考虑夏季气象因素的短期负荷预测方法研究

由于夏季电力负荷受气象因素影响较大,尤其是连续高温情况下,短期负荷的预测结果往往存在较大偏差。通过对气象敏感负荷与温度、湿度等气象因素的相关性研究,提出了考虑温度累积效应的修正模型。该模型不仅考虑了多日前温度对负荷的影响,还考虑了待预测时段之前时段的温度对负荷的影响,同时对湿度进行了相关性修正。通过综合预测模型试算,实例表明,引入修正模型后夏季高温负荷的预测精度有了较大提高。     

考虑夏季气象因素的短期负荷预测方法研究

由于夏季电力负荷受气象因素影响较大,尤其是连续高温情况下,短期负荷的预测结果往往存在较大偏差.通过对气象敏感负荷与温度、湿度等气象因素的相关性研究,提出了考虑温度累积效应的修正模型.该模型不仅考虑了多日前温度对负荷的影响,还考虑了待预测时段之前时段的温度对负荷的影响,同时对湿度进行了相关性修正.通过综合预测模型试算,实例表明,引入修正模型后夏季高温负荷的预测精度有了较大提高.     

基于气温累积效应和灰色关联度的短期负荷预测研究

气象因素是短期负荷预测重要的影响因素。为提高预测精度,研究了一种基于气温累积效应和灰色关联度的支持向量机拓展算法——最小二乘支持向量机(least squares support vector machine,LSSVM)。通过相关性分析得到与日平均负荷相关程度较大的气象因素。在此基础上,结合气温累积效应采用灰色关联方法对历史日进行分析,选取与待预测日关联度较大的历史日作为相似日,并对LSSVM模型进行训练和预测。实际应用表明,使用所提出的预测模型和数据处理方法能够得到更加精确的预测结果。     

气象环境对电网负荷的影响因素分析

针对地区电网负荷易受多种气象因素影响,负荷预测中存在诸多不确定性问题,研究了气象因素对电网负荷的影响,最大程度减少由气象因素造成的负荷预测偏差。应用灰色关联度分析方法,基于大量历史数据,剖析气温、湿度、风速等气象因素与负荷特性变化的关联度,得到对负荷变化产生主要影响的气象因素。在此基础上,为了量化分析主要气象因素对负荷影响的程度,采用支持向量回归的方法得出日特征气象因素、实时气象因素对负荷变化的的灵敏度模型。同时,考虑到气温的累积效应对负荷特性变化的重要影响,研究气温累积效应对负荷的影响规律,得到气温累积效应修正公式,并用实例证明对历史数据经累积效应修正公式进行修正后,修正数据能够切实提高负荷预测的准确性。     

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。     

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。     

负荷预测中的温度热累积效应分析模型及处理方法

为研究气温与电力负荷的关系,剖析了夏季温度与负荷之间的相关性,在此基础上分供电能力充足和供电能力不足两种情况讨论了热累积效应对负荷的影响,提出了基于模糊理论的温度热累积效应与负荷的关系模型及处理方法。在实际负荷预测过程中,采用上述方法对持续高温日负荷预测结果进行了修正。分析结果表明,该模型能有效地反映热累积效应和负荷之间的变化关系。     

考虑气象累积效应的IPSO-BP神经网络短期负荷预测算法

气象因素是短期负荷预测中的重要因素,考虑气象累积效应选取相似日作为训练样本,提出基于改进粒子群优化算法的BP神经网络负荷预测方法(IPSO-BP)。首先通过相关性分析得出与日负荷相关程度较大的气象因素;在此基础上,采用加权几何距离选取与待预测日关联度较大的历史日作为相似日,并对IPSO-BP神经网络模型进行训练和预测。实际应用结果表明,所提出的预测模型和数据处理方法能够得到更加精确的预测结果。     

