区间组合模型在中长期负荷预测中的应用

由于年负荷的发展包含稳定增长趋势成分和随机成分,因此针对单一中长期负荷预测模型通常难以达到理想的预测精度,而组合模型可以对不同的预测模型进行优化组合和信息的综合利用,提出建立基于支持向量机的变权组合预测模型,实现了组合模型的结构风险最小化代替传统的经验风险最小化。同时针对以往预测模型仅仅实现点预测的不足,建立基于区间参数估计理论的中长期负荷区间组合预测模型,可以解决以往负荷模型预测的无精度范围的问题,对传统的中长期负荷预测模型进行了拓展。最后将该模型应用于实际负荷预测中,验证了该方法的有效性和可靠性。     

基于混沌粒子群—高斯过程回归的饱和负荷概率预测模型

饱和负荷预测能有效预估区域电网的发展方向和最终规模,为电网规划及电力市场中长期交易提供指导。针对饱和负荷预测不确定性强、时间跨度大的特点,文中采用基于高斯过程回归(GPR)的概率预测模型进行饱和负荷预测,并通过改进混沌粒子群算法(MCPSO)实现以和方差(SSE)最小为目标的模型超参数优化求解;在综合考虑饱和负荷影响因素随机性的基础上,建立了改进混沌粒子群—高斯过程回归(MCPSO-GPR)饱和负荷预测模型,并在多情景下利用上述模型进行饱和负荷预测,同时结合饱和判据得到多情景下饱和负荷的规模和时间。算例分析表明,所述模型不仅具有较高的预测精度,而且可增强预测的弹性。     

基于灰色马尔科夫预测模型的中长期电力负荷预测

中长期负荷预测在电网发展规划编制中占有重要地位,而其关键是数学模型的建立。本文建立了基于马尔科夫修正的灰色负荷预测模型,利用灰色预测模型对未来负荷进行预测,对预测结果采用马尔可夫链预测方法进行改进,提高其预测的准确性。采用灰色马尔科夫模型对某市用电需求负荷建立预测模型,预测了2006至2008年的用电负荷,与实际用电负荷进行对比,结果验证了灰色马尔科夫模型在对电力负荷进行长期预测时具有较高的精度。     

基于Matlab的电力系统中长期负荷预测及应用

在中长期负荷预测理论和方法的基础上,利用Matlab强大的数据处理能力和Visual C++的灵活性,通过混合编程开发了电力系统中长期负荷预测软件。该软件实现了几种典型的负荷预测方法,包含一元线性回归模型、抛物线模型、Logistic回归、移动平均算法、灰色系统预测模型等。将该软件应用到江苏电网的中长期负荷预测中,在分析影响负荷预测的相关因素的基础上,提出考虑相关因素的分类专用的年度和月度预测方法。     

基于扩展索洛长期均衡模型的饱和电力需求预测

饱和电力需求是电网规划中确定电网健康发展最终规模的关键性指标,能为电网规划提供重要信息,指导电网的建设和输电线路的合理布局。鉴于索洛模型在经济学的规模报酬及劳动产出问题中的成功应用,借鉴索洛模型的思路研究饱和电力需求规模问题,通过引入以产业结构及用电结构为表征的结构效应因素,同时结合多种规模效应及技术进步因素对索洛模型进行扩展,在此基础上建立了长期均衡预测模型。以我国南方某大型都市为例,应用本文所提出的预测模型,对该地区的未来饱和用电规模进行预测,结果表明该模型能够结合社会经济、电网现状及未来政策,对未来饱和电力需求进行预测,是一项有益的探索。     

基于数据挖掘技术的中长期负荷预测方法

电力负荷预测能对电网的合理规划起到指导和决策作用.本文使用数据挖掘技术对南通地区进行中长期负荷预测,首先通过聚类分析对南通地区所有馈线数据进行分类,并运用相关性分析和灰色关联分析定量地分析外界因素对负荷变化的影响程度;其次使用影响性强的因素作为神经网络的输入,建立基于聚类的径向基(RBF)神经网络模型,得到负荷预测结果;最后与不考虑聚类仅使用RBF神经网络的预测模型进行对比,实验结果表明,基于聚类的RBF神经网络模型更先进,显著提高了负荷预测精度,达到了保障供电可靠性的目的.     

