温湿变化对北京城区气象敏感电力负荷的影响分析

为研究气象条件与近年来北京城区空调用电负荷压力不断增加之间的关系,利用2012年和2013年北京夏季日瞬时最大电力负荷和城区逐日气象资料,并引入反映温湿变化的气象指数,采用统计方法分析了北京城区夏季温湿变化对日瞬时最大电力负荷的影响,发现日瞬时最大电力负荷受温湿指数的影响比平均气温以及考虑了风速的北京舒适度气象指数要更加显著,当温湿指数变化1个单位时,日最大气象敏感负荷将增加或减少38.6万kW。同时,建立了基于温湿变化的日最大气象敏感负荷的计算方程,并进行了应用分级和服务用语编写。     

基于夏季气象因素变化的建筑物空调负荷基线预测方法

随着人们对室内舒适度要求的不断提高,空调使用需求也日益增长,夏季日最大负荷在不断升高,其中,空调负荷占总负荷的比重也越来越大。视空调负荷为建筑物夏季负荷的最主要部分,基于气象因素对建筑物进行短期负荷预测方法的研究,首先研究影响夏季负荷的气象因素,并选出主要因素,然后分析主要影响因素的关系及其与负荷的关系,最后采用BP神经网络算法模型对夏季负荷进行短期预测。     

考虑关键气象因素的时间卷积网络充电桩负荷预测

为解决电动汽车EV(electric vehicle)充电负荷易受气象因素影响产生“时移”的问题，提出一种考虑关键气象因素的时间卷积网络充电桩负荷预测方法。首先分析不同气象因素即气温、降雨、风速、降雪、相对湿度、日照总强度对EV充电负荷的影响，利用最大相关最小冗余准则提取关键气象因素。其次，为简化相似日选取步骤并保证分类准确性，引入孪生网络选取不同天气类别下充电负荷相似日。最后以关键气象因素和相似日历史负荷作为时间卷积网络的输入向量进行EV充电负荷预测。对比实验表明，考虑气象影响可有效提高负荷预测精度。     

夏季日峰荷与有效温度的灰色建模及灵敏度分析

为了深入了解夏季日峰荷与气象因素之间的关系,定量掌握夏季气象因素对日峰荷的影响,作者首次提出用人体舒适度作为综合气象指标来反映夏季气象因素对日峰荷的影响.对2000年北京市夏季日峰荷与人体舒适度、日平均温度进行的灰色关联分析的结果表明:有效温度是对夏季日峰荷影响最大的关联变量.在此基础上建立了夏季日峰荷与有效温度的灰色GM(1,1)模型,并进行了单位有效温度的变化引起日峰荷增量变化的灵敏度分析,为电力部门在制定夏季运行方式或电力需求计划时,如何确定解释变量、定量地掌握夏季日峰荷随气象因素变化的规律提供了理论依据.     

基于有偏最小最大概率回归的短期负荷预测

针对电力负荷的一些特性,提出了使用非线性数据分类学习机的理论来解决短期负荷预测问题。利用有偏最小最大概率机进行数据学习分类,对采集到的信息进行分类、特征提取,形成归一的数据类型;用得到的分类数据作为有偏最小最大概率回归模型的输入进行训练预测。该方法通过核函数将输入向量从低维空间映射到高维空间,在高维空间实现了基于高阶统计信息的负荷影响因数的特征提取,既全面考虑了影响负荷预测的历史时间序列、气象等各种因素,又避免了由于输入变量过多而导致模型结构复杂、训练时间长等不足。计算实例表明,文中提出的方法用于短期负荷预测,其预测精度较高,且训练时间较短,方法可行且有效。     

基于Attention-BiLSTM神经网络和气象数据修正的短期负荷预测模型

基于循环神经网络的负荷预测模型大多将历史负荷数据和影响负荷的其他因素如气象数据等共同作为预测模型的输入特征,但气象数据内部规律性不强,不适合作为循环神经网络的输入.针对该问题,提出一种基于Attention-BiLSTM神经网络和气象数据修正的短期负荷预测模型.采用最大信息系数分析影响负荷的主要因素;考虑到负荷序列较长...     

