企业用电量及用电负荷预测方法的探讨

本文主要介绍用回归分析来预测企业用电量及用电负荷的大小。     

基于灰色关联分析及BP算法的用电量预测

用电量是电力系统规划及地区资源配置的重要影响因素,为了提高用电量预测的精度,提出将灰色关联分析法与BP神经网络相结合进行用电量预测。利用灰色关联分析法对影响用电量的主要因素进行分析,确定了3个影响因素并将其作为 BP 网络的输入参数,建立了用电量BP神经网络预测模型;在MATLAB环境下对模型进行训练测试,结果表明该系统收敛速度快、预测精度高,可为用电量的预测提供参考方法。     

基于随机森林算法的95598投诉预测方法研究

为减少投诉风险发生,提出一种基于随机森林算法的95598工单投诉预测方法,实现对95598工单的直接投诉预测与转化投诉预测。首先,对95598历史工单进行数据预处理;其次,在充分考虑历史工单的供电地区、时间、天气、前期工单事因、重复来电和投诉倾向等情况的基础上,建立了基于随机森林算法的95598电力服务投诉工单预测模型。以某市全年95598工单数据为例,建立了该市的95598电力服务投诉工单预测模型,并以Weka 3.8数据挖掘软件为测试平台,对所建立的模型进行测试,并与其他数据挖掘算法的预测性能进行了对比分析。结果表明,该方法能够实现对95598投诉风险的有效预测,投诉预警效果良好。     

用电量预测方法及评价——河北省中远期用电量预测剖析

一、引言电力系统负荷预测的重要性和必要性,已越来越多为人们所公认。由于影响电力系统负荷大小的因素多而复杂,虽然国内外提出一系列的预测方法,但若只用某一种方法作到准确可信的预测却很困难,所以就要求在具体预测时要采用多种方法、多种方案进行反复比较分     

基于模糊聚类分类与Elman神经网络算法的居民用户短期用电量预测及修正方法

用电量预测是智能电网建设中的一个重要课题,准确的用电量预测对电网规划和经济部门的管理决策具有重要的指导意义。利用计量自动化系统每15 min获得一次的居民用户用电量数据,提出基于模糊聚类与Elman神经网络算法的短期用电量预测及修正方法。该方法先通过模糊聚类将居民用户按用电行为分类,然后采用通径系数计算各类型影响用电量因素的权重,再将加权影响因素和历史用电量作为Elman网络的训练样本,进行短期用电量预测。最后采用修正算法对预测值进行修正。实例分析表明,该方法有效、可行。相比整体预测,该算法预测精度明显有所提高,且修正步骤使预测误差进一步降低。     

基于随机森林回归算法的锅炉沾污因数预测方法

锅炉沾污因数用于定量表征锅炉的积灰程度,在积灰机理尚不明确的前提下,计算锅炉沾污因数存在一定困难。通过对锅炉历史监测数据进行特征重构,研究锅炉状态数据和锅炉沾污因数之间的潜在关系,基于随机森林回归算法实现对锅炉沾污因数进行预测。案例表明,基于重构特征建立随机森林回归模型,可以有效预测锅炉沾污因数,并且能够实时反映锅炉特定受热面的积灰程度。     

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。     

考虑分时电价的居民用户短期用电量分类预测及修正方法

为了更好地利用智能电网中的用户用电信息,提高短期用电量预测精度,针对居民用户提出一种考虑分时电价的分类短期用电量预测及修正方法。首先,通过模糊聚类将用户按用电行为分类,将电价、用电量和加权气象日期影响因素作为预测模型输入量。然后,针对各类用户的用电特点,经仿真对比选择相适应的BP、Elman、LSTM神经网络算法构建预测模型。最后,运用修正算法对误差较大的峰谷值进行修正,将修正后的分类预测结果相加以获得整体预测值。以广东省云浮市某小区为例对该方法进行仿真分析,并与随机森林、CART等算法进行对比。实验结果证明所提方法具有更高的预测精度。     

