基于ART算法的电力负荷预测

为了有效支持用电管理决策及负荷预测,在分析用电管理及智能辅助决策支持技术发展现状的基础上,提出了一种基于自动回归树(ART)算法的电力负荷预测方法.利用该预测方法对电力远程自动抄表系统所采集的历史数据进行了处理分析.针对实际系统应用,验证了该方法适用于短期负荷预测,也适用于时未来电力负荷的准确快速预测.因此它是一种行之有效的方法.     

基于用电信息采集的非侵入式居民电力负荷自动监测系统

传统系统在进行居民电力负荷监测时,存在高峰负荷降低效果不明显,用电异常监测及时性差等问题.为此,文中设计基于用电信息采集的非侵入式居民电力负荷自动监测系统,有效解决了以上问题.该系统采集居民用电信息并分析居民用电异常情况,对采集到的用电信息数据进行去冗余处理,控制信息的采样频率和通信效率;依据压缩感知方法重构用电负荷数...     

小波去噪和神经网络在电力负荷预测中的应用研究

为了降低历史负荷数据噪声对负荷预测的影响,提高电力负荷的预测精度,提出了一种基于小波去噪和BP神经网络的电力负荷预测方法。首先,对所得电力负荷数据进行了小波变换去噪处理,有效去除了噪声,然后利用BP神经网络在非线性处理中的优异特性,对小波去噪后的电力负荷进行了BP神经网络建模训练及仿真。实验结果表明:相比于其他电力负荷模型,该方法可以有效提高电力负荷的预测精度,是一种有效的电力负荷预测方法。     

数据挖掘技术在电力负荷管理系统中的应用

将数据挖掘技术应用到电力负荷管理系统中,设计出电力负荷数据挖掘系统,此系统包括数据预处理模块,数据挖掘模块和数据挖掘结果显示模块。根据电力系统数据的特点,提出采用多元线形回归模型进行数据挖掘的方法,并成功运用了实践中实例表明该数据挖掘系统能够对电力负荷值进行有效的预测,提高用电生产管理方面信息的准确性和及时性,从而保证供电与用电的稳定。     

国家电网用电景气指数在福建的实证研究

为实现从电力看经济的功能, 国网公司实验性构建了用电景气指数从用电及电力相关指标情况反映宏观经济走势,从而达到对宏观经济走势进行预测预警的目的. 本文通过国网用电景气指数在福建的实证, 得出国网指标体系能否适用于区域景气预测的结论, 并根据结论分析原因,为建立福建指数指标体系提出下一步的工作方向,最终为福建省政府及电力行业有关部门判断宏观经济形势并制定经济政策,投资机构投资决策,电力、煤炭等能源部门判断电力供需形势并安排生产计划等提供有效支持.     

电力用电信息采集系统在电力计量中的运用研究

由于电力行业的飞速发展,导致当下的电力计量方法不能很好地适用目前实际状况。为了解决这一问题,本文对电力用电信息采集系统在电力计量中的运用进行研究。首先阐述电力用电信息采集系统的功能,再利用电力用电信息采集系统对电力计量方法进行优化,对用电数据进行筛选分析,创建自动抄表系统,通过构建合理的计量数据分析管理平台优化电力计量方法,最后利用实例环节进行验证,证明电力用电信息采集系统能够使电力计量方法更好地适应当下电力行业的发展,定量定点地对数据进行远程监测。     

基于Attention-LSTM的电力负荷自动预测方法

电力负荷预测方法异常数据筛选能力较差,导致预测精度较低,为此,基于Attention-LSTM研究一种新的电力负荷自动预测方法,构建ZigBee组网协议下的数据采集信息组网,采集电力负荷原始数据,建立自动预测模型,将电力负荷数据输入到数据处理模块中,构建模态序列,将各个子序列中的模态分量结果重组叠加,得到电力负荷功率的预测结果。实验结果表明,该方法能够筛选出绝大部分异常数据,异常数据筛选率在90%以上,预测精度在99%以上,预测时间低于15 s。     

