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。     

一种考虑负荷特性变化的改进线性回归负荷预测法

根据负荷规律变化对负荷的影响,将负荷影响因素分为时稳因素及时变因素。时稳因素的变化将使负荷规律发生平移,时变因素的改变将引起负荷规律斜率发生变化。基于上述观点,提出了改进线性回归分析法以提高负荷预测精度的方法。该方法将负荷规律的改变分为三种类型,不仅给出判别三种类型的方法,还提出了修正负荷规律的公式。通过实例说明采用此方法有较好的预测效果。     

基于小波分析的月售电量预测方法

月售电量的逐月增长和随机波动性给月售电量的预测带来了很大的困难。为了提高预测精度,采取一种同时具有时域和频域信息的变换方法——小波分析法。在通过MATLAB编程获得小波分解、重构算法之后,进行案例仿真分析,对某市120个月售电量进行预测,结果显示平均相对误差只有6.06%。对相同的月售电量序列进行单独的灰色和自回归移动平均(auto regressive integrated moving average,ARIMA)预测,比较发现灰色平均相对误差为11.24%,ARIMA平均相对误差为9.88%,结果表明小波分析法能够有效提高预测精度,可以提高售电公司在电力交易中的竞争力,利用精确的预测结果制定合理的购售电策略,提高效益。     

基于时间序列模型的售电量预测方法

采用基于时间序列模型的售电量预测方法,将各项影响因素有机结合,应用回归方程、季节因素分析等理论方法,研究售电量变化在社会发展过程中的规律,并进行阶段性预测,预测准确率保持在98%以上,取得了显著效果。     

云模型理论在月售电量预测中的应用研究

针对售电量预测中无法计及气温变化及变化持续时间影响的难点,提出了基于云模型及比重法的月售电量预测算法。在考虑传统售电量预测中经济因素影响的基础上,利用云规则发生器获得日气温对于各个气温及持续时间长短定性云规则的隶属程度,同时利用逆向云发生器计算获得各月售电量比重的云模型定性概念的数字特征值,以隶属度及总评估进行月售电量的预测研究。仿真结果显示,考虑气温影响因素的月售电量预测模型较为全面、准确。     

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。     

应用模糊线性回归模型预测中长期电力负荷

针对负荷影响因素的复杂性和不确定性,结合模糊数学和线性回归模型,讨论应用模糊线性回归模型预测负荷的变化区间。推导了模糊线性回归模型参数求解的数学模型,详细讨论了隶属度的取值对模型参数的影响。应用该模型进行实际预测,分析结果表明该方法的有效性。对模糊预测结果的评判进行了探讨,提出了利用实际值在预测区间的隶属度之和判别预测结果优劣的方法。     

基于季节ARIMA模型的华北电网售电量预测研究

研究现有电网售电情况,对售电量进行分析和预测,从而可以对有限的电力资源进行有效分配.介绍了自回归单整移动平均模型及季节ARIMA模型的基本原理,以华北电网2005年1月～2008年4月的月度售电量为基础,运用季节ARIMA模型进行分析,实证结果表明,该方法对售电量的短期预测有较高的预测精度.     

两级电力市场环境下考虑条件风险价值的新能源场站最优售电模型EI北大核心CSCD

为充分发挥能源资源优化配置作用,我国正逐步建成“统一市场、两级运作”的两级电力市场。在两级电力市场建设初期,新能源场站参与省间电力现货交易的计划电力缺乏指导性是目前亟须研究的问题。对省间-省内两级电力市场的现行机制进行了深入研究,探讨了其运作框架。考虑省间电力现货交易与辅助服务市场的多时间、多空间耦合特性,构建了两级电力市场下新能源场站的售电决策双层优化模型,并基于条件风险价值法对下层模型进行转化,实现对新能源场站出力不确定性的控制。依托东北某省工程实际数据进行了算例分析,结果表明该模型能够在两级电力市场环境下提高新能源场站的市场收益。     

基于线性回归和MLP神经网络的招标采购预测模型

针对线性回归和多层感知器(multi-layer perceptron,MLP)神经网络的理论与运用方法进行研究,利用SPSS软件搭建线性回归模型和MLP神经网络预测模型,通过招标采购实际预测算例,引入平均相对误差和标准误差两种指标对模型的预测精度进行比对.结果表明,对于产品价格和原材料价格大致呈线性关系的变电设备,两...     

一、二月份用电量的预测模型

针对我国一、二月份用电需求的特点,建立专门预测这两个月用电量的模型。首先用传统的预测方法预测一、二月份的总用电量,接着利用类比法或近似估算法并结合人工调节,估算待预测的一、二月份用电量的比值,最后计算得到这两个月每月用电量的预测值。这种预测方法可以避免因春节期间假期用电需求减少而导致的月负荷预测值不准确的问题。对某市一、二月份的用电量进行了实际预测,取得了较好的效果,预测精度优于其他传统预测方法,证明这种模型在负荷预测中具有较高的应用价值。