灰色Elman神经网络的电网中长期负荷预测

为了降低原始负荷数据突变对Elman神经网络预测精度的影响,考虑电网负荷预测样本时变性强、不确定因素影响多的特点,利用Elman神经网络计算和适应时变特性的能力强、误差可控以及灰色理论所需计算数据少、计算量小,在样本较少的情况下也能达到较高预测精度的优点,建立灰色Elman神经网络的负荷预测模型,首次将灰色Elman神经网络模型在中长期负荷预测中应用.实例结果表明,该预测方法提高了预测精度、取得了较快的收敛速度,说明该模型是可行而有效的.     

计及需求侧资源作用的负荷预测模型及应用

智能电网的发展与应用,智能表计装置安装比例的增大,为从需求侧优化用户用电负荷提供了可能,但同时也对已有的负荷预测模型提出了新的问题.提出了一种考虑需求侧资源（DSR）作用的负荷预测模型,该模型能够定量计算DSR对负荷预测的影响及节电效果.通过某110 kV变电站供电区域负荷预测分析,验证了模型的可靠性,为当前电网规划的负荷预测工作提供了有效的工具.     

考虑电动汽车充电需求的城市配电网负荷预测

提出了一种考虑电动汽车充电需求特性的城市配电网负荷预测方法,实现对城市配电网中长期负荷增长规律进行预测。首先,建立城市电动汽车时空分布的充电需求率模型,再根据城市电动汽车的发展趋势,对电动汽车充电负荷的增长规律进行预测。根据城市发展规划,采用灰色预测模型对常规负荷进行预测,最后将电动汽车负荷增长规律与常规负荷增长规律结合,得到城市配电网的中长期负荷增长规律。     

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。     

基于时间分解技术的中远期逐时负荷预测模型

中远期电力负荷预测对于引导电网规划建设和提升电力系统资源优化配置具有重要意义。为解决当前中远期负荷预测时间尺度过大、预测精度有限的问题,利用时间分解技术,对电力负荷的长期趋势与短期特征分别进行建模分析,从而提出一种新型预测方法,将中远期负荷预测的时间尺度缩短至小时,实现中远期逐时负荷预测。算例分析表明,所建模型在中远期逐时负荷预测方面的性能优于现有的同类模型,具有较高的全局精度和稳定性。同时,能够有效呈现电力负荷的概率密度特征和极值特性,有望为中远期电力规划提供参考。     

考虑数据周期性及趋势性特征的长期电力负荷组合预测方法

为解决长期电力负荷预测精度不足及模型适用性不强等问题,考虑将区域经济发展、社会发展等多项宏观指标与区域用电负荷的时间序列数据进行因素耦合。利用BP神经网络与差分整合移动平均自回归方法(ARIMA)整合改进预测模型,提高年度负荷预测模型的趋势预测能力。采用函数型非参数方法预测月度负荷数据中周期性负荷数据,将年度负荷预测与月度负荷预测相结合以提高模型整体预测精度。最后通过灰色预测等模型数据比对及MAPE误差分析方法验证,考虑数据周期性与趋势性组合的模型方法预测精度显著提升,适用于区域电力负荷的长期性预测。     

负荷预测对新能源电网多目标优化调度的影响规律研究

当前负荷预测的主要目标是提高算法精度,无法实现不同预测精度对新能源电网调度影响的量化分析,因此研究了不同负荷预测精度对新能源电网成本和二氧化碳排放量的影响。首先,确立了包含火-水-光-风电机组新能源电网的多目标函数和约束条件。其次,探讨了粒子群算法在新能源电网调度中的优化思路。再次,利用灰色算法对负荷进行预测并给出了预测结果。最后,求解了粒子束优化调度时不同负荷预测精度下新能源电网运行成本和二氧化碳排放量的数值结果,并进行了拟合规律分析。结果表明负荷预测精度和新能源电网的成本和二氧化碳排放满足二次函数关系,可为新能源电网的规划和调度提供借鉴。     

