考虑积温效应的夏季日最大负荷预测研究

在夏季持续多日高温情况下,由于积温效应的影响,预测日之前若干天的气温对预测日的最大负荷有着明显影响。据此,在预测模型中考虑积温效应的影响对于改善夏季日最大负荷预测精度有着重要意义。建立了以高温持续期的气温、持续时间及预测日气温为输入、气温修正量为输出的模糊推理系统,对夏季每日的气温进行修正。算例结果表明,该预测方法能很好地跟踪日最大负荷,有效改善负荷预测的精度。     

融合负荷和气温周期性特征的短期负荷预测方法∗

针对传统考虑气温因素的短期负荷预测模型存在预测精度不高的问题,提出了一种考虑负荷和气温周期特征的短期负荷预测模型.首先对气温及负荷序列采用VMD分解得到两组特征互异的分量,取其中与原始负荷相关性最大的分量分别作为气温特征和负荷特征.然后,将历史负荷特征结合所取的气温特征和负荷特征一起输入GRU模型进行预测.算例分析表明,该模型的平均绝对百分误差为0.765％,验证了所提方法在电力负荷预测的有效性.     

基于生长曲线与气温累积效应的气象负荷预测

夏季受高温天气的影响,由降温设备所引起的气象负荷日趋变大。针对气象负荷获取困难以及负荷预测精度不高的问题,提出一种新的气象负荷预测方法。首先,为获得准确的气象负荷数据,采用生长曲线来描述基础负荷的增长特性,通过剔除基础负荷来获得气象负荷数据;其次,考虑到夏季高温天气的气温累积效应,需要对高温天气的日最高温度进行修正,提出一种基于气象负荷的温度修正方法及相应模型;最后,建立粒子群优化的极限学习机负荷预测模型,分别对总负荷和气象负荷进行预测。算例分析结果表明,基于生长曲线与气温累积效应提升了负荷预测效果,验证了所提算法和模型的有效性。     

基于双修正因子的模糊时间序列日最大负荷预测

天气温度变化是影响短期电力负荷预测的主要因素.为提高预测精度,引入负荷变化影响因子和气温影响因子,提出基于双修正因子的模糊时间序列预测算法.根据负荷变化趋势,提出分段预测的思想,在拐点处用负荷变化因子进行修正,然后用气温影响因子对预测结果进行二次修正.将改进的算法用于某电网夏季最大负荷的预测.数值结果表明该算法具有较高的预测精度.     

基于春节影响时期分析的中期负荷智能预测

针对传统春节效应影响时期按经验选取以及物理意义模糊的问题,提出了一种适于用电量春节效应调整新方案,以估计和消除春节效应对电量的影响。首先提出一种确定春节效应影响时期的方法;然后基于X-12-ARIMA模型形成一种春节效应调整新方案,对原始电量序列进行修正,以减小春节效应影响月份的预测误差;最后利用支持向量机模型, 进行某省月度负荷用电量预测算例分析,验证该春节效应调整方法的正确性和有效性。算例表明,所提出的春节效应调整方法可有效改善用电量数据质量,有助于对中期负荷用电量做出更为精准的预测。     

基于负荷分解和灰色理论的电网最大负荷预测

气温和用户业扩报装直接影响电网的最大负荷。通过分析电网的负荷特性和最大负荷影响因素,建立了包括基础负荷分量、最大空调负荷分量和历史报装用户累积释放负荷分量的电网最大负荷预测模型,采用灰色理论对各负荷分量进行预测。算例结果表明,该模型能准确把握气温和用户业扩报装对电网最大负荷的影响程度,有效改善负荷预测精度,为电网的规划和运行提供借鉴。     

