加权马尔可夫链在负荷预测中的应用

利用小波将月售电量序列进行分解,对不受气象因素影响的趋势项和周期项,分别采用趋势外推和周期图法进行预测,对受气象因素影响的随机项,应用模糊聚类的方法确定分级标准,将观测值之间的相关系数作为权值,采用加权马尔可夫模型进行预测,然后进行综合.该法避免了精度较低的月气象资料对负荷预测精度的影响,不仅得到了未来月售电量的具体值,而且得到了其所属的区间,因此更加符合实际.最后给出了预测实例,验证了所提方法的有效性.     

结合X12乘法模型和ARIMA模型的月售电量预测方法

月售电量是具有趋势性、季节性和随机性的非平稳负荷,直接预测难度较大。为解决该问题,结合X12乘法模型与差分自回归移动平均(ARIMA)模型提出一种新的月售电量预测方法。首先,用X12乘法模型将历史月售电量分解为趋势分量、季节周期分量和随机分量,其中趋势分量用ARIMA模型预测,季节周期分量和随机分量分别用加权法和平均法预测;然后,用乘法模型将上述3个分量的预测值还原为最终的月售电量预测值。该方法可避免直接预测月售电量时不同分量间的相互干扰,提高预测精度;最后用重庆市铜梁区实际数据进行仿真分析。仿真结果表明,相对于ARIMA和季节ARIMA模型对月售电量序列直接建模预测的方法,所提方法具有更高的预测精度。     

基于TRAMO-SEATS的月售电量预测方法及应用

为提高月售电量预测准确度,引入TRAMOS-SEATS季节调整方法和Hodrick-Prescott滤波法将月售电量分解为趋势分量、季节分量、循环分量和不规则分量,消除了各分量之间的相互影响。采用ARIMA方法对趋势分量进行预测,采用Holt-Winters加法模型对季节分量进行预测,采用历史同期同类平均值法对循环分量和不规则分量进行预测,最后得到月售电量预测结果。应用实际算例对月售电量进行预测并与实际数据进行对比,验证法方法的正确性与有效性。     

售电量分类预测模型及其软件开发

为了进行有效而高质量的售电量预测,根据实际电力系统电价和影响因素的不同,将售电量分为五类,运用人工神经网络中的误差反向传播算法,利用重庆某地区历年来的月温度和月售电量等数据建立起最佳预测模型进行学习训练,并用重庆某供电局2006年的售电量实际值和预测值进行校验.最后利用MATLAB平台开发出了实用化的售电量分类预测软件.实际算例的分析表明,售电量分类预测比售电量总体预测具有更好的预测精度和实用价值.     

考虑舒适温度区间和突变量的月售电量预测线性回归模型

常规的月售电量预测线性回归模型存在两点影响预测精度的问题:在考虑温度的影响时忽略了舒适温度区间内不存在采暖和制冷措施的事实;由于随机变动不易量化而忽略了随机变动的影响。为解决上述两点问题,提出两种改进措施:分别选择低温阈值温度与高温阈值温度,且仅当实际温度低于低温阈值温度或高于高温阈值温度才产生采暖措施或制冷措施;提出将随机变动量化的方法,并将其量化值作为月售电量影响因素纳入预测模型。常规的月售电量预测线性回归模型经过改进后,能更好地建立温度与月售电量的关系,同时能合理地考虑随机变动对月售电量的影响,有利于提高预测精度。用重庆市铜梁区实际数据仿真分析,验证了两种改进措施的有效性。     

提高月度售电量预测精度的一种新方法

通过对地区售电量历史数据的研究分析,挖掘出其发展的规律和特点,并创新性地提出了一种月度售电量预测的新疗法该方法在预测某月售电量时,先预测出该月所在季度的季度售电量,再根据占季比和所在季度的季度售电量的预测值,预测出该月的售电量,若该月处于春节影响期将最后给予修正．利用该预测新方法对江苏某市2005年4月至2007年12月的月度售电量进行了预测,预测的平均相对误差为2．35％,顶测精度得到了较大的提高,证明了该预测新方法的准确性和可靠性。     