计及经济因素的随机森林电量预测

精确的电量预测是电网投资和电力平衡的重要依据。为解决以历史用电量数据作为电量预测的唯一依据,在模型迭代过程中的原始信息少,预测模型通用性差、预测精度低等问题,通过对地区月用电量与经济因素进行研究分析,采用随机森林算法对经济因素和月用电量进行针对性建模预测。通过实际算例仿真验证表明,该模型预测MAPE(平均绝对百分误差)为2.34%,预测精度高并且通用性强。     

基于随机森林算法的电动汽车充放电容量预测

文中提出一种电动汽车充放电容量的组合预测方法.首先,基于电动汽车历史充电数据和用户参与电动汽车与电网互动(V2G)意愿的调查数据,分析车辆荷电状态(SOC)特性、出行时间特性以及用户对价格的敏感度,建立随机森林分类模型,判断车辆是否参与V2G调度,并对影响用户决策的特征因素进行重要性评估.其次,采用蒙特卡洛方法模拟电动汽车出行和充放电情况,并分别预测充放电容量.最后,以办公区为例进行仿真,对比分析多种充放电模式下的电动汽车充放电行为与负荷分布.所构建的随机森林分类模型的准确率为0.917,能够有效区分V2G计划时段内电动汽车的充放电行为,仿真结果验证了所提预测框架的有效性.     

基于随机森林滚动预测的电量追补算法

智能电网计量自动化系统中存储的大量用户用电数据是电力企业与用户之间费用结算的唯一依据。当计量装置或者通信线路发生故障导致系统中用电数据缺失时,供电单位需要对缺失的电量进行追补来挽回经济损失。针对这一问题,提出了一种高准确度的计量故障区间检测算法,采用强鲁棒性的随机森林方法对故障区间用电量进行滚动预测。系统实测的数据与传统的均值计算法进行对比,证明了所提方法结果更准确可靠,可以为供电单位确定追补电量提供更科学的参考。     

基于随机森林算法的短期电力负荷预测

为了准确预测电力系统的短期负荷变化,为电力系统安全、经济、高效运行提供指导方向,提出了一种将模糊聚类以及随机森林回归算法进行组合的电力系统负荷预测方法,利用粗糙集构建补偿规则,对预测结果进行修正补偿。首先,通过对电力系统负荷的周期性、天气相关性等特征进行分析,利用C均值模糊聚类算法对历史样本进行聚类,在进行随机森林回归预测时,使用聚类后同类数据作为训练集样本构建决策树。考虑到随机森林回归预测偏保守、电力系统负荷在峰值处波动大的特征,在得到预测结果后利用粗糙集理论生成补偿规则,对负荷预测进行修正。利用所述方法对北爱尔兰地区进行一日24 h的负荷预测,结果跟实际负荷的平均绝对误差百分比为2.09%,验证了该预测方法的有效性。     

以直供用电量预测经营区域及全国用电量的方法研究

以国家电网直供用电量精准地(相对误差在0.5%以内)预测国家电网经营区域及全国用电量,可以为各级领导宏观经济决策做好辅助工作。大量数据的测算证明,没有一种方法可以保证一年12月中每月都达到精准预测,故使用了多种预测方法,其中以RBF神经网络和带虚拟变量回归方法为主要预测方法,X-12一Arima、指数平滑和季节解构方法作为辅助方法,通过不同方法的互为补充,找到每个月度预测的最好方法,并在此基础上建立了预测模板。利用模板信息,根据2013年11月经营区域直供用电量对经营区域及全国用电量进行了预测,预测结果与实际用电量对照,经营区域用电量相对误差为0.16%,全国用电量相对误差为0.48%。     

