基于时点负荷方差分析的96点负荷预测模型

应用方差概念对一周每天同时段电量进行分析,给出了重新划分工作日和休息日的方法。在满足样本相似性的前提下增加了合格样本的数量,为人工神经网络法96点负荷预测提供更为充分和可靠的历史数据。实际预测计算表明,该方法有效地提高了预测精度,具有广泛的适用性。     

基于充电行为分析的电动汽车充电负荷预测

本文基于南方某市的电动汽车充电数据,得出各类型电动汽车在不同日期类型的充电开始时间、充电电量、充电功率的分布规律,采用蒙特卡洛算法模拟计算了该市2021年各类型电动汽车工作日与休息日的充电负荷情况,结果表明,电动私家车在休息日的午间和凌晨充电负荷要高于工作日;该市电动出租车在工作日与休息日的充电负荷占比分别为60.42%,58.55%,在三类型车中始终最大。电动私家车工作日与休息日充电负荷曲线有较大差异。电网总负荷会在19点达到最高峰,本文验证了电动汽车的大规模引入会增加电网的峰值和峰谷差,同时将充电行为数据拟合为公式,旨在为未来的电网扩容建设和对电动汽车的有序充电控制提供帮助。     

基于神经网络的短期负荷预测

针对电力系统短期负荷的变化与影响因素间的复杂非线性关系,首先,提出用BP神经网络进行负荷预测,接着,在输入变量的选择上引入了负荷日期和气象温度,对于日期变量分为工作日和休息日,对于气温变量进行分段处理。最后通过实例仿真表明该方法可以取得较高的预测精度。     

计及气象因素的用电负荷短期分时分类预测模型与方法

短期负荷预测是电力系统运行和分析的基础,对机组组合、经济调度以及安全校核等具有重要意义。针对地区负荷在小样本情况下预测精度不高的问题,在对某地区负荷数据进行分析并剔除异常数据之后,建立了基于支持向量机回归(support vector regression,SVR)的短期负荷预测模型。为了提高模型的预测性能,采用细菌觅食算法(bacteria foraging optimization algorithm,BFOA)对SVR的参数进行优化,并将温度、湿度和降雨量等气象信息引入预测模型。考虑到负荷与时间点的耦合关系,对每日96个时间点分别进行预测。同时,根据工作日和周末2种不同属性分别建立了基于SVR的负荷预测模型。仿真结果表明,所建立的短期负荷预测模型能够在小样本的情况下以较快的速度获得较高的预测精度。     

基于局部相似与神经网络的超短期负荷预测方法

为提高超短期负荷预测精度,特别是负荷曲线在拐点处的精度,在模糊聚类分析的基础上提出了一种选取局部相似日的改进模型。通过该模型选取局部相似日,并结合RBF网络提出一种新的预测超短期负荷方法。采用该方法建立2个预测模型,分别用于预测下个时刻和下一个小时段的数据。将该方法与灰色关联分析预测方法进行比较,发现该方法在预测精度上具有显著优势,证明新的预测超短期负荷方法有较高的可靠性与有效性。仿真结果表明,新的预测超短期负荷方法在工作日或休息日负荷曲线拐点处的预测上,均具有较高精度。     

神经网络和模糊理论在短期负荷预测中的应用

为提高短期负荷预测的精度,构建一种基于自组织特征映射神经网络和模糊理论的短期负荷预测方法.预测分两个阶段,先根据自组织特征映射神经网络聚类特性,进行第一阶段的负荷预测,在学习训练时,区别于普通的无监督竞争学习采用有监督竞争的学习方式以缩短学习时间,提高学习精度.第一阶段预测出一个基本的负荷值后,在第二阶段利用模糊理论根据前一个时段的预测误差和误差变化对其进行校正.使用该方法不仅能预测工作日负荷还能预测休息日负荷,实例分析证明了该方法的有效性.     

基于蚁群优化算法的短期负荷预测研究

为了克服BP算法收敛速度慢和易于陷入局部最小的不足,作者提出将蚁群优化算法用于短期负荷预测的递归神经网络模型学习算法,对实际负荷系统日、周预测的仿真测试表明,该模型能有效地提高短期负荷预测的精度,对工作日和休息日都具有良好的稳定性和适应能力,其预测性能明显优于基于BP算法的递归神经网络(BP-RNN)和基于遗传算法的递归神经网络(GA-RNN).     