特殊事件对月售电量及其预测的影响分析

特殊事件会使月售电量发生很大变化,导致实际售电量曲线明显偏离典型售电量曲线。然而由不考虑特殊事件的传统预测模型得到的月售电量预测曲线却更接近于典型售电量曲线,这将不可避免地导致月售电量预测精度降低。为解决该问题,本文以异常高温,政治事件和超强台风为例,分析研究了特殊事件对月售电量及其预测的影响。首先,介绍了"互联网+"背景下基于大数据的月售电量预测模型,并对其预测精度进行了评估;其次,针对异常高温、政治事件及超强台风三种特殊事件,描述了各事件的特殊情况,以实际月售电量数据说明了特殊事件对月售电量的影响,然后利用月售电量预测模型研究了特殊事件对月售电量预测的影响,并详细分析了产生这种影响的原因,在此基础上,针对不同的特殊事件提出了相应的初步改善对策。     

基于偏最小二乘回归与比重法的月售电量预测

月售电量的预测受多方面的制约,从影响售电量的因素出发,利用偏最小二乘回归与比重法建立了国民生产总值、人口、社会固定资产投资、人均国民生产总值与售电量的回归预测模型。偏最小二乘方法能够提取若干对系统具有最佳解释能力的综合变量来建立预测模型,该方法与比重法结合应用于月售电量的预测之中,能更好地体现引起月售电量变化的平稳因素、季节突变因素的周期性,使得月售电量的预测更加准确。利用该预测模型对唐山地区2004年的月售电量进行了预测,月售电量的平均相对误差为4．74％,预测精度较高,证明了该预测模型的准确性。     

基于相似月和Elman神经网络的行业月度售电量预测

为了提高售电量预测的精度并完善售电量预测体系,提出了一种结合历史相似月的Elman神经网络组合预测模型。利用历史相似月模型可以快速辨别历史数据的特点,通过对各类售电对象的详细数据及外部影响因素分析处理,找到与待预测月目标售电对象相类似的一组历史数据,作为Elman神经网络的输入数据来完成该类售电对象的预测。然后将各售电对象的预测数据组合得到总月度预测售电量。算例仿真研究表明,该组合预测方法与单一Elman神经网络预测方法相比,预测精度更高,收敛性能更好,具有较好的应用前景。     

基于小波分解与气象因素影响的电力系统日负荷预测模型研究

采用小波变换对日负荷数据进行分解处理,使得数据信息相对集中,在此基础上将小波分量分解为受气象因素影响的部分与不受气象因素影响的部分之和,对受气象因素影响的部分采用咽归方法建立气象因素影响模型;对不受气象因素影响的部分,幅值大的分量建立顺归神经网络预测模型,进行重点预测,而对幅值小的分量建立线形ARMA（p,q）模型。这样不仅提高了预测精度,还能提高建模效率。     

基于协整-格兰杰因果检验和季节分解的中期负荷预测

近年来,随着国民经济的转型,中国的经济结构发生了较大的变化,仅仅依靠电力负荷历史数据进行负荷电量预测会造成较大的误差。为解决传统负荷预测方法对于经济、气象等因素考虑不足的问题,提出了一种可以计及经济与气象等因素影响的中期负荷电量预测方法。首先利用季节分解将历史月度用电量分解为长期趋势及循环分量、季节分量以及不规则分量;并以计量经济学中的协整检验以及格兰杰因果检验分析经济因素与用电量长期趋势及循环分量的关系,确定影响该部分电量预测的关键性指标;基于电量、气象以及经济数据,对各个分量利用支持向量机分别进行预测并综合得到月度电量总量预测值;最后通过算例分析了方法的有效性与可行性。     

基于机器学习的电力大客户群体月度售电量预测研究

精确的售电量预测对于电力公司合理安排供电计划、科学优化电力资源配置、提高用电管理效率、节约能源降低消耗等方面具有积极作用,电力公司也一直致力于研究售电量、售电收入的变化规律。随着预测技术的不断发展,关于售电量预测的理论以及方法已有很多,但每一种单一预测模型只能从某一方面刻画数据序列的规律,都只能反映序列的部分信息,因此文中提出了一种综合时间序列分析方法以及多种机器学习算法的电力大客户群体月度售电量预测方法,最大程度地利用现有信息,并对某省总售电量的实例进行检验,结果显示,组合预测模型的误差小于多数单一预测模型的误差,有利于提高预测模型的精度,并且预测较为稳定。     