基于敏感气温空间分布的度夏度冬日最大负荷预测与应用研究

随着电气化率的提升，新型电力系统“双高双峰”特性愈发明显，准确预测度冬度夏日最大负荷对电力平衡安排、迎峰保电保供的重要性也更加突出。采用负荷分解理论，提出了基于敏感气温空间分布的夏季和冬季日最大负荷预测方法。利用社会发展因素，建立基础负荷与国内生产总值(gross domestic product,GDP)、居民消费价格指数(consumer price index,CPI)关联模型，为基础负荷的估算提供更客观、严谨的理论依据。根据各区域电网负荷占比识别重点分区，采用M-K(Mann-Kendall)检验确定分区敏感气温并统计各分区温变负荷范围，结合聚类分析方法构建分档位温变负荷预测模型。以国家电网有限公司经营区2021年度冬度夏日最大负荷预测为例，预测结果相比ARIMA(autoregressive integrated moving average)时序预测法、支持向量回归法(support vector regression,SVR)的结果更具优势。结合2022年度夏日最大负荷预测算例，进一步验证了所提方法和模型的有效性。     

基于人工神经网络和模糊集的电力系统短期负荷预测方法

综合考虑到温度、日期类型和天气等因素对短期电力负荷的影响,提出了一种将人工神经网络(ANN)RBF模型和模糊逻辑相结合的短期负荷预测方法.该方法将电力负荷分为周期性的基本负荷和受多种因素影响的变动负荷两部分,对于周期负荷用ANN进行预测,采用负荷预测中比较精确的RBF算法;变动负荷采用模糊逻辑对天气因素、温度、日期类型分别做不同的模糊处理,然后利用模糊推理规则对基本负荷预测结果进行修正.通过典型算例与普通BP法预测结果相比较,结果表明该方法具有较高的预测精度.     

夏季日最大降温负荷的估算和预测方法

随着空调等降温设备的大量使用,降温负荷对电力系统安全经济运行的影响越来越显著。以广州市的历史负荷和气温数据为基础,分析了广州市夏季降温负荷与气温之间相关性。首先,考虑到夏季基准负荷逐日的增长量,提出利用灰色系统GM(1,1)模型预测出电网夏季的日基准负荷曲线,进而准确剥离出夏季的日降温负荷曲线,并分析了日降温负荷曲线的“W”型变化特征。其次,基于日最大降温负荷与日最高温度的相关性分析,建立了日最大降温负荷与日最高温度之间关系的分段回归模型,并对日最大降温负荷进行预测。最后考虑温度累积效应的影响,对分段回归模型进行了修正,进一步提高了预测精度,从而为准确预测电网夏季日高峰负荷提供依据。     

基于误差预测修正的负荷预测研究

电力系统负荷预测对电力系统的可靠和经济运行意义重大。国内外学者对负荷预测理论做了大量研究,提出了许多预测方法。基于这些方法,提出了一种有辅助和修正作用的措施——误差预测修正,即通过对预测产生的误差进行预测和分析,形成预测修正模型,再结合原预测模型预测负荷,以扩大原模型的适用范围和提高它的预测精度。最后通过算例,验证了该方法的科学性和实用性。     

Application of switched adaptive system to load forecasting

In this paper, we propose an approach for next day peak load forecasting for electrical companies. First a nonlinear model for the peak load is proposed taking into account the historical load and the temperature. Based on this model time-varying local models are obtained for some temperature intervals. The peak load forecasting system is constructed based on these local models which parameters are estimated using an on-line recursive algorithm. We remark that in this methodology it is not necessary to know precisely the temperature of the days since the proposed system is based on an interval for the future temperature instead of a number. An application example illustrates the proposed approach.     

基于竞争分类的神经网络短期电力负荷预测

根据电力负荷的特点,在考虑天气、日类型、实际历史负荷等因素对预测负荷影响的基础上,提出了一种基于竞争分类的神经网络短期负荷预测方法.应用神经网络的竞争学习对相关数据进行分类,将历史数据分成若干类别从而找出与预测日同类型的预测类别.利用相应的BP算法对未来24小时负荷进行短期预测,该方法充分发挥了神经网络处理非线性问题的能力.结果表明,该方法取得了较满意的预测精度.     

