然后,给出了数据处理方法,设计了模型评判指标,搭建了仿真平台并进行了多种算法的分析与对比;最后,基于组态软件开发了电力监控与预测系统,并应用于煤矿实际监控中。经现场试验表明,设计的方法可以实现对矿井短期电力负荷的准确预测,为煤矿电力系统的安全运行提供准确的决策支撑。     

面向智能物联的动态负荷预测量子进化方法

物联网与智能制造的结合导致大量制造数据的产生,为了实现基于大数据的智能制造电力负荷预测,提出并实现了一种智能物联云计算平台,实现用户与智能物联网之间双向通信控制的快速响应。提出一种基于改进外加输入的自回归滑动平均模型的短期动态负荷预测模型,结合平台中的智能传感设备和历史负荷、天气变化等综合数据,作为预测模型的外部输入变量,并利用改进的实数编码量子进化算法对预测模型进行参数估计以提高动态负荷预测的准确性。利用智能制造企业的实际负荷数据,采用所提方法进行预测并与实际负荷数据及传统方法的预测结果进行比较,实验结果表明,所提方案和算法能够有效提高智能制造过程中短期动态负荷预测的精度,同时通过并行化计算提升负荷预测的速度。     

基于VMD-LSTM模型的短期电力负荷预测研究

经典的电力负荷预测方法,例如回归预测法、时间预测法、指数平滑法等结构过于简单、拟合精度较差,预测效果不明显。为了提高短期电力负荷预测的精确度,建立了一种将变分模态分解（VMD）和LSTM算法相组合的短期负荷预测模型（VMD-LSTM）。使用VMD将原始负荷数据分解为数个有限带宽的模态分量,以降低原始负荷的复杂度,而且不会发生模态混叠现象,提高数据清晰度,然后每个模态分别构建一个LSTM模型进行预测,最后把每个分量的结果相加得到最终的预测值。通过仿真实验,将VMD-LSTM组合模型和其他几个单一模型进行比较,发现VMD-LSTM模型的预测精度更高,误差更小,能够更好地应用于短期电力负荷预测。     

基于动态反馈的多元参数回归空调负荷预测控制方法

针对目前常用的空调负荷预测算法中精度与实用性的问题,提出多重负荷预测的方法:负荷的趋势预测模型和精确预测模型。趋势预测模型用于预测24 h内各时刻的负荷,建立基于气象、历史和时间参数长期和短期多元参数回归模型,并引入预测控制方法中反馈校正和滚动优化的方法,并对误差采用一次平滑法。采用遍历搜索法,寻找最优误差,反馈给模型进行修正。每滚动一次,舍去旧值,引入新值,并重新寻优一次误差,直至完成预测。精确预测用于下一个时刻的负荷,利用相似日的历史负荷建立二阶ARX模型,对气象负荷进行第一次修正,再利用前一日的负荷建立一阶ARX模型,对预测负荷进行第二次修正,利用滚动优化进行动态反馈修正。利用某小区的实际数据进行测试,预测结果满足精度要求。     

气象灾害预警及服务系统在宁德电网的应用

着重论述了气象在电力调度中所发挥的作用,并分析当前气象服务存在的问题。介绍了宁德电网气象灾害预警及服务系统,该系统通过整合地区气象信息,实时查看地区天气情况和未来滚动天气预报,并能根据未来天气情况对水库入库流量进行较为准确的预测,提高负荷预测准确率。     

改进人工蜂群优化神经网络的短期负荷预测

准确的短期负荷预测能够减少发电机组停机备用和旋转备用,其预测效果直接影响电网的安全稳定和经济效益.针对BP神经网络初值敏感、易陷入局部最优的缺点,提出了一种改进人工蜂群算法优化BP神经网络的负荷预测方法.首先融合负荷数据与温度、湿度等天气数据并进行高斯滤波处理,再采用搜索位置更新实现人工蜂群算法的改进,利用其算法完成BP网络权值和阈值的优化,最后建立用于短期负荷预测的优化模型,并通过实例进行仿真验证.结果 表明:该改进预测模型与传统BP算法相比预测精度及收敛速度均有大幅提高,具备工程实用价值.