基于容量利用特征的行业售电量预测方法研究

为了使电力企业能够从用电根源把握行业整体的用电趋势,引入基于容量利用特征并且考虑了外界经济因素影响的电量预测方法。首先,通过对行业的运行容量进行分离,采用行业不同业扩报装类型生长曲线还原真正的存量容量。再提取行业利用小时数,应用相关系数法和K-L信息量法对影响行业利用特征的外在因素进行辨识,确定主导因素指标。最后,创建基于容量利用特征的电量预测方法,基于存量产生电量和业扩增量产生电量形成对行业的预测模型。实证分析表明,这种方法能有效地提高预测精度。     

电力负荷预测的方法研究

阐述了电力负荷预测的基本概念和方法,收集了本地区近5年来经济发展的GDP值和供、售电量的历史数据,采用弹性系数法、时间序列法和回归分析法对本地区未来5年的电力负荷进行预测,并且对预测结果的准确性和各类预测方法的优缺点进行分析对比,分析结果表明,优选组合预测法具有较好的预测效果.     

基于Logistic模型的电能替代电量预测

随着电能替代战略的不断推进,电能替代电量规模将不断扩大,对未来电网中长期负荷构成将产生较大影响。现有电网中长期负荷预测方法对电能替代电量的考虑尚不够充分,有必要进行单独的分析预测。文中分析了政策对未来电能替代发展的重要影响作用,并给出了宏观层面电能替代电量的计算方法。在此基础上,基于Logistic模型分别对终端能源消费总量和电能占终端能源消费比例进行预测,在预测过程中充分结合目前已有的相关研究成果,最终获得电能替代电量预测结果。文中模型可作为传统中长期负荷预测方法的补充,用以指导未来电源、电网和相关能源规划。     

基于气象大数据的城市电力负荷预测

为克服利用气象因素对用电量预测任务中必须先观测到气象条件再进行预测的困境,提升用电量预测准确性,提出一种基于时序卷积网络与循环神经网络的用电量预测方法.使用时序卷积网络基于历史气象数据对未来气象条件进行预测,结合历史用电量数据对未来用电量数据进行预测.算法在预测当前用电量时只依赖于过去的特征,因此无需先观测到当前气象特征.在真实的气象与用电量数据集上的实验结果表明,在仅使用气象因素这一外部变量时,算法对用电量的预测准确性超出了传统方法,有较高的实用性.     

基于人工蜂群优化极限学习机的短期负荷预测*

针对极限学习机(Extreme Learning Machine,ELM)在训练前随机产生输入层权值和隐含层阈值导致输出结果不稳定,影响短期负荷预测精度的缺陷,提出基于人工蜂群(Artificial Bee Colony,ABC)算法改进ELM(ABC-ELM)的短期负荷预测新方法。首先,选用历史负荷、外界气象因素和待预测日星期类型等属性构成ELM输入向量,以负荷值为输出,构建ELM模型;其次,采用ABC对ELM输入层权值和隐含层阈值进行优化;最后,根据优化参数,建立基于ABC-ELM的负荷预测模型,并以该模型开展负荷预测。根据国内某大型城市实测负荷数据开展实验,验证方法有效性。实验结果证明ABC-ELM较ELM和BP神经网络具有更高的稳定性和预测精度。     

改进相似度的模糊聚类算法在光伏阵列短期功率预测中的应用

提出一种基于改进相似度的模糊聚类算法的光伏阵列短期功率预测方法,通过通径分析得到气象因子对光伏阵列日发电功率的影响权重。根据各个因子的权重自定义综合了加权相似系数和加权距离系数的统计量-相似度,建立模糊相似矩阵将历史日样本划分为若干类。然后通过分类识别获得与预测日最相似的一类历史日样本集,将其与预测日的气象因素作为预测模型的输入样本建立BP神经网络发电预测模型,并利用差分进化算法对构建的BP神经网络的参数进行了全局寻优。以实际数据对所提模型进行了验证,并与传统的基于相似日选取的光伏功率预测模型进行了对比,结果表明该模型具有更高的预测精度,有利于光伏发电系统并网运行和电网安全经济调度。