基于主成分分析L-M神经网络高峰负荷预测研究

在论述电网高峰负荷预测重要性和特点的基础上,将高峰负荷样本,按节气工作日和节假日样本进行聚类,从输入空间入手,采用主成分分析法,减少输入向量的维数,并保留原来输入向量的有用信息,再利用L-M优化算法的多层神经网络预测模型对辽宁电网高峰负荷进行了模拟预测,预测精度令人满意。     

福建省年最大降温负荷测算分析与研究

对福建省2002~2005年的最大降温负荷进行了测算分析和研究。分析出福建省最大降温负荷主要发生在7~8月的工作日,工作日最大降温负荷高出休息日600 MW左右。工作日最大降温负荷的发生时间由以往的早高峰、午高峰向晚高峰转移,午高峰时的最大降温负荷平均是晚高峰最大降温负荷的80%左右。居民和第三产业的降温负荷占较大的比例。并分析出降温负荷同气象因素之间的关联关系,从而得到人们使用降温设备的一般规律。     

基于主成分分析L-M神经网络高峰负荷预测研究

在论述电网高峰负荷预测重要性和特点的基础上,将高峰负荷样本,按节气工作日和节假日样本进行聚类,从输入空间入手,采用主成分分析法,减少输入向量的维数,并保留原来输入向量的有用信息,再利用L-M优化算法的多层神经网络预测模型对辽宁电网高峰负荷进行了模拟预测,预测精度令人满意.     

基于补偿模糊神经网络和线性模型的短期电力负荷预测sfsfsf

在考虑了气象因素对负荷的影响的基础上，提出了一种补偿模糊神经网络和线性模型相结合的短期电力负荷预测新方法。首先采用补偿模糊神经网络求出峰、谷负荷，然后利用线性外推法求出未来1日中24个时刻的负荷值。该方法具有神经网络和线性模型的优点，实例仿真结果表明其具有较快的收敛速度、较高的预测精度和较强的鲁棒性。     

基于GM（1，1）校正模型的转折性电力负荷特性预测

电力负荷系统是典型的灰色系统，电力负荷特性指标的预测具有直接的经济意义．讨论了当预测对象系统存在转折性变化时，灰色预测校正模型在此方面的有效应用．该模型具有充分利用历史信息而且短期预测精度高的优点．     

基于偏最小二乘回归的中长期电力负荷预测

为了支持将来的经济发展和不断满足电力需求,负荷预测已成为电力部门的重要任务,而提高预测精度是负荷预测的关键问题。为此,判断了影响负荷的经济因素之间存在的多重共线性,用偏最小二乘回归方法消除其共线性影响,并建立了预测模型。结果表明,该方法能准确地估计出变量的回归系数,能避免使用普通最小二乘回归时出现的异常回归系数,预测的相对误差平均为9.83%,最小相对误差为-0.01%。     

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.     

模糊专家系统用于短期负荷预测修正的初步探讨

针对人工神经网络短期负荷预测方法的不足,考虑天气中的日平均气温以及特殊事件等影响负荷变化的主要因素,利用专家经验,模仿专家处理问题的方法,设计了一个模糊专家系统,对负荷预测结果进行修正,以提高负荷预测精度.通过合理选择模糊推理规则的形式,有效地减少了规则的数目,使人工总结专家经验并确定模糊推理规则成为可能,并减少了计算量,提高了算法速度.     

一种基于改进分类和回归树的神经元网络电力负荷预测方法

通过改进CART(分类和回归树)分类法选择训练样本，可以降低与预测日不一致负荷模式的影响，提高预测精度，并运用人工神经元网络预测下一天的96点负荷，主要包括3个部分，首先，运用CART分类法将输入空间分成若干矩形互斥区域，每一个区域对应一种负荷模式；其次，根据分类结果选取神经元网络的训练样本．最后，合理映射天气因素和日期、星期类型并进行预测．实际应用表明本方法对于大波动负荷地区能够改善预测精度，提高预测速度．     

基于小波包分析的电力负荷预测算法

提出基于小波包分解和重构的电力负荷预测算法.算法使用具有线性相位的双正交小波对电力负荷数据进行小波包分解和重构,然后用神经网络直接对各尺度上的电力负荷分量进行预测,最后将各尺度上的预测值相加,得到实际负荷预测值.算例表明算法具有较高的预测精度,优于传统的BP神经网络,有利于分析不同时频区域的电力负荷特性,为更准确地建模和预测提供了条件.     

基于日特征量相似日的PSO-SVM短期负荷预测

通过引入人体舒适度指数,综合分析了气象因素对电力负荷的影响,并加入星期类型、日天气类型、日期差3个主要影响因素,构成了日特征向量,采用求取相似度的方法来选取相似日,利用相似日的日特征向量和负荷数据来建立PSO-SVM预测模型。经2001年EUNITE负荷预测竞赛的数据预测分析表明,该方法适应性较强,能够选取较合适的相似日,有较高的预测精度和推广能力。     

银川市短期电力负荷预测方法研究及应用

介绍了短期电力负荷的预测方法,对银川市2011年短期电力预测结果进行分析比较,为本地区电网平衡与系统稳定提供参考,并对进一步提高预测准确性提出了建议。