考虑小区发展不均衡的空间负荷预测分类分区法

小区面积和规模大小、投运年份先后、功能性质差异以及地理位置优劣等,都在一定程度上造成各小区负荷发展的不均衡。目前应用分类分区法进行空间负荷预测时,未考虑到或者很少考虑到影响各功能小区负荷发展的诸多因素。针对这一不足,根据实际规划中可收集到的数据资料将小区细分为5类:已知历史负荷的老城区,仅知投运年限的老城区,无任何数据的老城区,已知投运年份的新城区,投运年份未知的新城区。根据这5类小区的数据特点分别采用不同的方法预测其负荷分布。其中,对于仅知投运年份的老城区和未知投运年份的新城区分别引进了模板法和优先指数权重法。最后通过算例验证该方法的实用性和可行性。     

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。     

考虑规划小区发展时序的空间负荷预测分类分区法

目前应用分类分区法进行空间负荷预测时,往往忽略新区的发展时序问题.针对这一不足,将投建年份不同的新区按照时序关系,依次在其相应的先前年份负荷拟合曲线上进行空区推论预测,得到对应投入年份的新区在规划年的负荷大小,由平均负荷密度进而预测其负荷分布.该方法相比于现有方法,在负荷密度预测中体现了小区发展的时序关系,有效提高了预...     

城市区域电网负荷预测的实践

通过对泉州市泉港区原始资料的分析,确定采用区域负荷密度指标法进行远期年预测,及多种数学模型外推进行中间年预测的预测方案.利用同类型地区同类型负荷的负荷密度相似原理,得到了远期年泉港区各类性质用地的负荷密度指标.根据确定的方案,预测了泉港区总电量、总负荷以及分区和分类负荷.经过对预测结果的校核,确定结果符合泉港区的经济发展趋势,是有效的.     

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。     

多级负荷聚类和解耦机制的配电网短期负荷预测方法

为解决配电网供电分区负荷特性因用电结构与用户用电习惯差异呈现多样性,导致泛化的预测模型难以提供满意计算精度,以及新投运配变由于缺乏历史数据积累,无法为机器学习提供大量训练样本的问题,提出了一种多级负荷聚类和解耦机制的短期负荷预测方法.首先,进行基于变电站用电量以及台区用户用电特性差异的多级负荷特性聚类.随后,对不同聚类配变构建基于脉冲神经网络的短期负荷预测模型,并采用负荷标幺曲线和基准值分开预测的解耦机制应对新投运配变的小样本问题.最后,综合分类预测结果得到日负荷预测曲线.实例证明该方法能实现负荷预测的精细化,并减小新投运配变的预测误差影响,改善了综合预测结果.     

基于元胞自动机技术的农村中长期负荷预测方法

针对农村用电负荷分布不均、多样性强,难以准确预测的问题,在考虑农村发展规划、经济、人口等影响负荷变化因素的基础上,提出了一种基于元胞自动机技术的农村中长期负荷预测方法。首先,根据农村用电用途和特点,对农村负荷进行分类;然后,按照台区供电范围内地块利用性质以及地块上负荷分布特点,定义了农村地块功能,利用最小二乘法得到不同功能地块的历史负荷密度曲线;在此基础上,结合农村发展规划、经济及自然条件等引起农村负荷密度和地块功能变化的影响因素,利用历史数据训练门控循环单元负荷密度模型,并利用元胞自动机技术预测地块变化信息;再次,根据地块变化信息和历史负荷密度曲线,利用门控循环单元网络模型预测负荷密度,进而得到农村中长期负荷的预测结果;最后,以某农村为例,验证了所提策略的可行性和有效性。     

基于k-means聚类方法的曲线按比伸缩置换缺失数据补全法

电力负荷预测的准确度与负荷历史数据质量密切相关.现在,负荷数据一般由SCADA系统提供,所提供数据常常出现缺失现象.研究了一种缺失数据补全方法,基于k-means聚类方法的曲线按比伸缩置换法.利用电力负荷具有时间周期相似性的特点,把某一处负荷的历史数据以日负荷向量为单位进行分类.缺失的数据通过把其日负荷向量所属类的质心向量的相应数据按照一定的比例伸缩变换,替换到空缺数据部分,完成补全.与传统线性插值法和平均日负荷曲线补全法相比,补全准确度高.与支持向量机负荷预测相配合,可以一定程度上提高预测准确度.     

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.     

城网规划地块负荷密度计算方法

在城市电力负荷预测工作中,按照“城市电力网规划设计导则”的规定,首先要将市区按地理区域或功能分区分成若干个地块,在经常调查分析的基础上,收集城市建设和各行各业的发展信息,充分研究本地区用电量和负荷。以历史数据和发展趋势进行测算、计算现状和历史的各地块的电力负荷和负荷密度,作为推算各地块各目标年负荷     

基于系统动力学的分区负荷预测

应用系统动力学理论,结合汕头市“十五”电网规划,对汕头市各分区电量进行了预测。在分析分区预测特点的基础上建立了一个通用模型。通过对特殊情况的数据分析,对通用模型进行修正,建立特殊情况下的模型,并按照分区预测结果确定分配因子,将系统的总预测量分配到各分区。仿真结果表明了系统动力学方法在分区负荷预测中的有效性。     

模糊聚类分析在分区负荷预测中的应用

分区负荷预测通常直接按行政区域划分预测区域,没有考虑同一行政区内可能存在电力负荷增长规律有较大差异的情况。通过模糊聚类的方法,按下一级行政区域中负荷变化规律的近似程度,实现新的分区,有利于改善分区负荷预测的预测效果。针对聚类过程中各项聚类指标对用电量水平影响力不同的问题,引入了加权标定方法。以苏南5市为例进行了聚类分析,其结果和实际情况相符。     

