共查询到16条相似文献,搜索用时 171 毫秒
1.
2.
由于现有月度用电量预测所选影响因素较少,无法较为全面地反映与用电量强关联的因素,同时针对高维数据变量筛选和高精度预测等突出难题,文中提出了一种弹性网络用电量预测模型。为了考虑更为全面的影响因素,建立了用电量、气象、经济、交通4类,共340个变量的数据集。首先对8年96个点的高维变量数据进行弹性网络因子筛选,然后使用Granger因果关系分析找出了用电量数据与其它数据的关联关系,对一年范围内的全社会月度用电量使用弹性网络进行预测,预测结果的平均绝对百分误差为3.07%。为验证该模型的有效性,对比向量自回归(VAR)模型,反向传播(BP)模型和最小绝对值收缩和选择算子(Lasso)预测的效果,验证了文中所提方法预测精度较高。 相似文献
3.
基于随动思想的月度用电量时间序列预测模型 总被引:4,自引:0,他引:4
针对北方城市月度用电量变化的特点,建立了基于随动思想的月度用电量时间序列预测模型。该模型具有数据分析功能,可根据数据变化的特点自动选择适应的模型,同时采用时间序列方法,避免了预测其他非用电量因素的困难,较好地解决了目前通用软件存在的问题。对哈尔滨市月度用电量进行实际预测,取得了理想的结果。 相似文献
4.
构建高精度的光伏中长期可用电量预测模型,对电力市场调度模式下的月度计划制定具有重要意义。为此,首先建立了基于差分自回归移动平均模型的光伏发电可用电量预测统计模型,实现了横向逐月移动的未来年际预测;然后,考虑光资源月度的差异性和同季节的平稳性,提出了基于隐马尔科夫模型的光伏发电可用电量预测修正方法,实现了纵向同月递推的差异月度预测修正。基于新疆电网某地区光伏运行数据,对方法的有效性进行了验证,结果表明所提出方法预测精度较高。最后,通过在新疆新能源月度计划控制系统中进行应用,实现了月度计划和日前计划动态滚动跟踪相结合的调度计划模式,满足了调度生产运行的需求。 相似文献
5.
6.
7.
由于存在严重的模型过拟合问题,传统的城市综合体月度用电量单步预测方法往往不能提供准确的预测结果。提出一种基于多层分解-累加原理的城市综合体月度用电量预测方法。该方法首先将城市综合体内部负荷根据其负荷特性细分为3类;然后,针对每一类型的负荷搜集其历史小时用电量数据,并根据数据的星期标签再次分解,以提高多步预测模型的预测精度;接着,使用改进的经验模态分解(improved empirical mode decomposition, IEMD),将用电量序列中不同尺度的波动和趋势特性分离开来,并利用极端梯度提升(extreme gradient boosting, XGBoost)算法对分解后的各分量分别建立对应的多步预测模型;最后将预测结果逐层累加得到月度用电量预测结果。研究结果表明,文章提出的方法能够有效地捕捉城市综合体用电量变化规律,其预测误差精度比传统方法提升了18.2%~34.9%。 相似文献
8.
未来年度电网月用电量预测对于电网调度运行非常重要。本文基于月度乘积模型,建立了陕西电网月用电量预测模型,用该模型对陕西电网月用电量进行了预测分析,将预测值与2003年1月至2007年12月期间的实际观测数据对比,年最大误差小于1%,预测精度较高。为准确预测月用电量提供了一种较为可行的分析预测方法。 相似文献
9.
10.
11.
为将广州市电力需求侧管理落实到具体行业,使用地理探测器、用电互补性模型分析2013—2017年共60个月各行业用电特点,在此基础上,通过情景分析方法,从行业、时间角度探索行业用电优化管理路径。基于广州市分行业月度用电特点,抓住行业用电量风向标子行业,利用存在可相互抵消用电波动的用电组合,研究发现:在2017年广州市用电量水平下优化行业用电结构和优化用电时间管理总计可减小约2.25亿kW·h的全社会用电月度峰谷差。未来可通过分行业月度用电预测、结合用电互补性分析测算行业用电调度潜力,为电力需求侧管理水平提高提供数据支撑。 相似文献
12.
13.
14.
Monthly electricity demand forecasting based on a weighted evolving fuzzy neural network approach 总被引:1,自引:0,他引:1
Pei-Chann Chang Chin-Yuan FanJyun-Jie Lin 《International Journal of Electrical Power & Energy Systems》2011,33(1):17-27
This research develops a weighted evolving fuzzy neural network for monthly electricity demand forecasting in Taiwan. This study modifies the evolving fuzzy neural network framework (EFuNN framework) by adopting a weighted factor to calculate the importance of each factor among the different rules. In addition, an exponential transfer function (exp(−D)) is employed to transfer the distance of any two factors to the value of similarity among different rules, thus a different rule clustering method is developed accordingly. Seven factors identified by the Taiwan Power Company will affect the power consumption in Taiwan. These seven factors will be inputted into the WEFuNN to forecast the electricity demand of the future. The historical data will be used to train the WEFuNN. After training, the trained model will forecast the future electricity demands. Finally, the WEFuNN model is compared with other approaches, which are proposed in the literature. The experimental results reveal that the MAPE for WEFuNN model is 6.43% which is better than the MAPE value for other approaches. Thus, the WEFuNN model is more accurate in forecasting the monthly electricity demand than the other approaches. In summary, the WEFuNN model can be practically applied as an electricity demand forecasting tool in Taiwan. 相似文献
15.
应用于月度用电量预测的小波分析法 总被引:1,自引:0,他引:1
月度用电量预测是中期负荷预测的主要内容,也是制定月度发电规划的基础。文中以美国亚利桑那州为例,采用小波分析法,首先使用小波变换获得若干个采样点减少一半的小波系数;然后分别对各系数插零、重构,恢复到原数据的长度;最后采用RBF神经网络对恢复长度的各系数进行预测。该方法将月度用电量的时间序列分解成趋势项和波动项,分别进行预测,提高了预测精度。 相似文献