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。     

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。     

基于双模型组合的月度售电量预测研究

月度售电量蕴含电力供需双方的诸多信息,对其进行精准预测有助于需求侧管理和电网运营的协同提升。首先从必然和偶然两个层面对驱动月度售电量波动的因素作解析,确定该项预测应为惯性预测与非惯性预测的叠加。其次建立组合预测模型,即以售电量年间增长为依据确定"Logistic模型"为惯性预测分模型,以数据样本沿时间轴呈现某种相似性、重复性为依托确定"层次分析-模糊聚类模型"为非惯性预测分模型,并以最小二乘法将二者糅合。最后以某供电公司为背景做案例检验。     

基于ISSD-GRU模型的台区售电量预测方法*

针对台区售电量不确定影响因素多、预测精度不高的问题,提出了一种基于改进ISSD优化GRU神经网络的台区售电量预测方法,利用反向学习提高SSD算法对最优参数的搜索效率。以某地台区历史售电量、温度、工作日类型和节假日类型作为影响因素对GRU模型进行训练,利用ISSD算法实现对GRU隐藏层神经元个数和学习率超参数的寻优,构建用于台区售电量预测的ISSD-GRU模型。算例分析表明,ISSD-GRU模型在台区售电量预测结果上精度更高。     

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。     

基于SWOT的武汉供电公司发展态势及售电量预测

当前我国经济发展面临严峻复杂的国内外环境,叠加电力体制改革的深入推进,对电网公司的售电量增长产生重大影响.本文结合地方电网公司发展战略及所处的战略环境,基于SWOT分析电网公司总体发展态势,识别影响售电量增长的主要因素,进而基于灰色预测模型,预测售电量增长规律,提出未来重点工作方向.预计到2025年,武汉供电公司售电量...     

辽宁电网售电量预测与分析

利用多种数学方法结合辽宁省国民经济发展情况 ,在大量市场调查的基础上进行了 2 0 0 0年全省售电量预测工作。综合预测结果表明 ,辽宁电网的售电量将随全省国民经济发展的增长速度而变化 ;全省售电量将可能超过 5 32× 10 8kW·h ,同比增长将达到 30～ 35× 10 8kW·h。通过抽样调查 ,对于全省居民家庭生活用电情况掌握了第一手的调查资料 ,并在上述工作的基础上 ,提出了增供扩销的相应对策分析。     

基于混沌理论的电网售电量预测研究

对具有混沌特性的电网售电量时间序列重构相空间,计算相空间的饱和嵌入维数和最大Lyapunov指数,并利用计算得到的饱和嵌入维数指导建立T-S模糊神经网络预测模型.采用递阶遗传算法对T-S模糊神经网络的结构和权值进行训练,可确定最适合的预测模型结构,提高神经网络的收敛速度,使其具有良好的泛化能力.在此基础上,对秦皇岛电力公司售电量数据进行预测,结果表明,该方法可精确地再现售电量时间序列的混沌动力学行为,在可预报尺度范围内,能对售电量作高精度的预测,且具有很强的适应能力.     

基于混沌理论的电网售电量预测研究

对具有混沌特性的电网售电量时间序列重构相空间,计算相空间的饱和嵌入维数和最大Lyapunov指数,并利用计算得到的饱和嵌入维数指导建立T-S模糊神经网络预测模型。采用递阶遗传算法对T-S模糊神经网络的结构和权值进行训练,可确定最适合的预测模型结构,提高神经网络的收敛速度,使其具有良好的泛化能力。在此基础上,对秦皇岛电力公司售电量数据进行预测,结果表明,该方法可精确地再现售电量时间序列的混沌动力学行为,在可预报尺度范围内,能对售电量作高精度的预测,且具有很强的适应能力。     

基于长短期记忆网络的售电量预测模型研究

售电量预测对优化供电结构以及了解经济走势具有重要意义,然而,传统售电量预测方法难以从售电量及其影响因素的数据中自动抽取到较好的数据特征。为此,文中提出一种基于长短期记忆网络的售电量预测模型,该模型通过分析售电量数据及其影响因素的相关性,提出一种行业聚类方法,该方法根据不同行业的数据特征对相似的行业进行聚类,并根据聚类结果训练长短期记忆网络模型。文中模型能够学习售电量数据以及相关影响因素的数据特征和内在关联关系。实验结果表明,文中所提出的预测模型比经典的预测模型具有更高的准确度。     

基于统计特征量和支持向量机的短期售电量预测研究

售电量预测是电网建设规划的重要依据。由于售电量预测是多种因素综合作用的多变量、非线性问题,传统的方法往往难以取得满意的预测效果。本文提出了一种基于统计特征量和支持向量机的短期售电量预测方法。选用对售电量影响度高的因素及其统计量做为特征因子,运用支持向量机进行建模和预测。实验结果表明,该方法预测准确较高,有着较为广阔的应用前景。     