电力系统短期负荷预测的模糊神经网络方法

针对电力系统短期负荷预测问题 ,考虑气象因素对负荷的影响 ,提出了一种模糊神经网络的短期负荷预测方法 ,首先根据评价函数选取相似日学习样本 ,然后利用隶属函数对影响负荷的特征因素向量的分量进行模糊处理 ,采用反向传播算法 ,对 2 4点每点建立一个预测模型 ,提高了学习效能。本方法适合在短期负荷预测中使用 ,具有较好的预测精度。     

基于区域负荷的配电网超短期负荷预测

建立了以馈线开关为节点、以馈线为边的配电网简化模型，并采用负荷作为节点和边的权，给出了节点的负荷与边的负荷的关系。采用对负荷历史数据和温度历史数据进行统计分析的方法，对超出历史温度范围的情形采用最小二乘法拟合，得出了配电区域的超短期负荷预测结果，利用节点的负荷与边的负荷的关系进一步得出全配电网的超短期负荷预测结果。配电网运行方式的改变并不影响所提出的方法的预测精度。实际应用结果证实了所提出的方法的可行性。     

重庆地区电力负荷特性及其影响因素分析

研究电力负荷变化特性和规律对提高短期负荷预测精度具有重要意义。根据重庆地区近年来收集的历史负荷数据和气象数据等相关信息,分析了年最大和最小负荷及典型日负荷曲线的变化规律,研究了该地区的负荷特性与主要影响因素之间的相互关系,并针对重庆地域特点,分析了各主要影响因素对该地区负荷的影响程度和主要影响时段。研究结果表明,目前温度、降雨量和节假日对重庆地区电力负荷的影响较大,可为研究重庆地区电力短期负荷预测方法和分析未来智能电网的负荷特性提供理论依据。     

考虑高温累积效应的夏季日最大负荷预测

对湖南地区夏季日最大负荷与温度进行敏感性分析,得出夏季温度对负荷的影响可分为2个阶段,并提出变换公式来描述平均温度对负荷的阶段性影响。确定出现高温累积效应的温度界限值,并以高温持续天数与最高温度定义高温累积效应,直观反映持续高温对负荷的影响程度。引入温度的＂1度效应＂和高温累积的＂1天效应＂概念,并对其进行分析。建立考虑温度变化、持续高温和人们生产、生活规律的夏季日最大负荷预测模型,验证了高温累积效应的方法合理、有效。     

基于模糊神经网络的电力负荷短期预测

针对电力负荷的特点，综合考虑了温度及日期类型等因素对日最大负荷的影响，提出了一种采用模糊神经网络进行短期负荷预测的方法，并详细介绍了该方法的实现过程。通过对EUNITE(the European Network of Excellence on Intelligent Technologies for Smart Adaptive Systems)网络提供的实际数据进行详细分析确定了影响日最大负荷的相关因素，进而选择了合适的模糊输入以建立相应的模糊神经网络预测模型，并取得了较为理想的预测结果。算例分析结果充分证明了模糊神经网络在短期电力负荷预测方面具有较好的应用前景。     

基于神经网络的电力市场电价预测

以美国加州电力市场为背景,在分析了市场清算电价（MCP）的影响因素的基础上,采用了一种基于反向传播（BP）网络预测下一日市场清算电价的方法。该方法考虑了系统供求关系、历史负荷、历史电价等对未来时段电价的影响,建立了一个单隐层的神经网络结构。预测模型融合了模糊理论,利用隶属函数对温度（最高温度、平均温度、最低温度）进行了模糊处理,将这些因素作为神经网络的输入量。在负荷高峰时段,往往存在市场外机组的调度和参与者的策略性投标等问题,这些因素共同作用容易造成电价尖峰。建立一个节假日模型来预测节假日的电价。采用美国加州电力市场的历史数据进行了训练和预测分析,结果表明该模型具有良好的预测效果。     

UD-IGA网络构造法在短期负荷预测中的应用

电力系统短期负荷预测既是电力系统调度部门制定发电计划的依据,也是制定电力市场交易计划的基础，它对电力系统的运行、控制和计划都有着非常重要的影响。可由于负荷预测的复杂性、不确定性，难以获得精确的预测值。为提高预测精度，针对电力负荷的特点，综合考虑历史负荷、天气、日类型等因素的影响，将基于均匀设计（UD）和改进遗传算法(IGA)的网络构造法用于短期负荷预测。数据样本训练和实际预测结果表明，该模型不仅可避免陷入局部极小点,而且提高了预测精度和网络的训练速度。