负荷求导法在超短期负荷预测中的应用

负荷求导法是超短期电力负荷预测的一种新方法。以负荷求导法为基础,对其中的不足进行了改进,并根据分形理论和相似日理论提出了一种历史数据处理的新方法:对历史负荷分类取样同时进行伪数据辨识处理,以提高预测精度。算法具有实现简单、运算迅速、精度高等特点。仿真表明了改进模型的有效性和算法的可行性,对于超短期负荷预测这类需要反应迅速的问题,采用本文提供的方法进行预测是可靠且非常有效的。     

基于人工蜂群优化极限学习机的短期负荷预测*

针对极限学习机(Extreme Learning Machine,ELM)在训练前随机产生输入层权值和隐含层阈值导致输出结果不稳定,影响短期负荷预测精度的缺陷,提出基于人工蜂群(Artificial Bee Colony,ABC)算法改进ELM(ABC-ELM)的短期负荷预测新方法。首先,选用历史负荷、外界气象因素和待预测日星期类型等属性构成ELM输入向量,以负荷值为输出,构建ELM模型;其次,采用ABC对ELM输入层权值和隐含层阈值进行优化;最后,根据优化参数,建立基于ABC-ELM的负荷预测模型,并以该模型开展负荷预测。根据国内某大型城市实测负荷数据开展实验,验证方法有效性。实验结果证明ABC-ELM较ELM和BP神经网络具有更高的稳定性和预测精度。     

采用谱分析建模和基于人工神经网络的短期负荷预测方案

提出了一种基于谱分析法进行建模的短期负荷预测方案,该方案利用负荷历史数据的谱分析结果进行人工神经网络(ANN)模式分类和选择输入变量.方案采用快速傅立叶变换(FFT)进行负荷数据预处理,运用滤波算法及小时负荷曲线的频谱分析来研究电网负荷的周期特性,所得结果表明四季负荷的谱特性具有明显差异,应采用不同的模型和方案进行预测.谱分析有助于各时段预测方案提取输入变量.利用该思路构造的基于人工神经网络的负荷预测方案被用于预测广东省网的负荷,与其他普遍采用的输入变量预测结果的对比表明,所提方案在短期负荷预测中的性能良好.     

基于数据挖掘技术和支持向量机的短期负荷预测

支持向量机方法已经非常成熟的应用在短期负荷预测领域,它在选取历史日期进行模型训练的时候通常选取距离预测日相近的一段日期,而没有考虑这段时间气象条件、星期类型、节假日造成的影响,使得所建立的模型并不能完全的反映预测日的特征。提出了基于一种基于数据挖掘技术的支持向量机负荷预测方法,该方法提出了预测模型样本选取的新颖思路,首先采用层次聚类法对历史日负荷进行聚类,利用层次聚类得到的分类结果建立决策树,根据待预测日的属性在决策树中查询得到支持向量机预测模型输入的历史负荷,建立支持向量机预测模型并对待预测日的负荷进行预测。实例中负荷数据采用浙江省某地级市的历史负荷,用新方法对该地区的日96点负荷进行预测,并将该算法与传统的支持向量机算法进行比较,文中提出的方法解决了传统的基于支持向量机方法训练日期选取不能反映待预测日特征的问题,故本算法结果具有较高预测精度。     

确定性合同分解中异常负荷数据的识别与修正

电力市场的合同分解中应用确定性电量分解算法需要制定典型负荷曲线,历史负荷中的异常数据必然影响典型负荷曲线的有效性。文中借鉴计算统计学的等高线图法,采用系统聚类方法构造谱系树,将样本映射到叶结点,提出一种新的负荷形状畸变识别方法,并将其与传统的 t检验法相结合,应用于负荷异常数据的识别和修正。应用该方法对浙江电网的历史数据进行了异常负荷的识别和修正,分析结果说明其简单、有效。     

基于灰色投影改进随机森林算法的电力系统短期负荷预测

针对短期负荷预测领域传统的机器学习算法(如人工神经网络、支持向量机等)存在的诸如泛化性能不强、参数和模型结构确定困难等问题,将随机森林回归算法引入短期负荷预测领域。同时应用投影原理改进了传统的灰色关联相似日选取算法,提出了一种基于灰色投影改进随机森林算法的电力系统短期负荷预测组合方法。基于灰色投影的相似日选取方法,采用灰色关联度判断矩阵表征历史样本与待预测日影响因素间的关联关系,并用熵权法确立影响因素的权重对判断矩阵加权,最后利用各个样本关联度投影值排序得到相似日集合。采用随机森林算法建立预测模型,利用灰色投影筛选出的相似日样本集合训练模型,最后输入预测日特征向量(天气预报数值、日类型等)完成预测。以浙江电网某县级市的负荷数据作为实际算例,并将上述方法与支持向量机方法以及未作灰色投影改进的随机森林算法进行对比。实验结果表明,新方法具有较高的预测精度和鲁棒性。     

模糊聚类方法在用户负荷曲线分析中的应用

采用基于负荷曲线进行用户分类的方法,运用数据挖掘技术中的模糊C均值聚类,将不同行业的用户混合在一起,利用聚类的观点将其分类,对各类负荷曲线进行分析和比较;将模糊C均值聚类算法应用在单个典型行业典型用户(主要是工业和三产的大用户)的分析中,可以发现不同季节、不同月份的负荷数据之间有一定的共性.