电力负荷预测在智能电网中的应用

正确的电力负荷预测能为电力系统的发展提供帮助,在智能电网环境下,提高负荷预测结果的准确性是目前的研究热点之一。现阐述负荷预测的基本概念以及各种负荷预测方法,分析智能电网环境下负荷的特性,并介绍一种基于AMI的电力负荷预测方法。通过对负荷进行分类,根据各类负荷特性分别制定负荷预测方法,能够有效提高负荷预测准确性。     

基于MATLAB的短时电力负荷预测方法研究

电力系统负荷预测在电力系统调度、用电、规划中起着至关重要的作用。通过对历史数据的分析和研究,基于MATLAB软件平台对ARMA时间序列和BP神经网络两种预测方法进行了仿真实现。算例仿真结果表明,进行短期电力负荷预测时,时间序列法较BP神经网络法具有原始数据少、程序实现简单和训练时间短等优点。     

短期台区电力负荷预测方法探讨

初步探讨了低压台区负荷预测问题的特点、内容和方法,根据目前的研究现状,指出了预测问题的研究方向,对目前的低压台区短期负荷预测工作提出了一些建议。     

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。     

中期电力负荷预测及负荷模型的研究

本文以中期电力负荷预测及负荷模型的研究为题展开论述。首先分析了负荷时间的序列样本,并对时代段的变动趋势进行了预测。在此基础上,建立了中期负荷模型。最后,结合相关的实例,对中期负荷进行测试。实践证明,采用中期电力负荷预测方法,可以实现电力系统的优化调度。     

改进随机森林的电力负荷预测方法

精确的电力负荷预测是电力分配设备与配电网设计的关键。针对目前电力负荷预测精度低、模型训练慢的问题,提出了一种基于改进随机森林的并行化电力负荷预测方法。该方法首先利用灰色关联投影衡量历史样本属性与待预测日属性之间的相似性,构建相似历史样本数据集。然后基于遗传算法对随机森林的决策树进行进化搜索,提高集成预测精度。最后通过Hadoop分布式集群实现了电力负荷预测的并行化,提升了预测效率。实验结果表明,相比其它预测方法,该方法电力负荷预测值与负荷真实值之间的拟合度最高,且并行化能够降低预测时间消耗。     

中期电力负荷预测及负荷模型的研究

本研究主要以中期电力负荷的预测及其负荷模型为主题,对负荷时间的序列样本进行相关性分析,预测相关的时代段变动趋势,以建立相关的中期负荷模型。根据相关实例对中期负荷进行相关测试,一系列实践证明,对电力系统采用中期电力负荷预测的方法能够有效实现电力系统的优化调度。     

基于电力负荷管理终端的用电管理应用研究

随着我国现代化电力企业建设发展速度的加快,企业管理过程中的策略实施也越来越完善。电力企业建设发展管理中对电力负荷管理终端的应用,就是企业在发展过程中为提升供电安全而做出的一项专门性改善措施。鉴于此,本文对用电管理系统中电力负荷管理终端的功能应用及终端软硬件设计进行了专门的分析和研究,希望本文的研究能够为电力企业建设提供更为科学的参考依据,以此来保障电力企业的供电安全。     

分布式协同网络用电负荷分层加权概率预测方法

先进计量体系(AMI)是智能电网中的分布式协同网络,其通过广泛布置的分布式测量计算节点对用电端的用户用电信息进行测量和协同分析。基于分布式协同网络测量得到的海量数据,针对短期用电负荷的概率预测问题提出一种分层特征加权概率预测方法。该方法采用核主分量分析提取用电负荷测量样本的非线性特征,根据提取的特征采用马氏距离判据对用电负荷数据进行特征加权,剔除权重低的不相关干扰数据;提出将经验模态分解与稀疏贝叶斯学习方法相结合的机器学习用电负荷概率预测方法,对用电负荷高频与低频分量进行分层概率分布预测。最后,将所提出的方法应用于某地区的短期用电负荷预测实验,实验结果表明该方法能够有效预测短期用电负荷的概率分布,预测精度高、可靠性好。     

智能电网短期负荷预测的研究

基于灰色系统的理论研究方向,建立智能电网短期负荷预测模型,将负荷预测的关键性评价指标——平均绝对百分误差(MAPE)通过采用粒子群优化PSO计算方法,通过优选实验模型中的阶数和背景参数实现预测和实际运行曲线逐步靠近甚至重合的结果。为达到模型预测的高精度,再通过运用"马尔科夫过程"进一步对原先预测的残值数差进行修正,实现智能电网中短期负荷预测。     

小负荷短期预测中一种模糊聚类方法的探讨

由于影响负荷的随机因素很多,小容量负荷受冲击负荷影响较大,传统模型中的相似目选择一般采取夹角余弦法,选取的精度有待提高。模糊聚类分析是模糊数学中一种有效的分析方法,应用模糊聚类分析中基于目标函数的方法可对负荷的历史样本进行高精度的分类,所采用的HCM算法有效地提高了分类精度;在此基础上运用AGO回归算法进行合理的数据拟合后得到预测结果。算例证明,此方法是十分有效的,提高了小负荷短期负荷预测的精度。     

短期负荷预测中一种周期外推法修正模型的探讨

由于影响负荷的随机因素很多,而传统负荷预测方法-周期外推法主要考虑前几日同时段负荷瞬时变化的规律,故存在局限性,预测精度不高。从周期外推法出发,提出了一种基于神经网络的外推法修正模型:通过BP网络进行训练,找到随机因素(如天气等)对负荷的影响因子,然后将其作为周期外推法模型的修正项。此外,还对修正模型的结果进行了分析和调整。实例证明,此方法在一定程度上克服了周期外推法的缺陷,提高了短期负荷预测的精度。     

