多级负荷预测的基础问题分析

围绕多级负荷预测及其协调问题,首先剖析了多级负荷预测的基础---负荷预测的分类方式,通过拓展不同的分类角度,提出了基于雷达图的负荷预测的分类方法,从而清晰地表征负荷预测的“多级”特性。从供应侧和需求侧的角度分析了相关因素对预测对象的影响途径,提出了多级负荷预测中不同级别电网对相关因素的处理策略;研究了多级负荷预测体系下母线负荷预测与系统负荷预测的关系,提出了“虚拟母线”的概念和应用方法;最后总结了多级负荷预测的分析思路和研究内容。该文的研究为建立多级负荷预测理论提供了广阔的空间。     

多级负荷预测的基础问题分析

围绕多级负荷预测及其协调问题,首先剖析了多级负荷预测的基础---负荷预测的分类方式,通过拓展不同的分类角度,提出了基于雷达图的负荷预测的分类方法,从而清晰地表征负荷预测的"多级"特性.从供应侧和需求侧的角度分析了相关因素对预测对象的影响途径,提出了多级负荷预测中不同级别电网对相关因素的处理策略;研究了多级负荷预测体系下母线负荷预测与系统负荷预测的关系,提出了"虚拟母线"的概念和应用方法;最后总结了多级负荷预测的分析思路和研究内容.该文的研究为建立多级负荷预测理论提供了广阔的空间.     

基于回归分析的频域分解短期负荷预测方法

基于回归分析的频域分解短期负荷预测方法通过对负荷序列进行频域分解,将负荷序列分解为周期负荷分量、低频负荷分量以及随机负荷分量。采用了外推法、一元线性回归分析和加权平均法,分别对周期负荷分量、低频负荷分量和随机负荷分量进行预测。最后通过对某地区电网日负荷进行预测,表明该方法应用于短期负荷预测具有较好的预测精度。     

电力负荷特性预测软件及其在浙江电网中的应用

介绍了新开发的电力负荷特性预测软件包实现的年持续负荷曲线预测和典型日负荷曲线预测的预测原理和方法.软件既能通过多种负荷预测模型对未来年的年最大负荷、用电量进行预测;也能对未来年的负荷特性曲线进行预测.其中,年持续负荷曲线采用排序法进行预测;典型日负荷曲线采用分行业叠加法进行预测.应用结果表明本软件的预测效果较好,达到了实用化水平.     

考虑气候因素的城市电力负荷预测

分析了某城区的用电量、电力负荷与气温的关系,通过考虑气候因素对年最大负荷的影响,采用将高峰负荷分为基本高峰负荷和最大波动负荷的预测模型进行地区的近期年负荷预测,再考虑波动负荷的影响,最终给出负荷预测的一个范围.负荷预测过程中同时采用各种模型拟和外推的方法对两类负荷分别进行了近期年负荷预测,最后对预测结果进行校验.预测结果表明,这种负荷模型结合现有的规划软件的方法,在实际工程当中能够较大地提高负荷预测的精度.     

计及气温因素的年度负荷预测修正方法

为剔除气温敏感负荷对发展趋于饱和地区年度负荷预测的影响,提出计及气温因素的年度负荷预测原始数据和预测结果修正方法.根据年最大负荷与年最高温度的分段线性关系建立综合调整模型,基于该模型提出了负荷预测历史数据还原和预测结果数据调整方法,并给出预测调整修正算例.实际算例表明,该方法在上海市区的负荷预测过程中能充分考虑最高气温对最大负荷的影响,提高了负荷预测的实用性和有效性.     

考虑负荷周期性和变化率的短期电价预测

为了提高电价预测精确度以提高其实用价值,在电价预测模型中引入负荷周期性和变化率因素.根据负荷对电价的影响建立基于系统负荷的短期电价预测模型,使用小波分解对负荷和电价数据进行分析处理,采用神经网络的预测方法对短期市场清算电价进行预测.考虑负荷和电价的周期特性,在预测模型输入侧增加了负荷的周期性因素.考虑负荷剧变引起的电价变化,定义综合负荷变化率影响因素并加入模型输入侧来提高预测精确度.预测实例采用实际负荷值为输入,其结果表明引入负荷周期特性和综合负荷变化率因素后预测相对预测误差和单点最大预测误差分别降低35%和28%,有效地提高了模型的预测精确度.     

电力系统负荷预测方法综述

电力系统负荷预测对电力系统的调度运行和生产计划有很大影响,准确的负荷预测有助于提高电力系统的安全性、稳定性、经济性,随着电力市场的建立与发展,负荷预测将发挥越来越重要的作用。简述了电力系统负荷预测的概念和意义,对现有的负荷预测方法进行分类,介绍了各种预测方法的原理,讨论了各种方法的优点与不足之处。最后,对电力系统负荷预测方法未来的发展方向做出了展望。     

配电网空间负荷预测方法的应用研究

针对配电网空间负荷预测方法进行了研究,将总量负荷预测与空间负荷预测相结合。在总量负荷预测上,采用基于人工神经网络的组合预测方法,尽可能消除不确定性因素的影响。在空间负荷预测上,采用基于模糊贴近度的负荷密度法,建立了相应的负荷密度选取指标。根据总量负荷预测结果对空间负荷预测结果进行校核和修正,为规划区配电网的网架规划、变电布点、容量和建设时间提供了依据。     

电网短期负荷预测管理探究

通过对当前电网短期负荷预测现状的分析,指出了当前电网短期负荷预测管理中存在的问题,分析了负荷预测问题的各种解决方案,并指出未来的主要研究方向。根据国内电力系统负荷预测的实践和经验,对我国开展电力系统负荷预测工作提出了一些建议。     

基于电力负荷模式分类的短期电力负荷预测

根据历史数据集的基本知识建立一个基于模糊规则的电力负荷模式分类系统,在考虑规则的分类准确性和可解释性的情况下,利用遗传优化算法挑选出Pareto最优模式分类规则集用于电力负荷模式分类.并在仿真试验中,将此分类系统用于电力负荷预测,结果表明此分类系统具有较好的分类性能,可为电力负荷预测提供更为充分有效的历史数据,从而改善其负荷预测性能.     

