基于农村发展模式分析的中长期负荷预测方法

针对农村用电方式和用电需求变化问题,本文在考虑国家政策、农村经济等影响农村发展模式及负荷变化因素的基础上,提出了一种基于农村发展模式分析的中长期负荷预测方法。首先,对电力系统大数据进行了分析,提出了K-means-Robust聚类算法与加权自适应K近邻算法,搭建了农村发展模式预测模型。然后,针对不同农村发展模式,使用基于灰色关联度分析的正则化门控循环神经网络模型预测农村中长期负荷变化曲线。最后,以某农村为例,验证了所提方法的可行性。     

基于Softmax概率分类器的数据驱动空间负荷预测

提出了一种数据驱动空间负荷预测方法。将网格化体系下的功能地块作为空间负荷预测的基本单元,并且通过多维指标体系进行属性描述。基于大量调研数据,通过数据挖掘方法对不同类型地块的空间负荷密度分布规律和负荷曲线典型形态进行提取。建立Softmax多元概率分类模型对未知地块的负荷水平类型进行匹配。自下而上对相邻地块负荷预测结果进行时域叠加,得到更大区域的预测信息,包括其负荷量和预测负荷曲线。算例仿真结果表明提出的空间负荷预测方法在预测精度上有一定提升。     

基于迁移学习和GRU网络的新建小区负荷预测

针对新建小区没有任何历史负荷数据的难点,提出了基于相似小区特征进行数据迁移的门控循环单元负荷预测算法,实现对新建小区负荷的预测.首先,利用迁移学习的思想迁移出与新建小区特征高度相似的数据信息,及预测模型参数;其次,利用特征数据集作为训练集完成极端梯度增强算法回归模型的训练;然后,采用门控循环单元神经网络对训练样本集进行...     

计及元胞发展程度的空间负荷预测方法

针对分类负荷在不同元胞内发展程度不同导致元胞负荷分布不均衡,从而影响空间负荷预测结果精度的问题,提出一种计及元胞发展程度的空间负荷预测方法。首先建立电力地理信息系统(GIS),在电力GIS中生成元胞,并整合基础信息,其中包括用地信息、10kV馈线的供电范围及分类负荷数据。其次求出总分类负荷密度的饱和值,再结合生长曲线揭示总分类负荷密度的发展规律。然后找到当前年各元胞内分类负荷密度在总分类负荷发展规律曲线上的位置,即为各元胞内分类负荷密度的发展程度。最后根据当前年元胞内各分类负荷密度的发展程度,结合总分类负荷密度发展规律曲线,确定目标年各元胞内分类负荷密度,再乘以元胞中每类负荷所对应的面积实现对元胞负荷值的预测。实例分析表明了该方法的正确性和有效性。     

基于云理论和元胞自动机理论的城市配电网空间负荷预测

针对城市电网规划中电力负荷空间分布和时间动态演化预测难题,提出一种采用元胞自动机(cellular automata,CA)模拟城市土地利用的逐年发展过程进而进行城市配电网空间负荷预测方法。该方法基于云模型的知识,将影响因素的定性概念所具有的模糊性、随机性有机地结合在一起,构成定性和定量间的相互映射。综合考虑多种影响负荷发展的因素,运用云理论训练CA转换规则,制定多种转换规则来预测规划区域地块的发展程度。通过应用所提模型和方法对某规划小区负荷发展进行预测及实际对比,验证了其有效性。     

基于QWDAE和HWMHGRU融合的电力系统短期负荷预测模型

为提升电力系统短期负荷预测精度，提出量子加权降噪自编码器和高速通道多层级门控循环单元神经网络融合的短期负荷预测模型。首先利用量子信息处理机制，采用量子加权神经元构建量子加权降噪自编码器，挖掘负荷序列中的有效信息作为输入特征；然后提出具有两级门控结构和高速通道结构的高速通道多层级门控循环单元，构成量子加权降噪自编码器和高速通道多层级门控循环单元融合的短期负荷预测模型。仿真结果表明，所提模型具有较好的预测精度和预测稳定性。     

