夏季短期负荷预测研究

近年来,气候异常,夏季温度异常高,尤其是经过数日的高温后,电力负荷往往会超出预期。因此考虑夏季高温的累积影响,建立了当天气温与近几天的气温之间的修正公式,采用人工神经网络法,利用修正后的气温去预测某天的负荷。算例表明,修正气温后,日最大负荷和日最高气温之间的相关性指数超过0.9,进一步地,夏季连续高温情况下的短期负荷的预测精度能够得到有效提高。     

结合天气因素的HTS-FOA-GRNN短期热负荷预测研究

随着社会的不断发展进步以及社会各界对环境保护问题的高度重视,如何做到让冬季北方地区的集中供热系统经济环保运行成为了目前我国供热行业的首要目标.短期热负荷预测的研究恰恰可以提高供热系统控制精度,优化供热系统控制方案,实现系统的经济环保运行.由于热用户的室内温度受外界环境温度的影响因素较大,因此在结合天气因素再进行神经网络...     

智能电网短期负荷预测的研究

基于灰色系统的理论研究方向,建立智能电网短期负荷预测模型,将负荷预测的关键性评价指标——平均绝对百分误差(MAPE)通过采用粒子群优化PSO计算方法,通过优选实验模型中的阶数和背景参数实现预测和实际运行曲线逐步靠近甚至重合的结果。为达到模型预测的高精度,再通过运用"马尔科夫过程"进一步对原先预测的残值数差进行修正,实现智能电网中短期负荷预测。     

基于GRNN网络的短期负荷预测研究

负荷预测的研究工作对于电力系统的安全、经济、可靠运行乃至国家经济的发展都有十分重大的意义。针对短期负荷预测的精度要求高、速度要求快等问题,进行了基于GRNN网络的短期负荷预测研究,对斯洛伐克东部电力公司的负荷数据进行了特性分析和平滑参数的优化,以期能够较好地弥补当前广泛采用的BP网络算法的局限性,从而为电力系统的调度运行和决策提供更为可靠的信息。     

电力系统短期负荷预测中小波函数的选择

针对应用小波分析进行电力系统短期负荷预测中小波函数的选择问题,以dbN小波系作为变换工具,通过最大李氏指数检测,比较了不同N所产生的预测精度,确定了一种db小波函数为短期负荷预测的核心变换工具。研究结果表明,采用db4作为短期负荷预测的小波函数,预测的结果具有较高的精度。     

基于VMD-LSTM模型的短期电力负荷预测研究

经典的电力负荷预测方法,例如回归预测法、时间预测法、指数平滑法等结构过于简单、拟合精度较差,预测效果不明显。为了提高短期电力负荷预测的精确度,建立了一种将变分模态分解（VMD）和LSTM算法相组合的短期负荷预测模型（VMD-LSTM）。使用VMD将原始负荷数据分解为数个有限带宽的模态分量,以降低原始负荷的复杂度,而且不会发生模态混叠现象,提高数据清晰度,然后每个模态分别构建一个LSTM模型进行预测,最后把每个分量的结果相加得到最终的预测值。通过仿真实验,将VMD-LSTM组合模型和其他几个单一模型进行比较,发现VMD-LSTM模型的预测精度更高,误差更小,能够更好地应用于短期电力负荷预测。     

基于随机神经网络的短期负荷预测

短期负荷受社会因素和自然因素的影响,使得精准负荷预测困难重重。为了提高短期电力负荷预测精度,提出一种基于改进一般随机神经网络的负荷预测模型。随机神经网络与传统的BP神经网络相比的优势在于随机神经网络在参数优化过程中不会陷入局部最优,但是随机神经也存在自身的不足。针对一般随机神经网络优化过慢;参数优化朝着局部数据而不是整体训练数据,导致最后保存模型不是对整个训练集整体的最优模型。提出在随机神经网络预测模型中用Adam算法替代传统的梯度下降优化算法加快优化,并在随机神经网络模型每次更新后计算整体数据的损失函数,保存损失函数最小时的模型。通过实验分析,验证改进的随机神经网络模型更加有效。     

贵州输配电网短期负荷可行性预测

随着混沌科学的发展,预测的方法可以不必事先建立主观模型,而直接根据数据序列本身所计算出来的客观规律(如Lyapunov指数等)进行预测,从而提高预测的精度和可信度。运用最大李雅普诺夫指数法对贵州输配电网短期负荷进行预测,结果表明此预测方法具有可行性。     

短期台区电力负荷预测方法探讨

初步探讨了低压台区负荷预测问题的特点、内容和方法,根据目前的研究现状,指出了预测问题的研究方向,对目前的低压台区短期负荷预测工作提出了一些建议。     

基于BA-VMD-LSSVM的超短期电力负荷预测

超短期电力负荷具有随机性强、波动性大等特点,使得对其进行高精度的预测比较困难。文中提出基于全局参数优化的超短期负荷预测模型。在训练阶段,建立平均绝对百分比误差（MAPE）作为蝙蝠算法（BA）的目标函数,以优化变分模态分解（VMD）、最小二乘支持向量机（LSSVM）及输入数据点数。在测试阶段,应用设置最优参数的VMD分解负荷数据,并使用LSSVM处理各分量,以完成对电力负荷的高精度预测。数据分析结果表明,使用BA对VMD、LSSVM和输入数据点数进行全局优化能够有效地提高超短期电力负荷的预测精度。     

基于模糊神经网络的电力负荷短期预测

电力系统短期负荷预测是电力部门的一项重要工作,它对合理安排机组启停、确定燃料供应计划、进行电力交易等都具有重要的意义.应用模糊神经网络结合遗传算法实现预测系统通过对历史数据的自适应学习建立的模糊预测模型,算法上采用改进的BP算法.通过MATLAB仿真分析了该预测系统的优越性和准确性.     

