具有二重趋势性的季节型电力负荷预测组合优化灰色神经网络模型

电力负荷预测是电力系统的一项重要工作，季节型电力负荷预测是一个难点，缺少相应的数量预测方法，对于具有增长和波动二重趋势性的季节型电力负荷，首先提出了季节型负荷预测的组合优化灰色神经网络模型，研究了同时考虑两种非线性趋势的复杂季节型负荷预测问题，说明了优化模型分别优于两种单一发展趋势负荷预测的模型。给出了电力负荷预测的应用实例，通过对河北电网季节最大负荷与销售电量的分析，建立了对应的组合优化灰色神经网络模型，与其它算法进行了比较，计算结果表明，该方法较大提高了季节型负荷预测的精度，为季节型电力负荷预测提供了一种新的，有效的方法，编制了季节型负荷预测的软件，此软件具有实用性和通用性。     

基于人均用电量和人均用电负荷的饱和负荷预测

电力饱和负荷预测对城市、区域电网的规划与发展具有重要的作用,它可以有效的降低电网改造成本,提高电网改造的合理性、可靠性与经济性。主要采用基于人均用电量与人口预测的方法对华东某一小城市的全社会用电量的饱和规模与饱和时间进行预测。传统人均用电量法对负荷的预测主要采用预测得到的总电量除以评估得到的最大负荷利用小时数来确定负荷的大小。但是最大负荷利用小时数评估起来难度比较大,所以采用了新的基于人均用电负荷预测的方法,该方法运用logistic曲线分别预测人均用电负荷和人口的饱和值,再将两者相乘,即可得到饱和负荷规模。     

电力负荷预测研究综述及预测分析

电力系统负荷预测研究对于用电形势分析、用电规划、合理部署人力、物力资源以及经济有效地管理电力系统都具有重要的意义。分析了电力负荷研究现状,较系统地总结了电力负荷预测的特点、步骤及其常用预测方法,并从多个角度对不同预测方法的特点进行比较分析,进而对四川省用电负荷预测及中国用电形势进行预测分析,为电力负荷预测研究提出富有针对性的建议。     

地区级供电企业负荷预测分析

电力系统负荷预测是电力系统发电计划的重要组成部分,也是调度、用电、规划和电力系统经济运行的前提和基础,尤其在地区级的供电企业中,负荷预测更是指导当地电网规划、运行方式及地方发电计划的重要基础。因此做好地区级供电企业负荷预测有着重要的意义。对地区级用电负荷特点及与负荷预测的规律进行了分析,提出了做好地区级供电企业负荷预测的方法,提出通过各项方法的综合应用,从而提高负荷预测水平。     

基于Census X12-SARIMA模型的中长期负荷预测

中长期区域负荷时间序列具有明显的循环性和季节周期性等非平稳特点,预测难度较大。尝试应用SARIMA模型处理具有季节周期性的非平稳负荷时间序列,同时应用Census X12季节调整方法将呈明显趋势循环性、季节周期性的区域负荷时间序列分解成具有实际经济含义的趋势循环要素、季节要素、不规则要素并进行中长期区域负荷的分析与预测。通过在苏州地区115个月的负荷实证检验,结果表明Census X12-SARIMA季节调整模型及方法在中长期区域负荷的预测中有效。     

利用特殊日期测定各类用电负荷的方法

准确掌握一个地区内各类用电负荷的构成和变化规律,对于做好本地区的负荷预测、用电分析、负荷管理等工作非常重要。在实际情况中,可以发现通过一般统计方法获取各类负荷构成数据的途径并不具备可行性和实用性。总结了一些利用特殊日期负荷变化来测定各类用电负荷大小的方法,并结合廊坊市的实际情况对这些方法的操作过程和分析结果进行了具体论述。     

月敏感负荷预测方法研究

主要研究了敏感负荷领域中的相关问题,建立了敏感负荷预测模型,并在原季节指数预测方法的基础上,提出一种改进季节指数法用以预测月敏感负荷,与原预测方法相比,有效地提高了预测精度。根据江苏省实际负荷运行数据,对两种预测结果进行了比较。     

