基于数据挖掘的楼宇短期负荷预测方法研究

楼宇短期负荷预测是楼宇能效管理系统中对用能子系统进行评估诊断、优化控制以及调度规划的重要基础。针对智能楼宇参与需求响应所需高精度、实时负荷信息的要求,提出一种基于数据挖掘支持向量机的楼宇短期负荷预测方法。选择与待预测时点相似相近的样本数据集,采用K-means算法对样本数据集中的温度、湿度、气压等气象数据进行聚类,根据聚类结果提取训练样本,最后采用支持向量机(SVM)算法建立负荷预测模型。实际应用结果表明,该方法预测结果平均相对误差为1.34%,相对误差在1%以内的概率达到67.5%,优于现有的时间序列法、同结构SVM法、不考虑气象因素的DMSVM法等方法。     

基于模型预测控制的智能楼宇用能灵活性调控策略

提出一种基于模型预测控制的智能楼宇用能灵活性调控策略。首先,根据楼宇蓄热特性,构建考虑楼宇内部不同制热区域的智能楼宇能耗预测模型,并将楼宇系统作为灵活可控单元集成到配电网中;然后基于模型预测控制方法,通过楼宇内部暖通空调系统在温度舒适度范围内对室温进行优化调节,实现楼宇系统的能耗灵活管理,降低楼宇运行成本;最后,在冬季制热场景下,对不同暖通空调控制方法下的楼宇集群进行优化调度分析,并对比分析了楼宇集群优化调度对于配电网运行状态的影响。结果表明,所提方法在保证温度舒适度的前提下可充分发掘智能楼宇的需求响应潜力,降低楼宇运行成本,同时可有效解决由可再生能源出力预测数据误差而导致的楼宇日前调控方案与实际运行场景偏差较大的问题,在预测不确定性环境下具有较强的鲁棒性。     

基于自适应粒子群优化的SVM模型在负荷预测中的应用

为了提高电力系统短期负荷预测精度,针对传统支持向量机(SVM)模型在负荷预测中存在的参数的选取问题,提出一种新的预测模型:用改进的自适应粒子群优化算法寻求SVM模型的最优参数。经典粒子群算法是一种全局优化算法,在此基础上提出改进的粒子群算法（FAPSO）并对其进行收敛性测试,将基于改进粒子群算法FAPSO优化的SVM模型用于短期电力负荷预测。实例仿真结果表明该预测模型精度高于传统SVM预测模型,具有一定实用价值。     

基于自适应粒子群优化的SVM模型在负荷预测中的应用

为了提高电力系统短期负荷预测精度,针对传统支持向量机(SVM)模型在负荷预测中存在的参数的选取问题,提出一种新的预测模型:用改进的自适应粒子群优化算法寻求SVM模型的最优参数.经典粒子群算法是一种全局优化算法,在此基础上提出改进的粒子群算法(FAPSO)并对其进行收敛性测试,将基于改进粒子群算法FAPSO优化的SVM模型用于短期电力负荷预测,实例仿真结果表明该预测模型精度高于传统SVM预测模型,具有一定实用价值.     

基于模型预测控制的分散式空调两阶段优化调度

近年来，空调负荷急剧增长，如何保证电网的安全、稳定运行是当前亟须解决的重要难题。针对含分散式空调的楼宇微网，提出一种基于模型预测控制（Model Predictive Control,MPC）两阶段优化调度策略。日前阶段，考虑楼宇微网设备间电能的互济互补能力，以系统运行经济性、环保性以及设备损耗作为综合成本目标，兼顾自身利益的同时最大限度地消纳可再生能源。在日内阶段，基于MPC方法建立融合分散式空调的楼宇微网预测模型，并反复滚动优化，以解决可再生能源出力、负荷预测精度随时间尺度增加而下降的问题。通过算例分析得出：分散式空调两阶段优化调度方法能够有效解决预测误差较大的问题，在平滑联络线的同时使系统鲁棒性得以提升。     

基于数据状态驱动的电力用户智能负荷预测方法研究

提出了基于状态分析的变输入结构SVM预测模型。通过辨识负荷数据中辨识关键的负荷特征,通过存储负荷特征而非原始负荷数据,实现对用户负荷数据的精准高效处理。基于状态分析的变输入结构SVM模型,根据预测日各时段状态预测结果搜索历史相近时段的同状态负荷,并将其作为模型输入因素进行预测,有效克服了用户用电漂移效应给负荷预测造成的干扰,提高了预测精度。     

基于粒子群支持向量机的短期电力负荷预测

在分析支持向量机SVM(Support VectorM ach ine)回归估计方法参数性能的基础上,提出粒子群算法PSO(Partic le Swarm Optim ization)优化参数的SVM短期电力负荷预测模型。PSO算法是一种新型的基于群体智能的随机优化算法,简单易于实现且具有更强的全局优化能力。用所建立的负荷预测模型编制的M atlab仿真程序,对某实际电网进行了短期负荷预测,结果表明预测精度更高。     

基于粒子群支持向量机的短期电力负荷预测

在分析支持向量机SVM(Support Vector Machine)回归估计方法参数性能的基础上,提出粒子群算法PSO(Particle Swarm Optimization)优化参数的SVM短期电力负荷预测模型.PSO算法是一种新型的基于群体智能的随机优化算法,简单易于实现且具有更强的全局优化能力.用所建立的负荷预测模型编制的Matlab仿真程序,对某实际电网进行了短期负荷预测,结果表明预测精度更高.     

计及规模化空调热平衡惯性的电力负荷日前削峰策略

目前,城市空调负荷的集中使用已成为我国夏季电网负荷峰谷差增大的重要原因。因此,挖掘用电高峰时段大规模空调负荷的调峰潜力,并采用合理的调控方式削减空调负荷高峰用电,对改善我国夏季电网负荷特性和实现电网安全、稳定、经济的运行具有重要意义。提出了规模化公共楼宇中央空调负荷统一参与电网日前削峰的组合调控模型。首次建立了公共楼宇中央空调系统的等效热参数模型,并分别阐述了考虑制冷机运行效率的公共楼宇非蓄冷式和蓄冷式中央空调系统降负荷控制策略。对南京市某综合区内的16栋公共楼宇中央空调系统进行了算例研究。仿真结果表明:在调峰时段内,公共楼宇中央空调系统总负荷能够很好地跟随电网调度指令,同时区域电网负荷得到了有效削减。     

基于ARIMA-GM改进算法的建筑负荷预测

为降低空调能耗,实现2035年的双碳目标,应对建筑负荷的线性和非线性组合特性,提出了一种包含残差修正的ARIMA-GM组合模型对建筑负荷进行预测。利用Designbuilder在南京典型气象年下输出全年负荷结果,对数据进行筛选,进而用ARIMA模型对数据进行识别和拟合,对其残差子序列运用新陈代谢GM(1,1)改进模型进行修正。通过对南京市某楼宇的预测效果分析验证,所提方法能够提高楼宇负荷预测精度。