电力负荷中期预测分析系统的仿真应用

本文介绍了开发电力负荷预测分析系统的主要技术，系统集成了人工神经BP算法和支持向量机SVM两种预测方法，运用多元回归模型和时间序列模型建立电力负荷中期预测模型。系统运用MATLAB科学计算工具实现模块设计、功能设计和数据存储设计，运用GUI(图形用户界面)实现系统仿真界面，方便了技术人员进行电力负荷预测的分析研究。     

基于杂草算法的支持向量机电力负荷预测

分析各参数对支持向量机学习能力的影响,提出一种基于杂草算法的支持向量机电力负荷预测方法。首先运用杂草算法对支持向量机的两个关键参数进行智能寻优,然后将最优参数运用到支持向量机预测模型。采用新的预测模型对EUNITE第一次竞赛提供的相关电力数据进行分析,并与基于回归树和基于神经网络的预测方法进行比较。结果表明本文方法智能化地解决了传统参数选择方法的缺陷,且对电力负荷预测具有较高的预测精度。     

基于自适应神经模糊推理系统的城市电力需求及预测模型

城市年度电能消耗数据具有较强的非线性特点。科学预测城市电力需求,是一项重要的基础性工作,需要有一种较为简易又有足够精度的预测方法。运用神经网络较强的非线性映射能力和模糊推理系统计算量小的特点构造了基于自适应神经模糊推理系统的城市电力需求及预测模型。经实证分析及与ARIMA方法的对比,结果表明,该方法适用于长中短各期预测并有很好的预测效果。     

配电台区智能化系统设计与工程实现

本文分析了目前配电台区存在的问题和技术缺陷,提出一种系统、实用的台区配电智能化总体方案。该方案利用现代电子技术、通讯技术、计算机及网络技术,将配电台区系统的在线和离线数据、运行状态、网络结构和地理位置等进行信息集成,具有部分状态预测和故障诊断功能,建立配电台区智能管理系统,实现对配变台区系统的实时状态监测、远方数据采集、用电分析、负荷预测及营销管理,为用电管理部门提供及时、真实、科学的信息,促进电力运营管理,提高电力企业经济效益。     

基于发电量-负荷平衡的风电系统可靠性预测方法研究

风能具有安全、可持续发展利用的特点,是应对化石能源枯竭以及火电、核电污染的新能源发电方式之一,但是自然风随机性较大,为风电系统安全运行和风能并网带来了挑战。可靠性预测是提高风电系统安全运行能力的有效方法,为此本文提出了一种基于风电系统风险和可靠性的预测分析方法,通过一组历史风力机发电和用电负荷数据,通过预测得到风电发电量-负荷的平衡关系;从发电量-负荷平衡的角度出发预测未来一年的负荷需求,最后通过实例进行了仿真,并将结果与风电场的实时数据进行了对比。仿真与实际数据对比的结果验证了该方法的有效性,表明本文提出的方法能够有效预测电力负荷需求,针对风电系统可靠性进行预测分析。     

基于SVD-LSTM的高校学生宿舍空调负荷预测

准确预测高校空调负荷是保证高校安全用电和电力高峰期区域配电网稳定运行的前提。文中以高校空调负荷中具有代表性的学生宿舍空调负荷为对象,建立了基于奇异值分解-长短期记忆网络的高校学生宿舍空调负荷预测模型。该方法以高校学生宿舍空调负荷特性为基础,使用奇异值分解进行降噪处理,通过长短期记忆网络对高校学生宿舍空调负荷进行预测。文中以武汉某高校的真实数据为样本进行了分析验证,通过与传统预测模型对比,证明所提预测模型的预测效果和精度优于传统预测方法。     

基于单因素与多因素灰色理论在电力负荷预测中的对比分析

电力一直是中国的重要基础产业和公用事业,电力系统负荷预测作为电力规划、投资、生产、调度和交易等工作的基础?在电力安全和经济运行中发挥着至关重要的作用,由于电力负荷增长的不确定性和非线性,因此很难对其进行准确的预测?本文针对电力负荷预测的难题,讨论基于灰色理论的两种预测模型,即单因素负荷预测与多因素负荷预测,笔者搜集了10年的社会用电数据,通过不同结构的用电量数据,分别建立基于多因素与单因素的GM(1,1)用电负荷预测模型。最后,分析并对比了基于多因素与单因素的灰色模型预测误差,基于多因素与单因素的电力负荷预测结果表明,基于多因素与单因素两个模型预测平均误差均小于5％,但本文推荐使用基于多因素的负荷用电预测模型,因为其结果更为精确,最大平均误差仅为15.7%,上述研究对于完善灰色预测理论,丰富电力负荷预测手段均具有十分重要的现实意义。     