基于SVM模型的中国电力需求预测

影响电力需求的因素很多,单一预测方法很难满足不同情况的预测需要,而现有组合预测模型又主要基于经验风险最小,预测精度受组合模型的限制。本文提出一种基于支持向量机的电力负荷组合预测模型,该模型利用结构风险最小化原则代替传统的经验风险最小化,充分挖掘原始数据和单一预测模型的信息,以单一模型的预测数据为预测样本,选择多项式函数支持向量机进行组合预测。实际算例表明,支持向量机法克服了传统神经网络算法的局部最优、收敛难以控制等缺点,具有良好的可行性和有效性。     

基于多变量气象因子的LMBP电力日负荷预测

提出基于主成分分析处理多天气因素的LMBP电力负荷预测模型。采用主成分分析技术对多气象因素进行降维处理,提取多天气因素特征量,既全面表征天气因素对电力负荷的影响,又简化预测模型。将得到的新气象特征量与历史负荷数据共同作为建模对象。采用基于L-M优化算法的BP神经网络(LMBP)进行预测分析,通过最速梯度下降法和牛顿法之间的自适应调整优化网络权值,有效提高网络的收敛速度和泛化能力。通过对美国南部某地区实际电力负荷系统进行预测分析表明该方法可以有效提高预测精度和预测效率。     

基于功能小区方法的电力系统负荷预测

电力系统负荷预测是电网规划的基本工作。介绍了回归预测模型、灰色系统理论预测模型、空间负荷预测法、曲线法、最优组合预测法等中长期电力负荷预测的方法,讨论了功能小区的划分及功能小区的功能分析,通过对功能小区负荷预测的实际计算,结果充分证明了功能小区负荷预测与湖南省衡阳市城区发展的实际情况相符合。说明了基于功能小区方法的电力系统负荷预测具有重要的现实意义和广泛的应用前景。     

混沌预测模型改进及在电力日负荷预测中的应用

针对电力日负荷预测中基于最大Lyapunov指数的传统混沌预测模型的缺陷,提出以下改进思想:采用微分熵法同时确定嵌入维数和延迟时间,改善相空间重构质量的同时,有效减少计算量;引入夹角参数,在与中心点距离最短的点中,筛选夹角最小的点作为最终邻近点;基于相似性原理,引入取舍规则,使得计算结果唯一确定。本文方法解决了传统预测模型计算量大、运算速度慢、预测精度不高以及正负号选取等问题。通过对典型混沌系统数值验证和某地区实际电力负荷系统的预测分析证明了本文方法的可靠性和高效性,为电力日负荷预测提供了一种新的有效途径。     

回归算法在电力负荷预测中的应用

电力系统短期负荷预测是电力系统部门安排机组启停、制定购电计划的基础。并逐渐成为电力市场的一个重要研究领域。本文分别用线性回归、支持向量回归、序列最小优化、改进的序列最小优化四种方法对某省负荷数据进行了实验对比分析。结果表明序列最小优化算法比线性回归、支持向量回归算法具有更好的适应性和预测精度。经改进后该算法的预测精度进一步提高。     

专家系统在电力预测负荷中的应用

电力负荷预测是一项重要但又非常复杂的工作．因为它受到大量不确定因素的影响．因此预测过程需要考虑多种因素。为了充分考虑这些因素，文中提出利用专家系统来修正决策树的修正结果。预测过程为先利用决策树建立预测模型，对待测日负荷进行初步预测．然后再结合专家系统中的修正模型对初步结果进行修正，得到最终预测结果。统计分析结果表明该方法满足实用标准，具有有效性和实用性。     

基于自组织特征映射的连续多日负荷预测方法研究

针对影响连续多日每日最大负荷的因素较多且构成复杂,连续多日负荷预测方法少难度大、含节假日的连续多日负荷预测精度低等问题,分析了近几年工作日电力负荷数据特点,研究了自组织特征映射(Self-Organizing Feature Map,SOM)聚类算法并将其用于负荷数据的预处理,研究了节假日负荷的特性,总结了其负荷变化规律并加以区分预测,提出了一种基于自组织特征映射神经网络的连续多日负荷预测新方法。该方法区分普通工作日与节假日,普通工作日采用自组织特征映射神经网络聚类方法对日最大负荷进行特征提取,建立了以周期特征相似的历史数据作为训练样本的神经网络模型,节假日设定假日影响因子单独预测。运用某市近年的负荷数据进行预测,算例结果显示综合预测误差为3.21%,表明该方法预测精度完全满足实际需求,为连续多日最大负荷预测提供了一种可行的方法。     

基于EWT和LSSVM模型的短期电力负荷预测

精确的负荷预测对电网的安全性和稳定稳定性具有重要意义。提出基于经验小波变换(EWT)和最小二乘支持向量机(LSSVM)的预测方法。首先,采用EWT分解负荷,得到一组固有模态分量(IMF);其次,利用LSSVM算法预测各个负荷子序列;最后,合并各个分量的预测结果。根据某地市现场实测负荷数据进行实验仿真,预测结果分别与EWT-支持向量机(SVM)和经验模态分解(EMD)-LSSVM模型的预测结果进行对比,在两项指标上表现均为最优,体现实际负荷的变化规律。