气象环境对电网负荷的影响因素分析

针对地区电网负荷易受多种气象因素影响,负荷预测中存在诸多不确定性问题,研究了气象因素对电网负荷的影响,最大程度减少由气象因素造成的负荷预测偏差。应用灰色关联度分析方法,基于大量历史数据,剖析气温、湿度、风速等气象因素与负荷特性变化的关联度,得到对负荷变化产生主要影响的气象因素。在此基础上,为了量化分析主要气象因素对负荷影响的程度,采用支持向量回归的方法得出日特征气象因素、实时气象因素对负荷变化的的灵敏度模型。同时,考虑到气温的累积效应对负荷特性变化的重要影响,研究气温累积效应对负荷的影响规律,得到气温累积效应修正公式,并用实例证明对历史数据经累积效应修正公式进行修正后,修正数据能够切实提高负荷预测的准确性。     

负荷功率模型的最优特征选择研究

负荷功率呈现时空多样的变化特性,其影响因素众多,构建负荷功率模型的关键之一是确定模型的输入特征量。文中着重研究短期负荷功率模型的特征选择,旨在从历史负荷、气象、日期等众多特征中选出最优特征集。首先,采用最大信息系数、基于支持向量机的递归特征消除法和随机森林3种不同特征选择方法分别对输入特征集进行选择;然后,根据对比分析结果提出基于遗传算法的最优特征集搜索策略,选定XGBoost预测模型的误差指标作为适应性函数进行迭代优化搜索;最终,确定负荷功率模型的最优特征输入集。采用某地区220 kV变电站母线负荷数据进行算例分析,对比各方法所选特征集作为功率模型输入得到的负荷预测效果,验证了文中方法的有效性和准确性。     

基于信息熵和变精度粗糙集优化的支持向量机降温负荷预测方法

降温负荷持续增长已成为中国南方夏季最大负荷屡创新高的重要原因。提出了一种基于信息熵和变精度粗糙集优化的不确定支持向量机方法,用于中长期降温负荷预测。方法通过挖掘数据中的相互关系去除冗余信息,从输入属性变量集中寻找核心变量。该方法利用基于信息熵改进的变精度粗糙集对支持向量机的条件属性进行约简,得到最小决策表,并将该最小决策表中对应的变量作为支持向量机预测模型的输入属性变量,进行年最大降温负荷预测。且随着预测年份的推移,该支持向量机预测模型的输入属性变量亦将随之滚动更新,能够为电网规划与运行人员提供不同预测时期降温负荷预测需重点关注的影响因子。最后,利用广东省实际数据对广东电网"十二五"和"十三五"年最大降温负荷进行预测,结果表明,所提的预测方法预测效果良好,预测精度稳定,对于中长期预测过程中的各种不确定因素的影响具有较好的鲁棒性,真正实现了中长期降温负荷的动态预测。     

基于模糊支持向量机方法的短期负荷预测

考虑气象因素对负荷的影响,提出了一种模糊支持向量机SVM(Support Vector Machine)的短期负荷预测方法。首先选取预测日前4星期中差异评价函数小于给定经验值的已知日作为相似日学习样本．然后利用隶属度函数对影响负荷特征因素向量的分量进行模糊处理,得到SVM的训练样本集．拟合负荷和影响因素之间的非线性关系。对24点每点建立一个SVM预测模型,采用改进的序列极小优化算法实现对SVM的快速训练。算例数据包括每天的气象数据和24点负荷数据．以最大相对误差和平均误差评价预测结果,表明所提方法简便快速且实用有效。     

湖北电网负荷与气温关系及负荷特性分析

根据多年对湖北电网负荷与温度关系的研究成果，分析了湖北电网最大负荷与夏季日最高气温之间的关系，并以详尽的史料对湖北电网负荷的时间、负荷一气温敏感性、湖北电网日负荷特性等进行了分析。     

南京市夏季气温--日峰荷特性分析

气候变化对负荷的影响在逐年增大。同时也影响着电力系统负荷预测的精度。南京市夏季的季节性成分在一年中为最大,其中温度因子的影响是其构成的主要因素。通过对1996－1999年期间夏季典型日负荷曲线、夏季日峰荷与温度因子的相关性分析和对温度因子热积累效应的研究,为提高电力负荷的预测精度打下了基础。     

基于改进积温效应修正模型的负荷预测

针对积温效应会造成电力负荷异常增长,传统负荷预测方法精度较差的问题,基于积温效应对电力负荷影响进行分析,提出了基于改进积温效应修正模型与参数优化支持向量机的负荷预测方法。首先分析气象因素与气象负荷的相关性,确定积温临界值,对积温效应强度和温度之间的关系进行研究,提出了一种改进积温效应温度修正模型。然后利用PSO对支持向量机参数进行优化,利用优化支持向量机对日负荷进行预测。最后通过算例实例证明了该方法的有效性,可有效提高短期负荷预测的精度。     

