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。     

基于气象信息和熵权理论的降温负荷估算方法

空调数量增长和极端高温天气使得夏季降温负荷大幅增长,已成为最大负荷屡创新高的重要原因。为了更准确估算降温负荷大小,提出一种基于气象信息和熵权理论的降温负荷估算方法。该方法采用全年最大负荷日负荷曲线与不含降温负荷的基准负荷曲线对应相减后取最大值,从而得到年最大降温负荷。在计算基准负荷曲线时,以气温、相对湿度、降水量等多种气象为轴建立气象坐标系统,通过确定基准气象象限以筛选无降温负荷的基准工作日;根据基准工作日的日最大负荷与气温、相对湿度、降水量等气象信息的相关系数,利用熵权理论确定各基准工作日负荷曲线相对基准负荷曲线权值。最后,利用广州市2009至2013年负荷数据及气象数据估算广州市年最大降温负荷。     

华东电网气象负荷特性分析

利用华东电网省市气象观测资料和历史负荷进行分析,找到影响电网气象负荷的关键气象因子并建立相关关系模型.通过对典型日估算的省市气象负荷与模型拟合负荷进行印证,并据此推导出华东全网气象负荷与关键气象因子的拟合关系.     

基于皮尔逊相关系数的电网夏季空调负荷预测研究

采用统计分析的方式研究地区电网夏季空调负荷的变化规律,综合考虑空调负荷的影响因素,构建了地区电网夏季空调负荷预测模型。该模型以地区电网负荷变化曲线为基础,实现了对空调负荷曲线的有效分离,随后采用Pearson相关系数考察各类影响因素与日最大空调降温负荷的相关性,通过比较日最大空调降温负荷与各类指标的相关系数,构造出一个能够体现最大空调负荷受本地区气象和社会经济影响较大的"经济气象综合指标",并利用回归分析提炼出空调降温负荷与综合指标的变化规律,最终实现夏季空调负荷的精准预测。基于某地区电网2006—2015年电力负荷及其相关数据,使用该模型预测2016年该地区电网夏季空调负荷,预测结果证明了模型的有效性。     

基于多时段气象数据判断相似日的日负荷曲线预测研究

日负荷曲线预测是电力市场运营的基本内容。而短期负荷预测应用中较为成功的人工神经网络方法ANN(artific ial neural network),在很大程度上取决于训练样本以及输入变量的合理选取,它关系到算法的收敛性、计算速度以及预测的精度。通过对长春地区日负荷数据与日气象数据的基础分析,提出了选用多时段气象数据以及日类型作为相似日判别要素,并运用灰色关联理论,计算出预测日和诸多历史日的关联度,来确定ANN的训练样本,从而建立起适应性较强的日电量的预测模型。然后由日电量预测的结果,采用96点的波形系数     

一种变电站负荷行业构成比例估算方法

为解决负荷模型的时变性问题,提高电网运行的安全性和经济性,提出基于能量管理系统底层负荷出线和专线用户的日负荷数据估算变电站负荷行业构成比例的方法。以实际电网数据为例,首先采用因子分析法对高维度的日采样数据进行降维;然后根据降维结果进行K-means聚类,并基于聚类结果进行负荷特性分析,从而获取典型行业日负荷曲线;最后根据所有底层出线和专线用户的行业归属情况及功率,自下而上聚合得到220 kV变电站的负荷行业构成比例。与用电信息采集系统用户数据的比对结果表明,所提方法估算得到的上层变电站负荷行业构成比例与实际总体相符。     

基于精准气象数据的地区电网短期负荷智能预测系统设计

基于分时分区精细化气象数据,研发地区电网短期负荷智能预测系统,实现功率曲线的日前精确预测。该系统的特点在于将网供负荷分解为多种功率分量的叠加,并针对各功率分量特点和影响因素,提供多种特征选择模式、预测方法以及历史参照日,以提高短期负荷预测的精度、自动化程度和工作效率。     

基于多时段气象数据判断相似日的日负荷曲线预测研究

日负荷曲线预测是电力市场运营的基本内容.而短期负荷预测应用中较为成功的人工神经网络方法ANN( artificial neural network),在很大程度上取决于训练样本以及输入变量的合理选取,它关系到算法的收敛性、计算速度以及预测的精度.通过对长春地区日负荷数据与日气象数据的基础分析,提出了选用多时段气象数据以及日类型作为相似日判别要素,并运用灰色关联理论,计算出预测日和诸多历史日的关联度,来确定ANN的训练样本,从而建立起适应性较强的日电量的预测模型.然后由日电量预测的结果,采用96点的波形系数,求出日各点的负荷预报值,经滚动预测检验证明,该方法能较好地满足实际电力系统的负荷预测要求.     