基于蚁群元胞自动机理论的城市饱和负荷预测

随着中国经济的不断发展,城市饱和负荷的研究对未来电网发展的规划具有重大意义。介绍蚁群算法与元胞自动机的基本原理,通过组合两者的优点,建立蚁群元胞自动机的饱和负荷预测模型。该模型从土地性质转移角度出发,基于元胞自动机理论,提出土地性质元胞的转换规则,结合蚁群优化算法,得出土地性质转移率。并且通过S曲线法分析不同土地性质下饱和密度的状况。通过对某城市现状进行案例分析,论证了该方法的科学性。     

基于元胞历史负荷数据的负荷密度指标法

已有负荷密度指标的求取方法往往忽视了对实测历史负荷数据的挖掘,或是忽略了同类负荷的非均匀分布问题,为此提出了一种基于元胞历史负荷数据的负荷密度指标法。该方法通过I类元胞的负荷密度确定分类负荷密度协调系数,根据I类元胞的历史负荷与其供电面积、用地信息、分类负荷密度之间的约束关系,建立元胞负荷与分类负荷密度的关系方程,并采用最小二乘法求取分类负荷密度指标,利用已求得的历年分类负荷密度指标预测其在目标年的大小,求出每个II类元胞的负荷值,从而实现空间负荷预测。工程实例验证了该方法的实用性和有效性。     

考虑多维时域特征的行业中长期负荷预测方法

中长期负荷预测是电力系统规划与设计的重要依据，准确的行业中长期负荷预测能为电网布局规划、检修计划制定等提供决策支撑。在此背景下，针对行业中长期负荷隐含的多维时域特征，提出一种基于分解和预测思想的行业中长期负荷预测方法。首先，构建了基于周期趋势分解算法的行业中长期负荷特征分解模型，以得到分别表征行业负荷变化趋势性、周期性以及随机性特征的趋势分量、周期分量及残差分量；接着，针对分解得到的各维度分量，分别构建了基于门控循环单元的行业负荷全局趋势特征提取与预测模型、基于卷积神经网络的负荷周期局部特征提取模型，以及基于改进自适应高斯核密度估计的负荷残差概率密度预测模型，由此形成考虑多维时域特征的行业中长期负荷预测方法。最后，以中国某市化工行业负荷数据为例，验证了所提预测方法的有效性。     

基于支持向量机和互联网信息修正的空间负荷预测方法

为提高电网规划阶段的空间负荷预测精度,提出了一种基于支持向量机和互联网信息修正的空间负荷预测（spatial load forecasting,SLF）方法,该方法分为3个步骤：一是基于k-均值聚类分析和支持向量回归模型得到地块负荷初始预测值;二是基于地块负荷历史数据计算负荷实际值与初始预测值之间的偏差;三是针对这些偏差,利用搜索引擎获取互联网信息,识别造成偏差的不确定事件,包括元胞中新增大负荷事件和元胞中企业营收增长率突变事件。定性分析事件对空间负荷的影响,并建立这两类事件与其造成的影响之间的分类事件影响定量模型,基于该模型对地块负荷初始预测值进行修正,得到规划区域内的地块负荷预测值。通过对北京某地区进行算例验证,结果表明该方法可以提高预测精度,可用于配电网以及能源互联网规划中的空间负荷预测。     

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。     

基于粗糙集神经网络和元胞自动机的空间负荷预测

在分析目前空间负荷预测方法的基础上,提出了一种新的空间负荷预测的方法。该方法主要是利用粗糙集理论对从空间数据库中提取出来的随机数据样本集进行属性简化,减少人工神经网络的输入变量的个数和样本数量,从而提高神经网络提取元胞自动机转换规则的收敛速度和准确性,提高了空间负荷预测的精确性。该方法结合了粗糙集和人工神经网络的优点,并利用元胞自动机的理论来模拟城市用地类型变化,进行空间负荷预测。某市城市规划区域的空间负荷预测实验,证明了该方法的有效性。     

