考虑风电出力的电力系统短期负荷自动预测方法

利用目前方法预测电力系统短期负荷时,存在电力负荷预测误差大的问题,为此提出了考虑风电出力的电力系统短期负荷自动预测方法。由于风电出力具有不稳定性,所以该方法在预测负荷前先分析了风电出力特性,以此提升不同风电出力情况下的电力负荷预测效果。基于分析结果采集负荷数据,对相同时间下的负荷采集数据进行归类,以此为输入构建BP神经网络预测模型,利用预测模型对归类数据进行处理,最终利用该模型实现电力系统短期负荷的预测。实验结果表明,所提方法的短期负荷预测有效性强、预测精度高。     

一种改进的RBF网络在电力系统短期负荷预测中的应用

针对径向基函数网络在电力系统负荷预测中隐含层节点数难求问题,提出一种改进的RBF神经网络,采用最近邻聚类学习算法自适应的调整径向基函数中心的宽度值和权值,可提高收敛速度和精度。实例仿真结果证明有效性和可行性,为电力系统负荷预测提供了一种新途径。     

基于小波神经网络和蚁群算法的供热负荷预测

针对矿区供热负荷强非线性、难以建立精确数学模型等特点,提出了采用小波神经网络进行负荷预测的方法。为了克服小波神经网络易于陷入局部最小、收敛速度慢等问题,采用全局搜索能力强、收敛速度快的扩展蚁群算法对小波神经网络进行了训练。     

基于电力负荷历史数据挖掘的负荷预测算法研究

针对电力负荷历史数据中异常数据点影响电力负荷预测精度的缺陷,研究基于电力负荷历史数据挖掘的负荷预测算法。选取K means聚类算法挖掘电力负荷历史数据的属性特征量,检测其中所包含的异常数据点,选取灰色系统理论中的GM（1,1）模型修正电力负荷历史数据中的异常数据,利用完成修正的电力负荷历史数据建立训练集以及预测集,将训练集样本输入支持向量机中,利用支持向量机所具有的非线性映射能力映射样本至高维空间内,获取支持向量机最优阈值,将预测集输入具有最优阈值的支持向量机中,获取精准的电力负荷预测结果。所研究算法可实现长期、短期、超短期电力负荷的预测,且预测的精准性及速度较为优越。     

基于模态分解-PSO-DNB深度学习的短期负荷预测研究

针对传统负荷预测模型对高维非线性电力负荷的特征提取效果不理想的问题,为有效提高电力负荷短期预测精度,提出了基于模态分解-PSO-DNB深度学习的负荷预测模型。结合模态分解方法和PSO算法特征并充分融入到深度学习模型中,构造了量化深度学习模型训练效果的误差评价函数,由此建立短期负荷预测的系统模型。以某地区电网监测的电力负荷数据开展短期预测研究,通过算例效果表明,所提的预测方法可实现24 h内滚动式短期电力负荷预测,且预测误差能控制在合理范围内,相较于传统负荷预测的方法更能提升预测精度。     

基于Excel的电力系统负荷预测

电力系统负荷预测能为整个电网的规划提供不可或缺的依据。但是,利用回归模型处理大量成对成组的历史数据时,计算十分繁琐,从而使得电力系统负荷预测的工作量加大。基于此,文章提出了一种基于Excel回归模型的数据分析处理方法,通过实例分析可以看出:把已知的数据用Excel进行数据分析处理,可以快速求出回归模型的回归系数,且误差较小、准确度高,因此,用Excel求解回归模型具有良好的发展前景和较强的实用性。     

锅炉负荷的预测法

在锅炉烟尘测试中,要求同时测定锅炉负荷,为避免无效监测,提出了用锅炉烟气量、空气过剩系数对锅炉负荷进行预测.经实际应用,预测的结果与实际负荷一致.     