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。     

短期负荷预测中考虑积温效应的温度修正模型研究

由于夏季负荷受温度因素影响较大,持续高温天气会造成积温效应,导致负荷出现一定程度的非常规增长,传统的短期负荷预测方法难以满足实际需求。因此,为了反映积温效应的影响程度,本文提出了温度修正模型,通过拟合温升曲线、求解负荷温度弹性系数来确定高温日的界限温度,同时给出了利用相关系数求解最大累计天数和累积效应系数的方法。算例分析表明,所提出的方法能够准确地反映积温效应的影响,提高短期负荷预测的精度。     

基于TCN-LSTM和气象相似日集的电网短期负荷预测方法

为充分挖掘不同气象因素的相似日信息和输入特征蕴含的信息以提升负荷预测精度,提出一种基于时间卷积网络和长短期记忆网络组合（TCN-LSTM）和气象相似日集的电网短期负荷预测方法。首先通过Pearson系数和最大信息系数,选出与负荷强相关的气象因素;然后根据该气象因素,选取最佳相似日组成气象相似日集,以气象相似日集负荷、历史负荷、气象因素和时间因素作为预测模型的输入特征;最后,搭建TCN-LSTM预测模型,用TCN进行特征提取后,再用LSTM网络完成短期负荷预测。以中国某地区的实际历史数据进行仿真验证,结果表明所提预测方法可有效提升负荷预测精度。     

夏季温湿指数与气象敏感电力负荷的研究

为了深入了解夏季电力日峰荷与气象因子之间的关系,从负荷资料中分离出随气象因子变化的气象敏感负荷,在考虑气象因子对气象敏感负荷的累积效应基础上,建立了气象敏感负荷变化率与气象因子间的关系模型。对2004～2005年某市夏季气象敏感负荷与温湿指数、日平均温度、日最大温度进行的灰色关联分析结果表明:温湿指数是对夏季气象敏感负荷影响最大的关联变量。在此基础上建立了夏季气象敏感负荷与温湿指数的三次多项式模型,计算分析了气象敏感负荷变化率与温湿指数的关系,为电网负荷的预测和运行调度提供依据。     

基于虚拟相似日与DA-LSTPNet的地区电网短期负荷预测

针对短期负荷预测精细化的需求,提出一种基于虚拟相似日与双阶段注意力机制的长短期时序神经网络(DA-LSTPNet)的地区级短期负荷预测方法.为获得与负荷相匹配的细粒度实时气象数据,首先基于粗粒度的气象数据,利用灰色关联度和关联度加权法获取含细粒度气象数据的气象虚拟相似日.然后,采用最大信息系数(MIC)对气象特征信息与负荷进行非线性关联性分析,构建MIC加权下的负荷虚拟相似日选取算法,解决选取历史日作为传统负荷相似日而导致的过分局部相似乃至非相似的问题.最后,针对过往预测模型缺乏考虑特征因素与局部负荷细粒度变化之间联系特性的问题,构建能够有效挖掘负荷特征数据长期宏观以及短期局部变化特性的DA-LSTPNet进行日前短期负荷预测.以中国南方某地区电网实际负荷数据为例,采用多种形式的仿真验证了所提预测方法具有更高的预测精度和普适性.     

基于FCM与影响因子的母线负荷特性分析

以某地区的多条220 kV母线为研究对象,针对母线数量众多,负荷类型多样的特点,采用模糊C均值聚类的方法将母线进行初步分类。再选取每个类别的典型母线,分别从母线的负荷特性指标、负荷曲线特点、与气象因素以及日类型的关系等方面进行深入的研究和分析,总结出每个类型母线的重要影响因子和在不同日类型下负荷曲线的变化趋势,为下一步开展母线负荷预测工作提供服务,进而提高地区母线负荷预测的工作效率和预测精度。     

气象敏感性负荷特性分析及预测

以电网迎峰度冬和迎峰度夏为背景,将电网负荷中的气象敏感负荷作为研究对象,对负荷预测气象指标进行分析,结合天气预报准确性分析,得出累积温度指标的适用性范围。分别采用基于累积温度指标的预测方法和基于综合气象指标的预测方法对气象敏感负荷进行预测,并针对大幅度升温/降温以及天气转化情况时对预测方法进行改进,提出在累积温平均温度变化超过2℃时,宜采用基于累积温度在平日预测时采用变化和平均温度变化加权指标进行负荷预测,在晴雨转换时采用修正后的综合气象指标预测法的综合气象敏感性负荷预测方法。实际算例和应用表明,该预测算法具有更高的准确度,为目前负荷预测提供一定依据。     

