月度用电量灰色预测改进模型

灰色模型是年度电量预测的有效方法。引入季节指数平滑法改进灰色模型,使其更适合具有季节周期性的月度用电量预测;并提出了一种基于马尔科夫过程的残差修正法,以提高月度电量预测的准确率。最后,以某市月度用电量进行实际预测为例,通过与其他模型的比较,验证了改进模型在月度用电量预测中的有效性。     

基于弹性网络模型的月度用电量预测方法

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。     

基于随动思想的月度用电量时间序列预测模型

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。     

基于隐马尔科夫修正的光伏中长期电量预测及调度计划应用

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。     

计及经济因素的混合模型电量预测研究

精确的电量预测是进行电网规划和建设的重要依据.为解决月度用电量预测方法思路单一、预测模型通用性不强、预测精度低等问题,通过对区域用电量与经济的历史数据研究分析,提出了一种计及经济因素影响的混合模型月度用电量预测方法.该方法将回归分析法和指数平滑法这两种预测方法相结合,建立电量预测模型,取得了较高的预测精度;最后,将本模...     

基于FWA-LSSVR智能算法的钢铁行业用电量预测研究

针对近年来宏观经济指标与钢铁行业用电量关联度下降的情况,提出了一种基于行业产品及原材料价格的用电量预测方法,并使用移动平均法和时差相关分析法进行数据消噪处理和价格影响滞后期测算,在此基础上,建立了烟花算法优化最小二乘支持向量回归机智能预测模型。利用该模型对某地区实际月度用电量进行预测,结果表明,与多元线性回归、BP神经网络等模型相比,所提出的方法具有更好的预测性能,更适用于钢铁行业用电量月度预测,可为准确预测钢铁行业用电量、合理把握电力需求波动及制定经济合理电力调配计划提供参考,为电源和电网的建设提供辅助决策支持。     

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

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%。     

陕西电网月用电量预测模型的研究

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。     

陕西电网月用电量预测模型的研究

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。     

基于熵值法的组合模型用电量预测方法研究

电力系统的中长期负荷预测是配电网规划的基础,对实现电网的安全经济运行起着重要作用。以年度用电量预测作为研究的对象,年度用电量预测采用4种主要方法,即分别按照年度、季度、月度和行业用电量预测得到对应年用电量预测值,在此基础上再按其发展序列预测结合起来,建立了一种线性组合预测模型。并采用熵值法对组合模型的权系数进行求解,实证分析表明该模型使预测精度得到了明显提高,具有良好的预测效果。     

基于地理探测器的广州市分行业月度用电特点及优化管理

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。     

广东省用电需求预测与储能式热力发电展望

社会用电量预测是电力系统的重要工作之一。本文采用BP神经网络对广东省全省用电量进行了预测,所得仿真模拟值与历史数据基本吻合,表明BP神经网络预测模型有较高的预测精度。基于预测结果,对可再生能源发电,特别是氨基热化学储能式太阳能热力发电在广东省的发展进行了展望。     

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。     

Monthly electricity demand forecasting based on a weighted evolving fuzzy neural network approach

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.     

应用于月度用电量预测的小波分析法

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。     

季节划分下产业用电量关联分析及预测

产业用电需求预测对于实现精细化用电管理、降低电力企业运行与规划成本具有十分重要的意义。鉴于常见的预测方法在产业结构划分下的中短期用电量预测中效果不佳,分析了不同季节下产业用电量之间内在关联关系以及气温对其的外在影响,结合计量经济学思想,分季节构建了用于电量预测的误差修正模型,并利用该模型对华中某省网月度用电量进行了预测分析,结果表明,该模型具有较高的预测精度。