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LSTM神经网络的短期电能负荷预测

针对电网用电量准确预测的问题,本文利用电能负荷历史数据的时间序列特性,提出了一种基于电能负荷历史数据的递归神经网络预测方法,首先分析了短期负荷预测的关键影响因素,以自回归方法为例介绍了传统负荷预测模型框架。接下来以BP神经网络和递归神经网络为例,阐述了神经网络模型原理以及与负荷预测任务的契合点。最后,(1)以卢布尔雅那城市的真实负荷数据为例,基于长短期记忆单元,采用前一周的负荷数据和气象数据,对当前时刻的用电负荷进行预测;(2)采用前一周的负荷数据和气象数据对未来一周每小时的用电负荷进行预测;(3)在(2)的基础上引入未来一周的气象预测数据,对用电负荷进行预测。实验结果表明,在训练数据充沛的情况下,长短期记忆神经网络能够基于历史数据和气象数据对电能负荷进行较为可靠地预测。     

影响江西电网负荷预测准确率的因素分析

本文分析了影响江西电网用电负荷的诸多因素(如气象、小水电、大用户、节假日及特殊事件的影响),从加强对气象因素、负荷类型及历史数据的精细化分析入手,研究各种负荷预测方法,找到了适应江西电网目前状况的短期负荷预测方法,进而提出了提高江西电网负荷预测准确率的主要思路。     

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。     

考虑气象因素的电网短期负荷预测策略

影响电网负荷预测的因素很多,其中气象因素是主要原因之一,尤其在天气系统的转变过程中,气象因互对电网用电和短期负荷预测准确率的影响更大,对气象负荷进行了明确定义,提出了一种预计气象负荷分量的实用方法和考虑气象因素的短期负荷预测策略。     

基于大数据分析的混沌神经网络模型在负荷预测中的应用

利用大数据分析方法对石家庄地区小时负荷数据的混沌特性展开数据挖掘分析,并综合考虑负荷历史数据、气象因子等影响因素,建立了基于混沌理论与神经网络相结合的负荷预测模型,并利用该模型对石家庄地区短期电力负荷进行了有效的预测。     

基于相似日与多模型融合的短期负荷预测

为提高负荷预测精度，以相似日思想为基础，构建了一种基于相似日与多模型融合的短期负荷预测框架。首先，通过Pearson相关系数确定负荷的气象影响因素，并结合气象因素及负荷日期类型进行相似日选取，构造历史数据集；其次，采用互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)技术将历史数据集分解为不同频率下的固有模态函数(intrinsic mode function,IMF)分量；然后，采用长短期时序网络(long short term time-series network,LSTNet)及极限学习机(extreme learning machine,ELM)模型分别对高频及低频IMF分量进行预测，经过结果的融合得到最终的负荷预测结果；最后，经过实际电力负荷验证，所提出模型具有较高的负荷预测精度。     

基于粗糙集理论和动态时序模型的日负荷曲线预测新方法

作者提出了一种短期日负荷曲线预测新方法.该方法首先采用日最小负荷对日负荷曲线进行规范化,再将日负荷曲线预测转化为对日最小负荷的预测和对日规范化负荷曲线的预测.对日最小负荷预测应用动态时序模型;对日规范负荷曲线应用专家系统进行推理预测,专家系统中的推理规则应用粗糙集理论从历史数据中获取.采用上海电网数据对该预测方法进行了测试,结果表明该方法便于对各种影响因素进行分析处理,能够更有效地利用历史数据所包含的信息.     

基于改进深度信念网络的短期电力负荷预测方法

随着社会经济结构的变化,仅依赖于负荷历史数据和少量气象等影响因素进行电力负荷预测会造成较大误差.本文提出了一种基于改进深度信念网络IDBN(improved deep belief network)算法的负荷预测方法.该方法充分挖掘历史负荷数据中的规律性,将数据特征向量输入到多个用于两层稀疏自编码神经网络中进行特征融合,利用神经网络模型进行负荷预测,并进行无监督训练对模型进行预训练,提升多类型实值输入数据的处理效率.最后,通过算例验证了本文所提方法的有效性.     

基于相关因素映射和神经网络的短期负荷预测

由于气象因素对电网负荷影响巨大,在进行短期负荷预测时必须考虑气象因素的影响。在处理负荷与相关因素之间的非线性关系时,神经网络具有其自身的优势,而如何量化不同量纲的相关因素对电网负荷的影响是一个难题。本文提出了一种基于相关因素映射和神经网络的短期负荷预测方法,训练结果表明,这种方法较传统的人工神网络预测方法精度有所提高。     

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.     