基于改进灰色模型与综合气象因素的母线负荷预测

针对母线负荷与系统负荷的差异——母线负荷基数小、易受气象要素变化影响等,为了充分考虑气象要素、日类型、小电源等因素对母线负荷预测的影响,提出了一种利用指数加权法来处理原始数据的改进灰色模型。以预测日的日类型与综合气象要素为依据,将其模糊化为日特征向量,采用灰色关联度来选择最优相似日,作为改进灰色模型的原始序列进行预测,...     

电力短期负荷预测相似日选取算法

短期负荷预测是电力系统安全经济运行的基础,相似日选取的准确与否直接影响到短期负荷预测算法的精度。针对短期负荷预测的特点,提出一种能便于考虑各种因素影响的新算法。分析了气象、日类型等因素对负荷影响的常见规律,便于识别主导负荷变化的因素,建立了在短期负荷预测中选取相似日的新方法。理论和实例均表明,该方法适应性较强,能够通过历史数据分析从历史日中选取最合适的相似日,对提高短期负荷预测的精度具有较大价值。     

计及气象因素的区域电动汽车充电负荷建模方法

电动汽车充电负荷受气象因素影响显著,且在不同区域显示出相应的特征。提出一种计及气象因素的区域电动汽车充电负荷建模方法,以便更准确掌握电动汽车充电需求。首先,建立车载空调耗电量和车载电池容量随气温变化的关联模型,分析不同气象条件下电动汽车的充电需求。其次,建立适宜气象条件下区域电动汽车充电负荷时空分布模型框架。进而,引入气象因素对电动汽车充电需求的影响,提出计及气象因素的区域电动汽车充电负荷建模方法,刻画电动汽车充电负荷随气象变化的关系。最后,基于上海市典型日气象数据进行仿真,结果表明,电动汽车充电负荷受气象因素影响明显,所提建模方法能有效反映不同气象条件下区域电动汽车充电负荷的变化情况。     

基于Attention-BiLSTM神经网络和气象数据修正的短期负荷预测模型

基于循环神经网络的负荷预测模型大多将历史负荷数据和影响负荷的其他因素如气象数据等共同作为预测模型的输入特征,但气象数据内部规律性不强,不适合作为循环神经网络的输入。针对该问题,提出一种基于Attention-BiLSTM神经网络和气象数据修正的短期负荷预测模型。采用最大信息系数分析影响负荷的主要因素;考虑到负荷序列较长且存在双向信息流,利用BiLSTM神经网络进行预测;引入注意力机制,通过注意力权重突出关键因素的影响,挖掘负荷数据的内部规律;利用核极限学习机结合气象数据进行误差预测和修正,完成负荷预测。以我国东部某地区真实数据作为实际算例,实验结果表明,所提模型与其他模型相比有更好的预测效果。     

短期负荷预测中实时气象因素的影响分析及其处理策略

短期负荷预测对于电力系统安全经济运行有着重要的作用,因此,人们一直致力于研究新的预测模型,提高预测精度。目前,实现提高预测精度这个目标的关键是如何更加合理地考虑气象因素对负荷的影响,因为气象敏感负荷在总负荷中所所占的比重越来越大。长期以来,鉴于气象部门无法提供实时温度等气象预测结果,电力系统所建立的预测模型绝大多数都是基于日特征气象因素,诸如日最高温度、最低温度等。针对短期负荷预测,作者剖析了气象因素的影响和作用,分析了处理不同阶段气象因素的策略,并提出了考虑实时气象因素的短期负荷预测新模型,该模型基于神经网络,力图寻求温度、湿度等实时气象因素与负荷曲线之间的相关关系和变化规律。实际应用表明,文中的预测模型和处理策略可以得到更加精确的预测结果。此短期负荷预测新模型也适用于超短期负荷预测。