基于短期负荷预测的超短期负荷预测曲线外推法（Only in Chinese）

针对短期和超短期负荷预测的特点，提出了一种基于短期负荷预测的超短期负荷预测曲线外推算法。该算法充分利用了短期负荷预测已取得的成果，解决了传统采用负荷历史数据进行超短期负荷预测时在拐点、天气剧烈变化和节假日期间负荷预测精度下降的问题。为了提高负荷预测精度，还讨论了在进行超短期负荷预测时，对历史坏数据的处理以及对短期负荷预测中对拐点预测不准的修正等实用性问题。通过在四川电网调度自动化系统中的应用结果表明，该方法速度快，精度高，运行可靠稳定，具有较强的适应性。     

短期负荷预测的组合数据挖掘算法

给出了一种短期电力负荷预测的组合数据挖掘算法.通过日负荷特性分析,在设定长度的最近历史日期中选择与预测日天气最相似的为基准日,通过该模式下天气相似日的相关影响因素差异与相应负荷变化率关联规则挖掘建模,挖掘模型算法采用C4.5和CART算法的基于BP网络加权组合,算法还基于范例推理给出节假日调整因子校正节假日的影响,设计出一种高精确度短期负荷预测系统.实际应用结果表明该组合算法预测精确度高、效果良好.     

某市春节负荷特性分析及预测方法应用研究简

分析了江苏连云港地区春节期间特别是除夕负荷曲线的形状、走势和特点,综合考虑天气、重大事件、历史负荷等对春节期间负荷变化的影响,针对春节负荷应用一种自适应神经网络负荷预测方法。该方法通过选取人体舒适度相似的节假日、历年相似日、前一日的负荷数据预测当日负荷,以提高预测精度。算例表明,该方法有效地提高了春节负荷预测的精度,弥补了传统算法除夕负荷预测误差大的问题。     

某市春节负荷特性分析及预测方法应用研究

分析了江苏连云港地区春节期间特别是除夕负荷曲线的形状、走势和特点,综合考虑天气、重大事件、历史负荷等对春节期间负荷变化的影响,针对春节负荷应用一种自适应神经网络负荷预测方法。该方法通过选取人体舒适度相似的节假日、历年相似日、前一日的负荷数据预测当日负荷,以提高预测精度。算例表明,该方法有效地提高了春节负荷预测的精度,弥补了传统算法除夕负荷预测误差大的问题。     

考虑气象信息的节假日负荷预测

因负荷成分与正常日有较大差异且样本较少,故节假日短期负荷预测精度往往不太理想.通过对节假日负荷特性的分析,考虑到节假日负荷影响主要受负荷自然增长及天气等因素的影响较大,文中采用相似日方法和模糊推理分别预测负荷曲线模式和负荷水平.通过对实际系统负荷进行预测,结果表明预测精度较高,尤其在气象出现较大变化的节假日能够得到较好的预测结果.     

基于参数迁移的节假日短期负荷预测方法

在短期负荷预测中,节假日负荷的相关数据通常较少且负荷规律和平常日差异较大,因此节假日负荷预测的精度往往较差。为此,提出了一种基于参数迁移的节假日短期负荷预测方法,采用深度神经网络结合迁移学习以提高节假日负荷预测精度,用某省电网的实际负荷数据进行了仿真分析。结果表明,方法能有效提高节假日负荷预测的准确性。     

考虑相关因素统一修正的节假日负荷预测模型

能源互联网正在逐步影响电网的规划建设方式,其对于相关的负荷预测技术也提出了更高的要求。节假日负荷预测由于存在与正常工作日差异较大且历史数据较少的原因,其负荷预测的效果往往不理想。通过相关因素统一修正模型对气象、时间等相关因素进行修正处理之后,得到统一相关因素影响下的正常工作日数据。考虑“近大远小”的原则,对于正常工作日和节假日负荷曲线之间的相关性进行分析,并基于点对点倍比预测模型提出节假日负荷预测模型,该模型能够自动削弱历史中不正常数据对于预测精度的影响。将提出的预测方法应用于我国北方某城市和某地区的节假日负荷预测,算例分析结果显示预测精度能够满足实际需要,可以为相关电力部门节假日负荷预测提供一定的参考价值。     