基于广义需求侧资源聚合的电力系统短期负荷预测模型

需求响应计划的广泛实施对电力系统短期负荷预测将产生一定的影响。为了获得理想的预测精度,需要准确计及需求响应因素的实时变化,并将其融入短期负荷预测模型的构建中。首先提出了一种能够通过电价合同实现的需求响应调度方式,该方式借助负荷聚合商机构实现了广义需求侧资源的最优调度,并能够以需求响应信号的形式提供给系统调度员利用。以此为基础,构建了基于广义需求侧资源聚合的电力系统短期负荷预测模型,将需求响应因素融入到短期负荷预测模型的构建中。仿真结果表明,构建的短期负荷预测模型能够有效弥补传统负荷预测模型的不足,有利于提升模型的预测精度。     

基于配用电大数据的短期负荷预测

受限于数据信息的不完整和粗粒度,短期网供负荷预测的准确率一直难以进一步提升,而配用电信息系统数据的积累和大数据技术的快速发展为开展基于配用大数据的短期负荷预测提供了数据基础和技术支撑。本文首先针对配用电大数据的特征分析了"脏数据"的来源与类型,并提出了相应的数据清洗方法;其次基于大量的历史负荷、电量和气象数据,构建了行业负荷温度影响模型和行业电量节假日影响模型;最后基于上述用电影响模型开展了江苏电网短期网供负荷预测,实际计算结果验证了预测效果的有效性和准确性。     

粗集理论在电力系统负荷预测中的应用

电力负荷预测的准确性对于电力系统的合理规划与建设意义重大.影响负荷预测准确性的最主要因素是原始数据的不确定性.文章应用粗集理论研究了历史数据不确定性影响下的电力系统中长期负荷预测问题.在结合具体实例的基础上,应用粗集理论给出了从负荷预测建模、缺失数据补齐、有效数据筛选到决策规则生成、最终得出负荷预测结果的一完整的预测过程.算例分析表明,应用粗集理论解决数据不确定性影响下的电力负荷预测是可行的.     

城市负荷空间分布的聚类群簇分析

城市电力负荷的空间分布提供负荷大小及其空间位置,是配电网现状评价和空间负荷预测的基础和前提条件。提出了一种城市负荷空间分布的聚类群簇分析方法,基于Python爬虫技术利用百度地图收集规划区域用户开源信息,并采用正则匹配识别用户所在的建筑体及其属性,依据建筑体单位面积用电功率估计电力负荷,构建具有时间、空间和负荷功率的负荷空间分布样本集合。采用样本局部密度和样本间距两个指标进行中低压用户负荷的聚类,依据群簇属性计算得到负荷群簇的负荷中心坐标、局部负荷密度大小以及分布半径以分析负荷空间分布特征。针对某城市供电网格算例,对比分析群簇属性与规划数据的一致性,开展变电站配置的合理性分析,说明所提方法的准确有效性。     

基于改进EEMD-SE-ARMA的超短期风功率组合预测模型

针对风力发电功率时间序列具有非线性和非平稳性的特性,提出了一种改进的集成经验模态分解(Modified Ensemble Empirical Mode Decomposition,MEEMD)-样本熵(Sample Entropy,SE)-ARMA的风电功率超短期组合预测模型。将EEMD分解中添加的白噪声信号改为添加绝对值相等的正负两组白噪声信号,并将MEEMD分解过程中的EMD步骤使用端点延拓和分段三次埃尔米特插值进行改进,形成一种改进的EEMD分解算法(即MEEMD)。利用MEEMD-SE将风力发电功率时间序列分解为一系列复杂度差异明显的风电子序列;针对每一个不同的子序列建立适当的ARMA预测模型;将各预测分量进行叠加重构,得到最终的风电功率预测值。通过算例分析及与其他几种预测模型预测结果的对比,证明MEEMD-SE-ARMA组合预测模型可以有效地提高风力发电功率超短期预测的精度。