基于云计算的电网负荷预测

负荷预测是电网管理的重要组成部分。准确及时的负荷预测对于制定经济合理的配电方案,提高电网运行的安全性和经济性,提高电能质量具有重要意义。为此,提出了一种基于人工鱼群和基因表达式编程的电力负荷预测函数挖掘算法。在此基础上,还提出了基于云计算的分布式负荷预测模型挖掘来解决大规模电力负荷预测问题。为了更好地提高模型的预测精度,在分布式负荷预测模型中引入了误差最小化交叉。实验结果表明,提出的算法在平均时间消耗、平均收敛数、预测精度以及并行计算性能方面具有优势。     

基于动态负荷预测的皮带输送机控制系统

文章设计了基于动态负荷预测的矿用井下皮带输送机控制系统。该系统通过动态负荷预测,实现了皮带输送机自动调速智能控制,使其总是以最佳速度运行。     

负荷预测在配网规划中的研究及应用

为了在配网规划中预测未来需求量及用电量,从而决定电网的发电、输电、配电系统新增容量大小,以及采用的发电设备类型,保证配电网系统运行的安全稳定经济性,提出对配网规划中可以运用负荷预测这一思路.以电力负荷预测作为研究着手点,在分析电力消费现状基础上,运用回归分析法、单耗法、趋势拟合法,预测某地2020—2024年的电力消费...     

基于人工神经网络的电网负荷数据分类方法

当前的电网负荷数据分类方法忽略了对负荷数据训练集的设计,导致分类结果存在较高的信噪比,冗余数据也较多.为此,基于人工神经网络设计电网负荷数据分类方法.提取离群点数据,利用人工神经网络算法设计训练集,逼近优化电网负荷数据,生成冗余数据周期性筛查模型,完成电网负荷数据分类.实验结果表明,该方法信噪比高于常规方法,对冗余数据...     

基于改进花粉算法优化的神经网络负荷预测研究

为预测短期电力负荷,可采用神经网络方法预测,而神经网络复杂权重和阈值的参数调节为预测精度的提升增加了一定程度的困难。采用进化计算算法优化过后的神经网络拥有更为优良的结构,能够提高神经网络的预测精度,为了使求解神经网络结构的进化计算算法拥有更为优秀的搜索能力,可改进算法求解网络模型结构。对进化计算花粉算法的改进及改进效果进行了研究。     

短期电力负荷预测的时间序列数据深度挖掘模型设计

短期电力负荷预测存在数据时间序列紊乱现象,导致预测短期电力负荷精确度低,为此提出用于短期电力负荷预测的时间序列数据深度挖掘模型。设计数据预处理电力数据仓库体系,获取电力数据,并对电力数据进行排序处理;基于数据处理结果,划分数据时间序列,建立时间序列数据深度挖掘模型,预测短期电力负荷。实验结果显示,采集同一区域的同一电力局电力信息,对短期电力负荷进行预测,预测短期电力负荷功率与实际一致,对短期电力负荷预测的精确度较高。     

基于BP网络矿山劳动定额管理预测系统

针对目前矿山劳动定额管理存在的效率低,准确性不好的问题,应用附加动量法改进的B P神经网络模型,综合考虑地质、地应力、瓦斯等影响矿山生产的各种因素,对未来的劳动定额进行预测。本系统同时综合了数据库在管理上的应用,简化了劳动定额的制定过程,使系统达到用户的性能要求。     

基于负载预测的刮板输送机调速系统设计与应用研究

以SGZ1250/2400型刮板输送机为对象,对设备的主要结构参数及其工作原理、实践应用中存在的问题进行了简要分析。设计了调速方案,首先利用卷积神经网络并结合某时刻电机电流和齿轮啮合频率峰值数据,对设备的负载大小进行预测,然后利用模糊PID控制技术对设备的运行速度进行调节控制,以达到降低设备能源消耗的效果。经实验测试发现,卷积神经网络可以对设备负载进行精确控制,平均误差为438%,模糊PID控制技术充分发挥了PID控制和模糊控制的优势,具有很高的控制精度和稳定性,调速系统中使用的主控制器型号为S7-300型PLC控制器。将基于负载预测的调速系统应用到刮板输送机工程实践中,现场测试结果证明,各项功能都能够实现,达到了预期效果,使设备的故障率和电能消耗分别降低了10%和134%左右     

基于优化变权组合模型的配电网中台区负荷波动范围预测研究

负荷波动范围预测决定了电力系统是否处于平稳运行状态,为此提出一种基于优化变权组合模型的配电网中台区负荷波动范围预测方法。考虑负荷信号数据的横、纵向数据特征,运用固定阈值门限准则确立阈值大小,构建加权平均阈值函数,反归一化处理得到去噪后的负荷波动数据;分析数据观测序列,将组合预测偏差的最低绝对值作为推导原则,获得单项预测法与组合预测法的预测偏差,引入目标函数创建台区负荷波动范围预测模型。实验结果表明,所提方法能准确分析外部环境对负荷波动范围的影响,预测精度高,实用性极强,为配电台区的高效稳定运行发挥应有作用。