基于贝叶斯方法与可解释机器学习的负荷特性分析与预测

使用机器学习模型和方法进行短期负荷预测，虽能提升负荷预测的整体精度，但在极端天气、节假日等小样本预测场景中，对比基于专家经验的人工预测无明显优势。为充分结合预测业务人员的经验知识与机器学习的推理泛化能力，提出了一种基于贝叶斯时变系数（BTVC）与CatBoost模型的可解释负荷预测框架。首先，结合数据与专家知识，构建BTVC模型进行预测，获得各影响因子、趋势及周期因素的负荷分量。其次，将上述结果与常规特征进行组合，作为CatBoost回归模型的输入，进行最终预测。然后，使用事后模型解释框架（SHAP）进行归因分析，框架输出的定量关系可供负荷预测业务人员参考，使其开发出更有效的特征，进一步提高预测效果。最后，以某地区实际电网负荷数据为例，验证所提负荷预测与结果分析框架的有效性。     

基于柔性负荷响应特性的超短期预测方法

在自动需求响应系统(ADRS)中,当大量的用电负荷数据被自动实时采集时,受节假日、天气、温度等因素的影响,用户侧负荷用电特性会随着响应策略的变化而发生变化。传统负荷预测方法的预测精度也将会被降低,不再满足ADRS要求。针对这一问题,基于柔性负荷的响应特性,将"预测-调度-响应"各环节视为一个闭环控制系统,把自动响应(AD)信号作为一个输入变量引入系统。基于丰富的负荷用电数据,采用"黑匣子"思想建立了闭环超短期负荷预测模型,并用仿真结果验证了模型的有效性。结果表明,该模型与传统预测模型相比,预测精度明显提高。     

融合历史数据和实时影响因素的精细化负荷预测

随着智能电网技术的飞速发展,对负荷预测的精度提出了越来越高的要求。融合负荷、天气等多源数据,提出了一种基于数据融合的支持向量机精细化负荷预测方法。首先对负荷历史数据进行聚类分析,将运行日分成六类。然后将负荷数据和温度、湿度等天气数据进行融合,针对六类聚类结果分别建立基于数据融合的支持向量机精细化负荷预测模型,并对模型参数进行全局优化。采用不同的预测模型对浙江省某地级市2013年的负荷进行预测,结果表明所提出的负荷预测方法的预测精度明显高于传统的负荷预测方法的预测精度。     

电力系统短期负荷预测模型设计

设计了一种基于反向传播(back propagation,BP)算法与模糊控制规则相结合的电力系统短期负荷综合预测模型,前者完成电力负荷中具有相对平稳的基本负荷分量,后者完成因天气变化、节假日等因素引起的随机负荷分量.由于模型引进了平滑系数、遗忘系数、不平均隶属函数等,提高了BP神经网络的学习速度,可充分反映负荷对温度...     

基于BP神经网络的电网短期负荷预测模型研究

为了获得能够反映短期负荷波动的自动预测模型,将BP神经网络运算逻辑与Matlab神经网络工具箱相结合,利用供电系统的气象条件、供电日的日期类型等函数干扰因素作为BP网络神经元的约束"权值",结合自适应控制中的节假日、供电限制等"外部干预项",通过模型对系统历史运行短期负荷数据进行自动"学习",获得一个具有自适应学习速率...     

基于神经网络BP算法的局部电网短期负荷预测系统

电网负荷受天气、节假日、生活方式等多方面影响,短期呈现随机性,长期来看,又有一定的规律可循。选择合适的短期负荷预测模型,将有利于提高短期负荷预测的准确率,极大方便调度机构的短期负荷预测工作。本文基于神经网络BP算法的局部电网短期负荷预测,通过采集局部电网数据样本,获得大量数组,再使用神经网络BP算法进行自适应学习,获取各因素与负荷之间的非线性关系,预测局部电网负荷变化趋势,提前调控电网方式,降低局部电网主变、线路运行风险,确保电网安全运行。     

Demand forecasting using fuzzy neural computation, with specialemphasis on weekend and public holiday forecasting

This paper describes the implementation and forecasting results of a hybrid fuzzy neural technique, which combines neural network modeling, and techniques from fuzzy logic and fuzzy set theory for electric load forecasting. The strengths of this powerful technique lie in its ability to forecast accurately on weekdays, as well as, on weekends, public holidays, and days before and after public holidays. Furthermore, use of fuzzy logic effectively handles the load variations due to special events. The fuzzy-neural network (FNN) has been extensively tested on actual data obtained from a power system for 24-hour ahead prediction based on forecast weather information. Very impressive results, with an average error of 0.62% on weekdays, 0.83% on Saturdays and 1.17% on Sundays and public holidays have been obtained. This approach avoids complex mathematical calculations and training on many years of data, and is simple to implement on a personal computer     