基于逻辑回归算法的异常用电辨识方法研究

检测异常用电的目的 是打击异常用电,并减少电能的非技术性损失.文中提出了一种基于逻辑回归算法的异常用电辨识方法,主要包括特征提取、算法构建以及检验模型等模块.提取电网用电量等相关数据,并从数据集中提取出电量下降趋势指标、线损指标和告警类指标用作异常用电评判体系.进行电量下降趋势指标、线损指标和告警类指标的归一化处理,再进行离群邻近度的计算,初步筛选异常用电用户.对初步筛选的结果进行逻辑回归算法的再次筛选,进一步提高识别准确率.经过电网部分用电数据的检验后,该算法相较于逻辑回归算法,识别率更高,识别效果更好.     

关于用电量及负荷预测方法的探讨

开展电力系统用电量及负荷预测的目的是:为了电力系统供电范围内电力工业的发展能够适应国民经济和社会发展的需要。用电量及负荷预测是电力工业生产建设计划及经营管理的基础,又是电力系统规划设计的基础。它将成为电力工业发展水平和速度、技术方向、能源结构以及大型发电厂和重要输变电工程的规模、布局、装机容量与电网结构的     

考虑产业结构调整的用电量指标关联分析及负荷预测

近年来,我国产业结构升级进入"三期叠加"的新阶段,使得电力需求结构发生剧烈与频繁的变动。鉴于常见的电力负荷预测方法在产业结构调整期预测精度不佳的问题,本文借鉴计量经济学的向量误差修正理论,分析了用电量与三大产业之间的关联关系,探讨了用电量指标与分产业生产总值之间的相关程度,并提出了一种基于VECM模型的用电量预测方法。算例证明了该方法的适用性和有效性。     

智能电网环境下采用关联分析和多变量灰色模型的用电量预测

智能电网的发展将给传统用电方式带来重大变化,在此背景下,基于灰色理论提出一种用电量预测新方法。首先通过灰色关联分析法确定影响用电量的主因素变量,然后采用多变量灰色模型(multi-variable grey model,MGM) (1, n)进行用电量预测,该方法能够反映各因素间的相互制约、相互促进的关系,避免了传统灰色模型GM(1,1)未考虑其他随机因素对用电量影响的局限性。对一个实际电力系统的用电量进行预测,结果表明所提方法能有效提高预测精度且适用于中长期电量预测。     

用电量组合预测方法的研究

用电量预测是电力系统调度、实时控制、运行计划和发展规划的前提,是电力部门最基本的决策信息。文章综合考虑经济状况、气候条件等影响用电量的因素,以湖北省历年的数据（包括GDP、产业结构、人口数量、环境平均温度）为基础,采用主成份分析和神经网络相结合的组合方法对湖北省用电量进行预测,预测精度较单一方法更高,可为该地区电力系统提供参考。     

基于随机森林算法的企业非法集资风险预测

[目的]利用大量企业信息和机器学习算法建立企业非法集资风险预测模型,判断企业是否存在非法集资风险.[方法]本文根据企业相关信息,分别构建基于随机森林、LightGBM算法的企业非法集资风险预测模型,并对预测结果对比分析.[结果]实验结果表明,基于随机森林算法构建的企业非法集资风险预测模型得到的F1-score指标较高....     

基于随机森林的非侵入式家庭负荷辨识方法

智能量测技术是智能电网的重要组成部分,文章为增强非侵入式家庭负荷辨识算法的适用性,提出了一种负荷低频监测技术,结合居民用电行为与外部非电力负荷特征相关特性,建立一种基于随机森林的家庭负荷监测模型,在该模型中,选取常用的电气特征以及引入诸如居民负荷使用的时间特征等外部数据特征,通过互信息分析方法筛选与用电行为关联度高的多维特征量,进而采用随机森林算法对居民用电行为进行建模,从而实现对不同家庭各个类型的负荷进行有效监测。算法运行在AMPds公开数据集上,与贝叶斯分类算法进行比较,验证了所提算法的有效性。