南京地区春节负荷特性分析及其预测方法

研究分析了南京市春节用电负荷曲线的形状、走势和特点，综合考虑天气、历史负荷等对春节负荷变化的影响，提出了一种简便的负荷预测方法。该方法通过选取气候条件相似的双休日来预测春节日最大负荷，然后根据日负荷曲线百分比值计算出各点负荷值，工作量较小，预测精度较高。算例表明，这是一种行之有效的春节负荷预测方法。     

基于CNN-GRU分位数回归的短期母线负荷概率密度预测

随着分布式电源大规模并网,母线负荷的波动性和不确定性日益增加,给母线负荷预测带来新的挑战。传统的点预测方法难以对母线负荷的不确定性进行描述,为此提出一种基于卷积神经网络和门控循环神经网络分位数回归的概率密度预测方法。该方法通过卷积神经网络提取反映母线负荷动态变化的高阶特征,门控循环神经网络基于提取的高阶特征、天气、日类型等因素进行分位数回归建模,预测未来任意时刻不同分位数条件下的母线负荷值,最后利用核密度估计得到母线负荷概率密度曲线。以江苏省某市220 kV母线负荷数据进行测试,结果表明本文所提方法能够有效刻画未来母线负荷的概率分布,为配电网安全运行提供更多的决策信息。     

基于熵权法与GRA-ELM的配电网空间负荷预测

空间负荷预测对配电网规划建设具有重要意义。为了提高配电网空间负荷预测精度,文中提出基于熵权法与灰色关联分析-极限学习机(GRA-ELM)的配电网空间负荷预测方法。首先,将规划区域内的小区按用地性质划分,分析不同类型负荷的影响因素,建立空间负荷密度指标体系;其次,利用熵权法对不同类型负荷的负荷密度指标进行权重分配;然后,应用GRA挑选出与待测地块负荷密度指标相似的训练样本;最后,将样本带入经粒子群优化(PSO)算法参数处理后的极限学习机(ELM)进行训练,得到预测结果。通过实例对所提方法的性能进行仿真验证,结果表明,所提方法相对其他方法的空间负荷预测精度更高。     

用样条插值法模拟典型日负荷曲线

文章针对规划水平年需电量为给定的特点,用样条插值法模拟典型日负荷曲线,此方法可用在负荷预测中,也可用于实时负荷数据处理。     

基于极限学习机与负荷密度指标法的空间负荷预测

空间负荷预测对有配电网的规划建设具有重要意义,为了提高配电网空间负荷预测的精度,文中提出基于极限学习机(ELM)的配电网空间负荷预测算法,采用粒子群优化(PSO)模型的参数。首先根据用地性质将负荷分类,再通过模糊C均值(FCM)算法对每一类负荷进行聚类分析,建立精细化的负荷密度指标体系。根据待预测地块的特性指标选取训练样本,代入ELM训练,提高预测精度。通过搜索的数据对实例进行仿真试验,通过对比未引入FCM算法的相对误差、未引入PSO算法的相对误差以及采用PSO-ELM算法的相对误差可得,文中提出的PSO-ELM算法具有较高精度,满足实际工程的要求。     

基于改进门控循环单元分位数回归的短期负荷概率预测

为了更好地提高负荷概率预测精度,提出了一种基于改进门控循环单元分位数回归的短期负荷概率预测模型。首先采用核主成分分析对候选的多维输入变量进行降维处理,然后在传统门控循环单元的基础上对目标函数施加变量间的网络结构约束,并结合分位数回归进一步构建基于改进门控循环单元分位数回归的短期负荷概率预测模型,在得到预测值的条件分位数之后,利用核密度估计得到未来短期负荷的概率密度函数。通过具体算例分析,验证了所提模型的有效性与优越性。