基于经验模态分解和极限学习机的日输电量分时建模预测

电网运行电量数据呈现出海量化高维化的发展趋势,为有效利用这些大数据建立电量预测模型,提出了一种分时建模、经验模态分解和极限学习机相结合的方法。将每日输电量划分为峰、平、谷3个时段,并对每个时段的输电量曲线进行经验模态分解,再采用极限学习机训练得到各分量的预测模型,最后通过叠加合并得到最终的输电量预测值。通过与传统的极限学习机进行比较,结果表明所提方法可有效地提高模型的预测精度。     

基于极限学习机的居民用电行为分类分析方法

针对大数据背景下智能用户用电行为分类问题,提出一种基于极限学习机(ELM)算法的用户用电行为分类方法。首先,在前期用户行为的特征优选策略的基础上,采用特征优选策略提取负荷曲线的最佳特征集对用户用电数据进行分类分析。然后,将特征优选集作为输入,通过比较不同隐含层激活函数和隐含层节点个数下训练集和测试集的正确率,优选出适用于用户用电行为分析的ELM算法的输入参数。最后,以国内和国外用户用电数据为数据源,进行算例仿真实验,通过与反向传播(BP)神经网络的对比分析表明,所提出的基于ELM算法的用户用电行为分析方法提高了检测的正确率并且降低了算法运行时间,能够更好地掌握用户用电负荷状态,实现配电网的削峰填谷。     

售电市场中售电量的风险分析

售电市场是电力营销的分析对象。售电市场受到众多不确定因素的影响,使得电网企业未来的售电量存在较大的不确定性。分析了售电市场中风险的来源及其影响,以售电量为着眼点,提出基于序列运算理论的售电市场风险分析方法,通过算例对该方法进行了直观的说明。进一步探讨了售电市场中此类风险分析问题的实质及其对于电力营销工作的启示,提出了该方法的实用化操作过程。该方法对于预估售电市场的潜在风险、提前制定风险防范策略具有重要的参考价值。     

南方区域月度电力市场中发电企业的报价行为分析与预测

月度撮合交易是我国南方区域电力市场的主要交易方式之一。作者以该类交易方式为研究对象,剖析了发电企业在此市场模式下的报价行为,重点分析了信息披露机制中“新息”对发电企业报价行为的影响;提出并构建了南方区域月度电力市场的发电企业报价样本库以解决研究样本较少的突出问题;据此研究了包含报价基值预测和波动量预测的发电企业报价预测策略;提出了决定系数筛选法以提高预测策略对于不同机组的适应性。由此建立的发电企业报价行为分析及预测方法,对于基于撮合交易方式的电力市场成员具有重要参考价值。     

基于X-12-ARIMA季节分解与年度电量校正的月度电量预测

月度电量预测是电力计划部门安排运行计划与制定购售电计划的基础。提出一种综合考虑多种经济因素的月度电量预测方法。首先,采用X-12-ARIMA模型对月度电量和多种经济因素进行季节分解,并利用逐步回归分析研究各经济量与用电量的关联关系和回归模型,获得初步预测结果;然后,利用多项式拟合进行年度电量预测,并对已有月度电量预测结果进行调整;最后,采用自回归积分滑动平均模型(autoregressive integrated moving average model,ARIM A)对受气象与节假日因素影响较大的月份进行分季节预测修正,获得精度良好的月度电量预测模型。该文采用广东省2009年3月至2014年4月的经济数据与电量数据对2014年5月至2015年4月的电量数据进行预测。预测结果的平均预测精度为97.78%,验证了预测模型的有效性。     

电力营销信息系统客户核心数据架构的设计

根据佛山市区电力营销系统在客户核心数据架构的设计过程,提出如何根据电力营销业务实际和发展需求来设计系统核心数据架构,为整个电力营销管理信息化的基础建设提供了一定的参考意见。     

基于时间序列的地区电网售电量预测方法研究

地区电网售电量的科学预测是电网建设规划的重要依据。考虑电量历史数据是一典型时间序列函数,本文建立了移动平均法、Winters、灰色马尔科夫三种预测模型,根据某地区的售电量历史数据求解模型,并对预测结果进行了分析和比较。结果表明,灰色马尔科夫模型预测结果与多年多年实际数据拟合效果最好、误差率最低,该方法的应用前景广阔。     

基于小波神经网络的风电功率预测

风力发电是新能源发电中技术之一,对促进电力工业调整、减少环境污染、推进技术进步具有重要意义.然而,目前风力发电的大规模使用还存在一定的难度,开展风电场功率预测的研究势在必行,基于小波理论及神经网络的方法,开展相应的研究.