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。     

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。     

短期负荷预测中气象因素处理的费歇信息方法

在能提供大量实时负荷数据和气象数据的智能电网大数据环境下,挖掘合适的气象因素处理方法对提高短期负荷预测精度尤为重要。针对一个或多个气象变量,解决一维或多维费歇信息计算问题。在此基础上,提出基于费歇信息的气象因素建模方法及新预测模型。实际测试结果表明:采用所提模型可以获得更精确的预测结果,解决了短期负荷预测中对气象因素处理的主观随意性问题。     

基于多源数据和模型融合的超短期母线负荷预测方法

母线负荷预测对于电网调度运行的安全性和在线分析决策的准确性具有重要的意义。为了进一步提高母线负荷预测精度,提出了一种基于多源数据和模型融合的超短期母线负荷预测方法。结合当前电力大数据,首先将历史负荷数据、日期信息以及天气信息等多类型数据作为预测模型的输入特征,并建立基于BP-ANN(back propagation)神经网络和CNN(convolutional neural network)神经网络融合的预测模型。然后采用BP-ANN提取数值类型和类别类型数据的特征向量,与CNN提取图像型数据的特征向量进行融合,通过多层BP-ANN神经网络进行超短期母线负荷的预测。最后,采用我国某地区220kV变电站高压侧的有功负荷历史数据和该地区天气信息进行实例分析。实验结果分析表明,所提方法能够充分有效利用多源数据和模型融合的特点进行超短期母线负荷预测,相较于BP-ANN和CNN单独模型预测具有更高的负荷预测精度。     

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。     

Nonparametric regression based short-term load forecasting

This paper presents a novel approach to short-time load forecasting by the application of nonparametric regression. The method is derived from a load model in the form of a probability density function of load and load affecting factors. A load forecast is a conditional expectation of load given the time, weather conditions and other explanatory variables. This forecast can be calculated directly from historical data as a local average of observed past loads with the size of the local neighborhood and the specific weights on the loads defined by a multivariate product kernel. The method accuracy relies on the adequate representation of possible future conditions by historical data, but a measure to detect any unreliable forecast can be easily constructed. The proposed procedure requires few parameters that can be easily calculated from historical data by applying the cross-validation technique     

基于模糊粗糙集和神经网络的短期负荷预测方法

针对采用神经网络进行电力系统短期负荷预测时其网络输入变量的选择是影响预测效果的关键问题，该文提出使用模糊粗糙集理论解决这一问题：对采集到的信息进行特征提取、形成决策表；利用模糊粗糙集理论进行属性约简、去除冗余信息；用得到的属性作为BP网络的输入进行训练预测。该方法既全面考虑了影响负荷预测的历史时间序列、气象等各种因素，为合理地选择神经网络的输入变量提供了一种新的方法，又避免了由于输入变量过多而导致神经网络拓扑结构复杂、训练时间长等不足。计算实例表明，文中提出的方法是有效且可行的。     

基于GRU-NN模型的短期负荷预测方法

目前基于统计分析和机器学习的预测方法难以同时兼顾负荷数据的时序性和非线性特点。文中提出了一种基于GRU-NN模型的短期电力负荷预测方法。该方法基于深度学习思想处理不同类型的负荷影响因素,引入门控循环单元(GRU)网络处理具有时序性特点的历史负荷序列,建模学习负荷数据内部动态变化规律,其输出结果与其他外部影响因素(天气、日类型等)融合为新的输入特征,使用深度神经网络进行处理,整体分析特征与负荷变化的内在联系,最后完成负荷预测。以美国某公共事业部门提供的公开数据集和中国某地区的负荷数据作为实际算例,该方法预测精度分别达到了97.30%和97.12%,并与长短期记忆神经网络、多层感知机以及GRU神经网络方法进行对比,实验结果表明所提方法具有更高的预测精度和更快的预测速度。     

间接预测法在母线负荷预测中的应用

为避免220kV母线供电区域内负荷转供、停电以及小电源等因素对母线负荷预测的不利影响,提出了一种间接预测母线负荷的方法。首先把母线下网负荷转换成该母线供电区域内的理想用电负荷,再将该理想用电负荷作为历史负荷数据采用系统负荷预测的算法进行预测得到初步预测结果,同时获取待预测日各种影响因素的值,初步预测结果剔除各种影响因素...