基于用电大数据的中长期负荷预测研究

随着全球信息化的发展,大数据时代已然来临。而电力行业与国计民生息息相关,有必要引入大数据技术提高其经济性、可靠性。江苏用电信息采集系统的建成,营销历史档案信息的积累,都为电力大数据的研究奠定了丰富的数据基础,江苏公司有优势、也有必要充分利用用电大数据,开展相关的研究工作。本文以基于用电大数据建立了行业负荷和电量影响模型,开展了中长期网供负荷预测研究,取得了一定的成果,为推动大数据技术在江苏电网中的应用做出了一定的贡献。     

地源热泵空调系统用电负荷预测

建筑是能源的消耗大户,空调系统更是其中的主要消耗源。住宅在小区中使用地源热泵空调系统可极大地降低能耗,起到显著的节能减排效果。通过对地源热泵空调系统用电负荷的预测,以及对地源热泵节能特性的介绍,为推广新技术、创建低碳型社区提供了有效方法。     

高速公路施工用电负荷预测

介绍了高速公路施工用电特点,并应用负荷预测近似计算公式对某项目施工用电负荷进行预测分析。     

基于梯度提升决策树的电力物联网用电负荷预测

在电力物联网系统中,为用户提供准确、快速的用电负荷预测一直起着至关重要的作用。由于台区内用户活动的可变性,导致用电负荷通常波动较大,传统方法往往难以准确预测。为了满足智能化、多功能的电力物联网监测,提出了一种基于梯度提升决策树的用电负荷预测方案。首先对台区内历史用电数据进行预处理,并构建时间窗口特征。然后使用基于梯度提升决策树的XGBoost和LightGBM交叉构建预测算法,并采用该算法预测下一时间段短期用电负荷结果,实现台区用电分析。最后与现有方案相比较,本文提出的方案可提供准确的负荷预测结果,在即将发生超负荷用电或者当前台区即将发生大规模停电时,能够及时发出预警。     

基于用电需求的负荷预测系统的初步设计

在对目前负荷预测系统的研究与应用状况调查分析的基础上,考虑到当前用电企业用电形势的变化,提出了负荷预测工作应基于用电需求的新思路,并初步设计基于用电需求的负荷预测系统,着重探讨了实现该系统的主要技术问题。     

基于配用电信息分区分类的短期空间负荷预测

精确负荷预测是实现电力系统安全经济运行和电网科学管理的基础。首先提出一种基于分区分类的空间负荷预测方法,该方法依托GIS系统中的地理空间信息和电网信息,进行区域划分;然后将区域内负荷分为工业、商业、居民、其他等类型,基于配用电历史信息,采用模糊聚类方法对区域内的负荷类型进行归类,获得影响负荷的主要因素;再以不同类型的负荷预测为基础,考虑跨空间和非跨空间负荷转移等情况,获得精细化的空间负荷预测方法;最后通过我国南方某实际电网的算例分析,验证了该方法较传统的空间负荷预测方法在预测精度上有较大提升。     

江苏电网用电负荷展望

1　 2 0 0 2年 -2 0 0 4年用电负荷预测2 0 0 2年最高用电负荷达到 1 976.2万kW ,同比增长2 1 .0 5 % ,其中常州市增长率最高为 2 1 .5 5 % ,其他城市均在 1 0 %以上 ,全省用电总量苏南地区占 62 .95 % ,其中苏州市占 2 1 .97% ,苏北地区占 1 6.0 4% ,可见江苏南北地区经济发展不平衡带来用电量差距进一步拉大。由此测算 2 0 0 3年全省电网统调用电负荷为 2 2 80万kW ,净增3 2 0万kW ,,增长 1 4.0 4% ,实际上江苏 2 0 0 3年 1季度经济增长 1 3 .6% ,而电力负荷和用电量同比增长了2 4.0 3 % ,部分地区出现电力紧张 ,如苏州、无锡、常州2 0 …     

南宁市夏季用电负荷特性分析

以2007-2009年的电力负荷统计数据为依据,分析南宁市区夏季用电负荷特性的变化趋势,找出夏季负荷的主要增长点.通过对夏季气温与负荷情况的详细分析,得出影响南宁负荷及负荷特性变化的主要因素,进一步揭示了夏季强降雨对负荷水平影响的规律性,从而提出了一些电力负荷发展的建议.     

高层住宅小区用电负荷预测技术

随着我国城市化进程的不断加快,高层住宅小区纷纷涌现出来,电力方面的应用对于家庭生活而言意义更为重大。人们对于电力的需求与依赖随着生活水平的提高而不断加深,精确测算高层住宅小区的住宅用电以及其附属的相关设备的用电负荷,有条不紊地安排配置高层住宅小区的用电负荷,由此来确保高层住宅小区的合理供电,使得每个用户,尤其是处于高层的用户都能够顺利而无担忧地使用电力资源。本文将针对高层住宅小区的用电情况来测算其用电负荷,分析研究其用电负荷预测技术,保证住宅用电的顺利进行。     

电力市场中多日负荷曲线的预测

鉴于电力市场对负荷曲线预测提出的新要求，提出了连续多日负荷曲线预测，并构造了严格的优化模型，可以用成熟的二次规划方法求解。为加快计算速度提出了根据样本数据调整预测的思路，并探讨了2种不同的调整途径。一种通过对样本曲线的等比调整使其满足要求，另一种则通过构造分段映射进行预测。算例分析表明，这2个方法能够在很短的时间内取得较好的预测结果，符合电力系统实际工程对预测精度和计算时间的要求。     