基于支持向量机的短期负荷预测

提出一种基于支持向量机的电力系统短期负荷预测方法,将SVM引入短期负荷预测,通过不断输入新的负荷数据来更新回归函数,以获得更快的计算速度和较好的预测精度,利用佛山地区的历史负荷作为训练数据,结果证明了该方法能在一定程度上提高电力负荷的预测精度。     

改进粒子群优化BP神经网络短期负荷预测研究

为了提高短期电力负荷预测的准确性,提出了一种改进型粒子群优化BP神经网络预测模型。在改进的粒子群每次迭代过程中求出种群平均适应度值,并将每一粒子适应度值与种群平均适应度值比较,当粒子适应度值劣于种群平均适应度值时,对其空间位置初始化处理,随机生成新的位置,当粒子适应度值优于或等于种群平均适应度时,保持位置不变,通过此种方式,保留了种群中优良粒子,在搜索空间不断缩小的后期拓展了搜索空间,保持了种群多样性,利用改进的粒子群算法优化BP神经网络的初始参数,再将训练样本训练BP神经网络求得最优参数。将此模型应用到河南省某地区短期电力负荷预测中,结果表明此种方法有效提高了预测精度。     

灰色系统理论在负荷预测中运用综述

灰色理论广泛运用在负荷预测中。该文分析了灰色预测模型,指出模型存在的缺陷,并对负荷预测应用中的传统灰色预测模型的改进方法进行分类介绍,同时对灰色负荷预测技术的发展趋势进行展望。     

短期负荷预测中一种周期外推法修正模型的探讨

由于影响负荷的随机因素很多,而传统负荷预测方法-周期外推法主要考虑前几日同时段负荷瞬时变化的规律,故存在局限性,预测精度不高。从周期外推法出发,提出了一种基于神经网络的外推法修正模型:通过BP网络进行训练,找到随机因素(如天气等)对负荷的影响因子,然后将其作为周期外推法模型的修正项。此外,还对修正模型的结果进行了分析和调整。实例证明,此方法在一定程度上克服了周期外推法的缺陷,提高了短期负荷预测的精度。     

电力需求侧的超短期负荷预测分析

从整合用电信息和气象信息等实时多信息源出发,研究了ARIMA预测及BP神经网络预测的单一模型,得出了BP神经网络预测模型更加适用于需求侧超短期负荷预测的结论,对全力推进电力需求侧管理信息平台和长效机制的建设具有重要指导作用。     

基于BP神经网络的短期小水电电力负荷预测

电力系统短期负荷预测在企业的调度运营和服务管理等方面都起着不可或缺的作用,其预测精度的高低直接影响着电力系统运行的安全性、经济性和稳定性,因此短期负荷预测方法的研究一直为人们所重视。基于电网实际运行数据建立一个BP神经网络模型,利用神经网络高度非线性建模能力,探讨含小水电地区电网的负荷情况。实例计算表明,该方法精确有效,收敛性好,运行速度快,对提高多小水电地区网供负荷预测的准确度有较高的实用价值。     

改进人工蜂群优化神经网络的短期负荷预测

准确的短期负荷预测能够减少发电机组停机备用和旋转备用,其预测效果直接影响电网的安全稳定和经济效益.针对BP神经网络初值敏感、易陷入局部最优的缺点,提出了一种改进人工蜂群算法优化BP神经网络的负荷预测方法.首先融合负荷数据与温度、湿度等天气数据并进行高斯滤波处理,再采用搜索位置更新实现人工蜂群算法的改进,利用其算法完成B...     

电力负荷与气象因子因果关系分析及预测研究

短期电力负荷预测是电力部门生产调度的重要参考,不同地区影响电力负荷的因素有所不同,因此,为探索电力负荷与气象因子之间的因果关系,以某变电站逐小时电力负荷和气象要素数据为基础,采用格兰杰因果检验分析气象要素与电力负荷的因果关系。采用ADF检验验证气象因子与电力负荷数据的平稳性,将通过ADF检验的平稳性变量进行格兰杰因果检验。结果显示,温度、相对湿度和风速均是电力负荷的格兰杰原因,温度和相对湿度对电力负荷变化的影响是实时的,风速对电力负荷变化的影响具有1 h以上的滞后性。采用灰色关联度和余弦相似度建立综合相似性指标,基于相似日法提出一种短期电力负荷预测模型,以2018—2020年的气象数据和电力负荷数据作为样本库,采用2021年的数据对模型预测准确性进行检验。经验证,模型在天气因子变化不明显或变化缓慢情况下预测准确率为90%以上,可作为电力部门生产调度参考。