基于负荷分解和实时气象因素的短期负荷预测

根据地区气象与负荷的相关关系,从总负荷中分解出对气象不敏感的基础负荷和受气象因素影响的气象敏感负荷,并分别采用灰色系统GM(1,1)模型和基于LMBP (Levernberg–Marquardt back propagation)算法的多层前馈神经网络对二者进行建模预测。在对实时气象因素、日特征气象因素与气象敏感负荷相关性分析的基础上,重点把握某些气象因素与气象敏感负荷之间的联系。通过合理选择神经网络的输入变量,实现了基于实时气象因素的短期负荷预测。实际应用证明了所提出方法的有效性。     

基于气象指标的安徽电网负荷特性分析及研究

电力负荷特性分析是电网调度运行、生产规划的重要组成部分。为充分发掘安徽电网负荷特性与气象因素的关系,首先对安徽电网基础负荷与气象负荷进行分解;然后基于相关系数法进行多维度气象指标主导因素辨识,在此基础上建立气象指标—负荷二次回归模型,获得气象负荷的灵敏度;最后结合2018年安徽气象情况,阐明了安徽电网2018年夏季负荷特性,并对2019年安徽最大负荷做出预测,对安徽电网负荷预测和电力平衡工作具有指导意义。     

基于改进Apriori关联分析及MFOLSTM算法的短期负荷预测

电力负荷预测结果的准确性对电力系统安全稳定运行具有重要意义。针对多气象因素影响下的短期负荷预测任务,提出改进Apriori关联度分析及飞蛾火焰优化的长短时记忆神经网络算法的电力负荷短期预测新方法。首先,提出改进Apriori算法分析气象因素与负荷之间的关联程度。依据分析结果除去非必要气象影响因素,并在此基础上引入人体舒适度评价指标。其次,将降维后气象数据结合地区负荷数据作为模型输入。最后,基于长短时记忆神经网络进行短期负荷预测建模,并结合飞蛾火焰优化算法的全局寻优能力来优化模型。通过对某地区负荷数据协同气象数据进行对比预测试验,测试结果表明该负荷预测模型能有效提升地区电网短期负荷预测性能。     

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。     

北京地区日最大电力负荷预测模型初探

基于2009—2013年北京地区电力负荷以及自动站气象资料,分析讨论了日最大电力负荷的变化特征以及与气象因子之间的相关关系,并使用2009—2012年资料,通过多元回归建立日最大电力负荷预测模型。研究分析结果表明：日最大电力负荷主要出现在09：00—17：00并与气温存在明显相关性,其中在18.7 ℃以上呈正相关,在18.7 ℃以下呈负相关。使用2013年的数据对模型进行验证,其预报准确率达到91.6%,展现出了良好的预报能力。     

台风天气下电网负荷对气象因素的敏感度分析

针对风雨特殊天气数据样本少、负荷变化异常的特点,提出了一种新的负荷与气象敏感度分析方法。首先,基于灰色关联度理论,提出了一种基于相关系数变化率的负荷主要影响因素选择方法;其次,根据不同的气象条件区间,建立负荷与气象的多元线性回归关系,得到了更准确的负荷随气象因素变化的敏感度;最后,利用所提方法对海口电网的负荷和气象因素进行了敏感度分析,揭示了海口电网负荷随气象变化的规律,对提高台风等特殊风雨天气下电网的负荷预测精度和运行安全性具有实用参考价值。     

基于模糊信息粒化与多策略灵敏度的短期日负荷曲线预测

针对气象变化时负荷曲线预测精度低、预测模型不能完全适应气象变化的情况,提出了一种基于模糊信息粒化与多策略灵敏度的短期日负荷曲线预测方法。提出了完全气象因子序列的概念,建立气象粒化集;采用空间多元回归及滞后模型结合多策略灵敏度分析法,建立了针对复杂气象条件下的极值预测模型;基于改进的K-means聚类分析法查找并获取气象特征日,计算初步预测曲线,主动判断预测曲线畸变概率并进行优化修正,得到最佳预测日负荷曲线;利用动态数据流对模型参数进行更新,实现精细化预测。最后采用该方法对我国南方某地区全年负荷曲线进行预测,验证了模型在多种气象条件下的预测准确性,尤其适用于短期内气象存在复杂变化的情形。     

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。     

网格化的电力系统短期负荷预测的MDRBR模型

针对大电网的短期负荷预测,建立了按地域划分的网格化电力系统短期负荷预测模型.各子网格根据自身的历史负荷和气象条件建立对网格更为有效的负荷预测模型,并采用了面向粗糙集的默认规则挖掘算法(MDRBR--mining default rules based on rough set)构造各单一预测模型,从而获得更加准确的预测结果.文中首先描述了MDRBR算法,然后分析研究了网格化的日负荷多层规则网络构造过程,并给出了基于MDRBR算法的日负荷预测过程以及对某地历史数据的负荷预测结果.分析结果表明,该网格化负荷预测模型能更加准确地得出预测结果,有效地减少噪声,计算简单,且规则搜索效率高.     

与典型日负荷匹配的风电出力场景构建方法

为了解决风电出力的随机性导致微电网并网规划运行时鲁棒性与计算效率难以平衡的问题,提出一种与典型日负荷场景匹配的风电出力场景构造方法。首先在微电网规划中重点考虑日负荷趋势和峰谷时段位置,利用隶属度函数提取日负荷曲线趋势和峰谷时段信息,并结合改进有序聚类提出典型日负荷选取方法;在典型日负荷的有效时间内,利用风电出力最大增加量和最大减少量,结合插值法提出风电场景构造方法。然后建立评价指标体系来评价典型日负荷选取与对应风电场景构造效果。最后利用电网数据验证所提模型的有效性。