人均用电量法在区域饱和负荷预测中的应用研究

探讨了饱和负荷预测工作的必要性和紧迫性,针对人均用电量法在饱和负荷预测中的应用过程做了详尽的说明,给出了预测模型中各变量子模型及其参数的确定方法,并以福建省的历史统计数据为例,验证了该方法的预测精度。     

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     

基于电力系统负荷变动速率的美国得州ERCOT短期负荷预测

基于大量历史负荷数据,研究负荷数据曲线的变化性,并提出了负荷变动速率(RLF)与速率影响因子(IFR)概念。通过对ERCOT数据的分析,总结得出了得克萨斯州用电特点和相同时段内RLF的相似性。依据对RLF的历史数据统计分析,得出经验RLF值,并结合用电负荷的实时数据对短期负荷做出修正与准确预测。该方法可以应用在短期负荷预测系统及对区域中长期用电负荷变化规律的总结上。     

基于反向Haar小波变换的电力系统负荷预测

根据电力系统负荷的特点,提出了基于反向Haar小波变换的电力系统负荷预测.介绍了反向Haar小波变换的数学模型,叙述了基于反向Haar小波变换的电力系统负荷预测的方法,通过实例计算并与其它方法的比较,说明反向Haar小波算法既充分利用了小波变换的优点,又克服了某些传统算法在电力系统负荷预测中的不足,该方法简单、可靠,便于形成实时软件,对提高电力系统电网规划水平具有重要意义.     

考虑负荷周期性和变化率的短期电价预测

为了提高电价预测精确度以提高其实用价值,在电价预测模型中引入负荷周期性和变化率因素.根据负荷对电价的影响建立基于系统负荷的短期电价预测模型,使用小波分解对负荷和电价数据进行分析处理,采用神经网络的预测方法对短期市场清算电价进行预测.考虑负荷和电价的周期特性,在预测模型输入侧增加了负荷的周期性因素.考虑负荷剧变引起的电价变化,定义综合负荷变化率影响因素并加入模型输入侧来提高预测精确度.预测实例采用实际负荷值为输入,其结果表明引入负荷周期特性和综合负荷变化率因素后预测相对预测误差和单点最大预测误差分别降低35%和28%,有效地提高了模型的预测精确度.     

基于XGBoost算法的新型短期负荷预测模型研究

针对目前电网在负荷预测中所采集到的数据普遍存在着特征维度较少;特征关系不明;有效数据量较少的特点,为了提高电网短期负荷预测精度,本文提出一种基于XGBoost算法的新型负荷预测模型。基于XGBoost算法的负荷预测模型采用CART树作为基学习器,输入预处理后的历史负荷和特征数据,通过构建多个弱学习器逐层训练模型并得到模型,最后向模型输入测试集特征得到最终的预测结果。本文所搭建的负荷预测模型具有避免对数据特征的标准化、处理字段缺失的数据、不用关心特征间是否相互依赖、学习效果好的优点。根据真实电网数据实验结果,基于XGBoost算法的负荷预测平均绝对误差百分比下降到3.46%,比本文所对比的基于BP、GRNN、DBN神经网络的负荷模型预测值精度更高,表明本文所提模型的优越性。     

基于XGBoost的配电网线路峰值负荷预测方法

为实现电网平稳迎峰度夏,需要在夏季负荷高峰前提前1～2个月对配电网线路进行峰值负荷预测,为设备部门有计划地制订和实施增容和改扩建方案提供数据支撑.提出一种基于XGBoost的配电网线路峰值负荷预测方法.该方法综合考虑气象因素、时间因素、春季基础负荷因素,分析各类因素与夏季负荷高峰的相关性,确定预测样本特征值.通过K-m...     

基于DWT-Informer的台区短期负荷预测

电力负荷预测是确保电力系统安全高效运行的关键任务,针对台区短期电力负荷预测这一关键问题,该文章研究了电气特性数据处理和Informer模型优化的新方法。文章通过离散小波变换（DWT）对电流数据进行降噪处理,同时使用Prophet模型提取时序特征优化输入数据;并采用Informer的稀疏自注意力机制和自注意力蒸馏,增强了模型的特征捕捉和预测速度。实例数据验证表明,经过DWT和Prophet特征处理后的模型在各项相同的指标下均优于原始模型,验证了DWT-Informer模型在数据预处理和模型优化方面均取得了显著的性能提升。     

基于气象成分分解的夏季短期负荷预测

夏季负荷受温度等气象因素影响大,表现出随机性强、波动性大的特点。针对现有短期负荷预测模型在夏季预测精度不高的问题,提出在负荷成分分解的同时,将温度分解为日周期分量和波动分量,以此准确把握短时气象波动对夏季短期负荷预测的影响。在充分分析负荷各分量变化趋势及对整体负荷预测精度影响的基础上,针对各个负荷分量特征分别选择预测方法。在预测气象敏感负荷分量时引入温度波动分量,基于XGBoost智能算法构建预测模型。选用我国中部某市夏季历史负荷建立训练样本,对2017年8月份日96点负荷进行预测,预测结果验证了所提模型和算法的有效性。