基于分区逐时气象信息的全网负荷预测研究

负荷与气象是密切相关的,尤其在夏冬两季。以省网负荷预报为例,在传统的电力负荷预测中,所采用的气象信息一般是全省、全天的气象信息,比如全省最高温度、最低温度等等。当前,气象预报技术已经可以做到分区、逐时预报。该文总体思路是将分区逐时气象预测数据应用于负荷预报,以进一步提高负荷预测精度。指出了按照行政区域和气候区域相结合来分区,定义了基于负荷的综合气象因素,提出了根据网供电与综合气象因素进行预测的策略,给出了将相似日方法与支持向量机相结合的负荷预测方法。最后给出在河南电网应用的实际结果,对比表明采用逐时气象信     

基于气象因素粗糙集理论的负荷预测方法

电力负荷受气象因素影响越来越大,如何准确预测负荷中的气象负荷是负荷预测中的一项有意义的课题。本文首先采用粗糙集对影响负荷的气象因素进行规则简约,找到影响负荷的核心气象因素;然后以这些核心因素为坐标寻找与预测日距离最小的历史数据,利用时间序列方法进行预测。经实际系统检验,证明该方法克服了传统气象负荷预测中的主观性,将历史数据的发掘过程量化,便于机器预测。并且预测结果误差小,是一种适用性很强的技术。     

基于大数据和多因素组合分析的单元制配电网精细化负荷预测

为了实现配电网侧差异性规划和精益化管理需求,对单元制配电网展开精细化负荷预测已经成为新的发展趋势。首先利用改进K-means方法,根据历史负荷数据,对区域内的负荷进行分类,并匹配到单元制配网的实际负荷类型;然后结合负荷密度、用户数量、天气状况、国民经济等因素,应用回归方法归纳出各类型负荷的典型单位曲线,实现各类负荷的单独预测;最后考虑节假日和用电习惯等主客观因素对预测结果进行校正,叠加各类负荷实现单元制配网总负荷的预测。算例表明,基于大数据和多因素的单元制配网精细化负荷预测方法不仅能够提升配网负荷的预测精度,还能依据负荷类型划分结果指导配网规划和扩建。     

基于人体舒适度指数的配电网短期负荷预测方法

针对配电网负荷特点,提出了一种基于负荷曲线形状相似度与人体舒适度指数的配电网短期负荷预测方法。研究了负荷曲线形状相似的特点,依靠各时刻负荷差值期望,给出了一种负荷曲线形状相似度计算方法。针对气象因素对负荷的影响,引入了人体舒适度指数,并根据日最高气温与最低气温,给出了一种日人体舒适度指数相似度计算方法。根据配电网负荷类型特点,分析了节假日与正常工作日情况下,各类型负荷变化特性。结合上述特性,给出了一种配电网短期负荷预测方法,并详细论述了方法原理及步骤。结合某一配电网电源点9天历史数据与气象数据作为实例,表     

基于特征加权Stacking集成学习的净负荷预测方法

当前用户侧接入大量新能源,通常采用实际电力负荷减去新能源发电功率后的负荷(称为“净负荷”)进行预测研究。由于新能源发电随机性强,净负荷具有不确定性强、规律性差的特点,难以准确预测。为此,提出了一种基于特征加权改进的Stacking集成学习净负荷预测方法。首先,通过对不同单一预测模型的预测性能和差异性的分析,优选出长短期记忆网络、Elman神经网络、随机森林树和最小二乘支持向量机作为Stacking集成的学习器。其次,针对传统Stacking集成预测由于忽略学习器之间差异性所导致的预测能力不足问题,根据预测精度对不同学习器进行特征加权,以修正各学习器所带来的整体预测误差。最后,基于德国TENNET区域实测数据进行算例分析,结果表明,相比于单一预测模型、传统Stacking集成预测方法,基于特征加权Stacking集成学习的净负荷预测方法在晴天、多云、多雨、多雪等天气情况下均具有更高的预测精度。