共查询到10条相似文献,搜索用时 46 毫秒
1.
利用小波将月售电量序列进行分解,对不受气象因素影响的趋势项和周期项,分别采用趋势外推和周期图法进行预测,对受气象因素影响的随机项,应用模糊聚类的方法确定分级标准,将观测值之间的相关系数作为权值,采用加权马尔可夫模型进行预测,然后进行综合。该法避免了精度较低的月气象资料对负荷预测精度的影响,不仅得到了未来月售电量的具体值,而且得到了其所属的区间,因此更加符合实际。最后给出了预测实例,验证了所提方法的有效性。 相似文献
2.
《电力系统及其自动化学报》2016,(5)
月售电量是具有趋势性、季节性和随机性的非平稳负荷,直接预测难度较大。为解决该问题,结合X12乘法模型与差分自回归移动平均(ARIMA)模型提出一种新的月售电量预测方法。首先,用X12乘法模型将历史月售电量分解为趋势分量、季节周期分量和随机分量,其中趋势分量用ARIMA模型预测,季节周期分量和随机分量分别用加权法和平均法预测;然后,用乘法模型将上述3个分量的预测值还原为最终的月售电量预测值。该方法可避免直接预测月售电量时不同分量间的相互干扰,提高预测精度;最后用重庆市铜梁区实际数据进行仿真分析。仿真结果表明,相对于ARIMA和季节ARIMA模型对月售电量序列直接建模预测的方法,所提方法具有更高的预测精度。 相似文献
3.
售电量分类预测模型及其软件开发 总被引:2,自引:0,他引:2
为了进行有效而高质量的售电量预测,根据实际电力系统电价和影响因素的不同,将售电量分为五类,运用人工神经网络中的误差反向传播算法,利用重庆某地区历年来的月温度和月售电量等数据建立起最佳预测模型进行学习训练,并用重庆某供电局2006年的售电量实际值和预测值进行校验.最后利用MATLAB平台开发出了实用化的售电量分类预测软件.实际算例的分析表明,售电量分类预测比售电量总体预测具有更好的预测精度和实用价值. 相似文献
4.
5.
6.
常规的月售电量预测线性回归模型存在两点影响预测精度的问题:在考虑温度的影响时忽略了舒适温度区间内不存在采暖和制冷措施的事实;由于随机变动不易量化而忽略了随机变动的影响。为解决上述两点问题,提出两种改进措施:分别选择低温阈值温度与高温阈值温度,且仅当实际温度低于低温阈值温度或高于高温阈值温度才产生采暖措施或制冷措施;提出将随机变动量化的方法,并将其量化值作为月售电量影响因素纳入预测模型。常规的月售电量预测线性回归模型经过改进后,能更好地建立温度与月售电量的关系,同时能合理地考虑随机变动对月售电量的影响,有利于提高预测精度。用重庆市铜梁区实际数据仿真分析,验证了两种改进措施的有效性。 相似文献
7.
特殊事件会使月售电量发生很大变化,导致实际售电量曲线明显偏离典型售电量曲线。然而由不考虑特殊事件的传统预测模型得到的月售电量预测曲线却更接近于典型售电量曲线,这将不可避免地导致月售电量预测精度降低。为解决该问题,本文以异常高温,政治事件和超强台风为例,分析研究了特殊事件对月售电量及其预测的影响。首先,介绍了"互联网+"背景下基于大数据的月售电量预测模型,并对其预测精度进行了评估;其次,针对异常高温、政治事件及超强台风三种特殊事件,描述了各事件的特殊情况,以实际月售电量数据说明了特殊事件对月售电量的影响,然后利用月售电量预测模型研究了特殊事件对月售电量预测的影响,并详细分析了产生这种影响的原因,在此基础上,针对不同的特殊事件提出了相应的初步改善对策。 相似文献
8.
基于偏最小二乘回归与比重法的月售电量预测 总被引:4,自引:0,他引:4
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。 相似文献
9.
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。 相似文献
10.
基于小波分解与气象因素影响的电力系统日负荷预测模型研究 总被引:48,自引:7,他引:41
采用小波变换对日负荷数据进行分解处理,使得数据信息相对集中,在此基础上将小波分量分解为受气象因素影响的部分与不受气象因素影响的部分之和,对受气象因素影响的部分采用咽归方法建立气象因素影响模型;对不受气象因素影响的部分,幅值大的分量建立顺归神经网络预测模型,进行重点预测,而对幅值小的分量建立线形ARMA(p,q)模型。这样不仅提高了预测精度,还能提高建模效率。 相似文献