广西电网负荷特性分析与预测

为准确把握广西负荷特性及其发展趋势,满足广西经济社会发展的用电需求,需对广西电网负荷特性进行研究。通过全面调查、分析广西电网统调、非统调以及各行业用户历史数据,分别采用叠加、剔除、还原等方法对历史曲线进行处理,分析负荷特性参数变化发展的规律,并结合广西用电结构预测,分别采用历史年负荷曲线修改法和典型日负荷曲线修改法预测广西年负荷曲线和日负荷曲线。基于历史典型曲线和未来用电结构变化预测所得的广西全社会负荷特性参数,2015年基本维持不变,2020年呈下降趋势。负荷特性预测结果可为广西电网规划研究、运行分析提供参考。     

综合BP神经网络及气温因素的日负荷预测方法

随着社会经济的快速发展,空调及取暖负载在总用电负荷中的比重日益增加,气温变化引起的负荷波动趋势越来越明显。本文通过分析2003年6~8月金华市总用电负荷和气温数据,提出在传统短期负荷预测方法中增加了气温数据作为辅助输入变量,对于提高短期日负荷预测精度、增加电力系统调度效率以及缓解区域供电不足等方面具有重要意义。     

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。     

基于多指数平滑预测模型的中长期需电量预测

在电力市场运营模式下,对电力负荷的科学、准确预测,对电力系统安全、经济运行,具有十分重要的意义。提出了一种基于多指数平滑模型的中长期需电量预测方法,并应用prony法对历史数据进行分析和处理,得到多指数平滑预测模型中的各个参数,从而预测其后几年的需电量。最后利用该模型,对某个地区的1996～1999年的年需电量进行预测,算例表明,该方法具有较高的预测准确度,是一种行之有效的中长期需电量预测方法。     

Short term load forecasting using wavelet transform combined with Holt–Winters and weighted nearest neighbor models

Short term load forecasting (STLF) is an integral part of power system operations as it is essential for ensuring supply of electrical energy with minimum expenses. This paper proposes a hybrid method based on wavelet transform, Triple Exponential Smoothing (TES) model and weighted nearest neighbor (WNN) model for STLF. The original demand series is decomposed, thresholded and reconstructed into deterministic and fluctuation series using Haar wavelet filters. The deterministic series that reflects the slow dynamics of load data is modeled using TES model while the fluctuation series that reflects the faster dynamics is fitted by WNN model. The forecasts of two subseries are composed to obtain the 24 h ahead load forecast. The performance of the proposed model is evaluated by applying it to forecast the day ahead load in the electricity markets of California and Spain. The results obtained demonstrate the forecast accuracy of the proposed technique.     

One-hour-ahead load forecasting using neural network

Load forecasting has always been the essential part of an efficient power system planning and operation. Several electric power companies are now forecasting load power based on conventional methods. However, since the relationship between load power and factors influencing load power is nonlinear, it is difficult to identify its nonlinearity by using conventional methods. Most of papers deal with 24-hour-ahead load forecasting or next day peak load forecasting. These methods forecast the demand power by using forecasted temperature as forecast information. But, when the temperature curves changes rapidly on the forecast day, load power changes greatly and forecast error would going to increase. In conventional methods neural networks uses all similar day's data to learn the trend of similarity. However, learning of all similar day's data is very complex, and it does not suit learning of neural network. Therefore, it is necessary to reduce the neural network structure and learning time. To overcome these problems, we propose a one-hour-ahead load forecasting method using the correction of similar day data. In the proposed prediction method, the forecasted load power is obtained by adding a correction to the selected similar day data     