夏季日峰荷与人体舒适度的灰色关联分析

为了深入了解夏季日峰荷与气象因素之间的关系,首次提出了运用人体舒适度作为气象因子以分析它对夏季日峰荷的影响,并以2000年北京市夏季日峰荷、气象因子(温度、湿度、风速等)数据为分析基础,运用灰色理论的关联分析方法,分别计算了2000年北京市夏季日峰荷与日平均温度、人体舒适度参数的关联度,得出了北京地区夏季日峰荷,在芒种至立秋期间,与人体舒适度关联较之与温度参数的关联更为密切的结论,从而为电力运行部门、计划部门在制定夏季日峰荷运行方式或电力需求计划时确定合适的解释变量提供了充分的理论依据。     

基于粗糙集属性约简算法和支持向量机的短期负荷预测

结合粗糙集和支持向量机两种智能算法提出了短期负荷预测模型。首先根据历史数据建立属性决策表,通过属性约简算法对数据进行挖掘,找到影响负荷的核心因素,然后将它们作为支持向量机的输入矢量来预测负荷。算例结果表明,新模型与按经验选取输入矢量的传统支持向量机模型相比,预测精度有了很大的提高且更适用于短期负荷预测。     

基于LS-SVM和PSO相结合的电力负荷预测研究

提出了一种基于最小二乘支持向量机(LS-SVM)和粒子群优化技术(PSO)相结合的电力负荷预测方法.以历史负荷数据、气象因素等作为输入,建立预测模型,对未来日最大负荷进行预测.该模型利用结构风险最小化原则代替传统的经验风险最小化,以充分挖掘原始数据的信息,并应用粒子群算法优化最小二乘支持向量机的参数,提高了预测模型的训练速度和预测能力.实际算例表明,使用上述方法进行电力负荷预测,具有良好的可行性和有效性,与BP神经网络法的预测结果相比,前者具有更高的精度和更强的鲁棒性.     

基于实时气象因素和LSSVM的短期负荷预测研究

正电力系统负荷受气象因素的影响很大,为提高负荷预测准确度,提出了基于实时气象因素和最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)的短期负荷预测模型。短期负荷预测对电网建设、电力市场交易和电力调度等有重要的意义,一直以来都是研究的重点。系统负荷受能源供应、地区经济发展水平、气象因素和日类型等的影响,因此负荷不     

相空间重构和SVR耦合的短期电力负荷预测

电力系统的短期负荷预测精度对智能电网安全运行有着重要影响,其中预测精度和训练步数至关重要,目前当地气象因素逐渐成为负荷预测中的关注点。以某市短期电力负荷为研究对象,建立了考虑日特征相关因素的支持向量回归机短期电力负荷预测模型,随后对某市考虑气象及日期类型的电力负荷做出预测。研究表明:利用考虑实时气象因素的SVR预测模型对短期电力负荷进行预测精度较高;考虑气象及日期类型的预测误差比不考虑气象及日期的预测误差小;嵌入维数和时间延迟对负荷预测模型精度具有重要影响。     

考虑高温累积效应的夏季日最大负荷预测

对湖南地区夏季日最大负荷与温度进行敏感性分析,得出夏季温度对负荷的影响可分为2个阶段,并提出变换公式来描述平均温度对负荷的阶段性影响。确定出现高温累积效应的温度界限值,并以高温持续天数与最高温度定义高温累积效应,直观反映持续高温对负荷的影响程度。引入温度的＂1度效应＂和高温累积的＂1天效应＂概念,并对其进行分析。建立考虑温度变化、持续高温和人们生产、生活规律的夏季日最大负荷预测模型,验证了高温累积效应的方法合理、有效。     

基于广义学习矢量量化和支持向量机的混合短期负荷预测方法

提出了一种基于广义学习矢量量化的负荷特征聚类方法,既考虑了专家经验的指导,同时兼备人工神经网络强大的非线性处理能力。归纳提取的负荷、气象综合指数更能反映日负荷的基本特征,同时减少了网络输入层的维数。实际预测结果表明,综合了广义学习矢量量化和支持向量机的混合短期负荷预测方法无论是在聚类准确度方面,还是在预测准确度方面,与单纯的支持向量机算法和自组织特征映射与支持向量机的混合算法相比,均具有明显的优势。