基于OpenCV的电力负荷预测

针对电力负荷预测影响因素多,传统预测方法精度不高,本文分析电力负荷预测影响因素,建立基于支持向量机的电力负荷预测模型。通过OpenCV实验,仿真结果表明本文对电力负荷预测具有较高的预测精度和较快的训练速度。     

灰色预测方法在电力负荷中的研究应用

电力负荷预测为地区或电网的电力发展速度、电力建设规模、电力工业布局、能源资源平衡、地区或电网间的电力余缺调剂,以及地区或电网资金和人力资源的需求与平衡提供可靠的依据。针对电力负荷受多重因素影响,变化趋势复杂的问题,本文提出了灰色模型对电力负荷进行预测,并结合算法进行实例论证。实例结果表明该方法的可行性和有效性,预测精度也得到改善,为准确预测长期电力负荷提供了一种简便可行的分析预测方法。     

基于协同节能理念的电网能效管理系统研究

针对当前电力能效管理方面遇到的问题,该文提出了电力公司与用户侧之间协同节能的理念,基于该理念设计出电网能效管理系统,并对海量数据挖掘与分析、能效管理模型、负荷分类和负荷短期预测、信息互动与共享等关键技术进行了研究。该系统为提升电力公司对用户侧用电行为与能效过程的分析能力、管理能力与控制能力打下坚实的基础,促进电网与用户侧协同节能,实现电网能效的最大化。     

基于参数优化的超短期负荷预测调整策略

四川省电力公司调度控制中心目前已部署使用了四川并网发电厂实时调令系统,但该系统仅满足对发电单元负荷进行调整的需求,却无法实现计划曲线自动修正、对应联络线负荷变化调整实时出力的功能.本文通过对模型参数优化策略进行分析,提出了一套超短期负荷预测方案.     

基于灰色理论的电力监控数据多因素预测模型

电力是关系国计民生的重要基础产业和公用事业。电力系统负荷是重要电力监控数据,其作为电力规划、投资、生产、调度和交易等工作的基础,在电力安全和经济运行中发挥着至关重要的作用。随着大数据技术的发展,大数据技术被广泛的应用在电力负荷预测上,大数据技术的应用前提是需要海量的相关数据,对数据量要求较高。为分析处理缺少样本信息的灰色系统理论可以弥补大数据此方面的缺陷。我国电力负荷,既有逐年增长的确定性,又有随机变化的不确定性,可以视为典型的灰色系统,适合使用灰色模型建模预测。本文提出采用多因素的GM(1,1)优化模型,分析了10年的社会用电结构,并以不同结构的用电力监控数据为基础,建立并检验了基于有限电力数据多因素的灰色预测模型。全社会不同结构电力负荷预测结果表明,该模型预测的最大误差小于4.8%,预测结果证明了该模型的有效性和可用性。上述研究对于丰富电力负荷预测手段,弥补传统大数据技术在负荷预测方面需求数据量较高局限性均具有十分重要的现实意义。     

基于改进人工鱼群-蛙跳算法优化LSSVM参数短期负荷预测

短期电力负荷预测在电力系统安全调度、经济运行方面起到关键作用。在用最小二乘支持向量机进行负荷预测时,参数选择将直接影响预测精度。为了提高LSSVM负荷预测精度,文中提出一种基于Levy变异自适应视野人工鱼群-蛙跳算法对LSSVM进行参数优化的方法。以某县负荷、天气等历史数据对LSSVM进行训练,建立LAVAFSA-SFLA-LSSVM、AFSA-LSSVM、LAFSA-SFLA-LSSVM共3种预测模型,对该地区某日24 h的电力负荷进行预测。算例结果表明,LAVAFSA-SFLA-LSSVM预测精度比AFSA-LSSVM和LAFSA-SFLA-LSSVM更高,预测误差更小。