面向居民区电动汽车充电负荷预测与容量配置研究

居民区负荷的特性及其发展趋势预测有助于科学地建设电动汽车充电设施,同时确保居民区供电设施安全可靠运行。本文在电动汽车充电特性研究的基础上,构建了接入电网的电动汽车充电负荷需求数学模型,并深入了分析充电设施的接入对居民区负荷特性的影响,然后给出一种充电设施负荷预测与容量配置方法。最后选取两种典型台区,仿真分析了电动汽车接入前后的台区负载情况,验证了所提方法的有效性。     

计及需求响应的主动配电网短期负荷预测

随着分布式电源、电动汽车及储能等广义需求响应资源的接入,用户在电力市场各种激励影响下进行需求响应,将改变负荷特性并影响负荷预测。根据需求响应计划信号的可预知性及季节性基础负荷的独立性,利用小波分解等方法对主动配电网负荷在不同层面上进行了分解,形成季节性基础负荷和需求响应信号及各种气象因素作用的负荷部分,利用时间序列模型对季节性基础负荷进行预测,利用支持向量回归模型对需求响应信号及气象因素影响的负荷部分进行预测,形成组合预测模型,两部分预测负荷叠加得到总负荷。利用线性时变模型仿真的主动配电网负荷数据算例,进行了预测测试与分析,通过与其他方法相比较,证明了所提方法预测计及需求响应的主动配电网负荷的有效性及精确度。     

多元指数加权电力负荷灰色优化组合预测

由于电力负荷具有增长性和波动性并且受到多个因素影响,使得电力负荷的变化呈现出复杂的多元性及非线性组合特性,对于这种具有复杂的多元性及非线性组合特性的序列,使用传统的模型进行预测,预测精度往往不理想.为了提高预测精度,作者为提出了多元指数加权电力负荷灰色优化组合预测模型.其中灰色优化组合预测模型用于进行非线性增长趋势的电力负荷预测,指数加权法能解决历史负荷的波动性问题.实际算例表明,所提出的方法由于综合考虑了电力负荷的多种特性,能有效地提高负荷预测精度.     

Multi-substation control central load area forecasting by using HP-filter and double neural networks (HP-DNNs)

Electricity load demand forecasting of Thailand using Hodrick–Prescott (HP) filters and double-neural networks (DNNs) is presented in this article by dividing whole country area into multi-substation areas. The signals of load demand in each subarea will be decomposed to trend and cycling signals by HP-filter before sent to DNNs for load demand forecast. The trend signals show close relationship with economic affecting features, while the cycling signals demonstrate strong relationship with weather features. These obvious correlations will be used for feature input selections. In the finally stage, the forecasting results from each subarea will be composed for the whole country area result. Comparing to other forecasting models, this approach not only reduce complexity of the forecasting model but also decrease mean absolute percent error (MAPE) as 1.42%. Moreover, this method can be applied to other load forecasting in power system and any application that can be separated into subarea.     

自适应卡尔曼滤波在电力系统短期负荷预测中的应用

将卡尔曼滤波原理运用于电力系统负荷预测通常是针对线性定常系统,并在定常噪声协方差的前提下进行,模型的灵敏度差和预报精度不高.作者考虑了电力系统负荷自身的变化特点,根据不同日期同一时刻的负荷历史数据建立了含有时变系数的负荷系统模型、观测模型和系统参数模型,采用两段自适应卡尔曼滤波方法,同时考虑噪声协方差对预测精度的影响,运用时变噪声统计估值器对噪声协方差进行自适应估计,用预测方程预测次日的负荷.结合实际电网数据进行的预测计算取得了较好的结果.     

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。     

应用于月度用电量预测的小波分析法

月度用电量预测是中期负荷预测的主要内容,也是制定月度发电规划的基础。文中以美国亚利桑那州为例,采用小波分析法,首先使用小波变换获得若干个采样点减少一半的小波系数;然后分别对各系数插零、重构,恢复到原数据的长度;最后采用RBF神经网络对恢复长度的各系数进行预测。该方法将月度用电量的时间序列分解成趋势项和波动项,分别进行预测,提高了预测精度。