基于天气分类和卷积神经网络的短期负荷预测方法

为减少天气因素对短期电力负荷预测效果的影响,提高模型的预测精度,提出了一种基于天气分类和卷积神经网络的短期负荷预测模型。首先通过天气类型初分将原始数据样本集划分为晴天、阴天、多云和雨天4种类型。其次,为了识别相似气象条件,运用相关系数和k均值聚类方法,找到对新型负荷出力影响最大的气象因素,并对其聚类,选取高相似度的数据样本。之后根据特征选择的结果,构造神经网络输入数据集。最后,将该数据集输入至卷积神经网络训练并预测。通过算例验证分析所提模型具有更高的预测精度。     

神经网络预测中长期电力负荷对比研究

为避免传统方法预测中长期电力负荷建模的复杂性,根据电力负荷历史数据,研究了基于LM算法的BP网络、RBF网络在中长期电力负荷预测中的应用,通过神经网络对训练样本的学习,自动提取影响中长期电力负荷的诸多因素。从训练速度、预测误差等方面分析对比了两种神经网络预测能力,仿真和实例数据表明了两种神经网络在中长期电力负荷预测方面的可行性和良好效果。     

Short-term load forecasting based on artificial neural networks parallel implementation

This paper presents the development and application of advanced neural networks to face successfully the problem of the short-term electric load forecasting. Several approaches including Gaussian encoding backpropagation (BP), window random activation, radial basis function networks, real-time recurrent neural networks and their innovative variations are proposed, compared and discussed in this paper. The performance of each presented structure is evaluated by means of an extensive simulation study, using actual hourly load data from the power system of the island of Crete, in Greece. The forecasting error statistical results, corresponding to the minimum and maximum load time-series, indicate that the load forecasting models proposed here provide significantly more accurate forecasts, compared to conventional autoregressive and BP forecasting models. Finally, a parallel processing approach for 24 h ahead forecasting is proposed and applied. According to this procedure, the requested load for each specific hour is forecasted, not only using the load time-series for this specific hour from the previous days, but also using the forecasted load data of the closer previous time steps for the same day. Thus, acceptable accuracy load predictions are obtained without the need of weather data that increase the system complexity, storage requirement and cost.     

电力系统负荷预测技术

负荷预测是电力系统规划、供电、调度等部门的重要的基础工作,讨论了负荷预测的特点、分类及各种成熟的负荷预测技术,研究了现代负荷预测技术的发展动态,并指出未来主要的研究方向。     

改进模糊神经网络在负荷预测中的应用研究

电力系统短期负荷预测是电网调度中一项重要的工作,精确的负荷预测可以为调度员提供必要的基础数据,电网运行安排也都是以负荷预测的数据作为根据。利用人工神经网络可以任意逼近非线性系统的特性,将其用于短期负荷预测。研究了改进的误差反向传播算法——动量及自适应lrBP的梯度递减训练算法,预测结果表明比标准BP算法具有更好的性能。同时,针对大量无法用精确数值来量化的信息的影响,引入模糊理论的方法,定义了不同的隶属度函数,模糊化后输入到网络中进行训练和预测,结果表明其精度比输入量非模糊化的人工神经网络更高。     

Neural-network-based demand forecasting in a deregulatedenvironment

The traditional approach to load forecasting is based on processing time series of load and weather factors recorded in the past. In the dynamic environment of the deregulated power industry, historical load data may not always be available. This paper explores the possibility of an alternative approach toward load forecasting based on indirect demand estimation from available customer data. This approach requires utilization of demand models for different customer categories. This paper presents a neural network-based method of demand modeling. Neural networks are designed and trained based on the aggregate demands of the groups of surveyed customers of different categories. The performance of such models depends on the neural network design and representativeness of the training data. The forecast accuracy is also affected by the forecasted group size, customer characteristics, customer classification system, and the extent of demand survey. This paper discusses the issues of neural network design and illustrates the proposed method by its application to forecasting demand of residential customers     

结合受限玻尔兹曼机的递归神经网络电力系统短期负荷预测

短期负荷预测的重要性随着电力企业的发展不断提高。传统的负荷预测虽然已经发展相对成熟,但现阶段对负荷预测的准确性要求逐渐提高。为满足发展需要,则要对现有的方法进行改进或建立新的预测方法。通过分析负荷预测数据周期性及周期内的特征,结合递归神经网络在分析时间序列数据的独特优势和受限玻尔兹曼机的强大的无监督学习能力,对结合受限玻尔兹曼机的递归神经网络的工作原理及训练过程进行了阐述。利用该网络进行了电力负荷数据预测实验验证并与其他神经网络进行了比较性实验。结果表明,所提出的神经网络较其他网络在电力短期负荷预测实验中有更高的准确性。     

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.