基于多气象因素混合回归的重庆地区夏季日最高负荷预测

鉴于利用短期负荷对气象的响应进行负荷预测能部分反映负荷形成的物理机制,基于主要气象因子与负荷的强相关性,采用混合回归方法模拟不同星期类型日最高负荷,并考虑积温效应和降雨对负荷的特殊影响,建立相应的修正函数对模拟结果进行修正,从而得到完整的能用于短期日最高负荷预测的多气象因素混合回归模型。对重庆地区日最高负荷的模拟与预测结果表明,率定期模拟平均误差为4.35%,在积温效应和降雨修正后,平均误差分别降至4.19%、4.01%;率定好的模型预测平均误差为1.99%,验证了模型具有可靠性和有效性。     

考虑需求响应的温度敏感用户夏季短期负荷预测方法

在新常态下为了降低生产成本,用户会参与需求响应进行错峰和避峰。传统负荷预测模型对用户负荷特性变化不敏感,对一些突变信息难以准确预测。针对此问题,考虑温度敏感用户参与需求响应,提出了夏季短期负荷预测方法。该方法采用小波变换和局部离群因子方法对负荷数据预处理,基于模糊C均值聚类和径向基函数网络相结合的方法识别预测日的负荷特性,采用线性回归模型对预测日的负荷特性相同的历史负荷数据进行负荷预测,根据降温负荷的基准值和温度变化值评估出降温负荷值,最后综合得出预测日的负荷。对3类温度敏感的纺织行业大用户进行算例分析,验证了所提方法的可行性和有效性。     

基于高阶BP神经网络的日最大负荷预测

随着社会的发展,人们的日常生活和工作生产越来越依赖于电力系统.精准的电力负荷预测是电网安全、稳定运行的重要保障.为减小节假日在日最大负荷预测过程中的影响,提出了法定节假日对日最大负荷的影响及日类型量化处理方法,并采用一种改进的BP(back propagation)神经网络——高阶BP神经网络进行连续多天最大负荷预测.实验算例结果表明:该数据处理和预测方法能有效地减小节假日对负荷预测的影响,提高了预测精度,并有较强的工程实践价值和应用前景.     

配电台区中短期负荷预测方法研究

配电台区的负荷预测是台区配电扩容规划的基础工作.但受到配电台区统计数据种类单一、数据质量差甚至无法获取等因素的影响,配电台区的负荷预测存在精度低、预测模型复杂等问题.根据台区配电负荷日峰值数据表现出的周期性和渐变性,建立基于温度-负荷回归模型残差的ARIMA模型的台区配变负荷峰值预测方法.建立温度-负荷回归模型,以日最高气温为自变量,对负荷数据进行回归分析,将回归分析得到的数值与真实数据进行比较得到回归残差,建立回归模型残差序列的ARIMA模型,并进行参数估计计算,即可得到待预测日负荷预测值.预测误差率的分析结果显示,本方法的预测结果精度好,准确性高.该方法克服了台区配电负荷影响因素繁杂、差异性大、难以量化的困难,具有很强的实践性,易于推广.     

基于膜聚类的改进极限学习机在短期负荷预测中的应用

针对历史数据样本存在无效性影响预测精度和极限学习机的输出随机性、稳定性较差的问题,提出了一种模糊膜聚类算法与改进极限学习机相结合的组合预测方法。考虑负荷自身特征、天气温度及日类型等指标,利用模糊膜聚类算法选取出与预测日具有相似特性指标的负荷数据作为负荷预测日的输入样本,运用经过粒子群算法及隐含层神经元个数遍历法改进后的极限学习机进行预测。试验结果表明,所提方法对两个地区的某日负荷进行预测时降低了预测误差,提高了短期负荷预测的准确性。     

考虑温度-负荷相关性的调温负荷曲线拟合方法研究

根据调温负荷与温度的相关性,分别采用一元二次函数、一元三次函数进行温度-调温负荷曲线拟合,并采用二元二次函数拟合调温曲线以分析考虑温度累积效应后采暖电负荷受气温影响的情况。最后提出了温度-调温负荷灵敏度量化温度对调温负荷的影响程度。以贵州省多年历史负荷数据及气温数据为样本,计算调温负荷曲线,拟合该地区温度-调温负荷曲线,为电网规划及调度运行提供负荷特性、负荷预测计算工程实用方法。     

基于RBF神经网络与模糊控制的短期负荷预测

针对电力系统短期负荷预测,综合考虑温度、日期类型和天气等因素对短期电力负荷的影响,建立了径向基函数（Radial?Basis?Function,RBF）神经网络和模糊控制相结合的短期负荷预测模型。该模型利用RBF神经网络的非线性逼近能力对预测日负荷进行了预测,并采用在线自调整因子的模糊控制对预测误差进行在线智能修正。实际算例表明RBF神经网络与模糊控制相结合提高了预测精度。     

基于灰色关联分析与随机森林回归模型的短期负荷预测

针对人工神经网络和支持向量机存在的泛化误差大、具有局部最优以及参数选取困难等缺点,将随机森林回归模型引入电力系统短期负荷预测,提出了一种基于相似日与随机森林回归模型的短期负荷预测方法。利用灰色关联分析法计算原始训练样本与预测日各影响因素间的关联系数,选取相似度较高的历史样本构成相似日样本集,对随机森林回归模型进行训练。将预测日的特征向量输入训练好的模型中,取所有回归树输出结果的平均值作为最终的负荷预测结果。实际算例表明,与常规支持向量机法和常规随机森林回归法相比,该组合方法可以有效地提高短期负荷预测的精度。     

运用聚类算法预测地区电网典型日负荷曲线

日负荷曲线预测是制定日调度计划等工作的基础,典型日负荷曲线的预测对电网规划设计具有重要的参考价值,其预测的准确性直接影响到电网建设和运行的经济效益。通过对历史数据的预处理、初始聚类中心的设置以及最优聚类数目的确定,建立典型日负荷曲线的聚类预测模型。基于历史数据的聚类结果以及待预测日的温度、降水量、湿度等相关参数,得出典型日负荷曲线预测结果。将该模型应用于上海电网典型日负荷曲线预测,显示聚类算法能够全面地考虑相关的因素,得到较为准确的预测结果。     

基于IFOA-GRNN的电力系统短期负荷预测

考虑到电网负荷与诸多因素有关,设计了一种带有温度、气象、日期类型的广义回归神经网络（GRNN）负荷预测模型。为了提高该模型的预测精度,提出了一种改进果蝇优化算法优化广义回归神经网络（IFOA-GRNN）的方法,即在利用果蝇优化算法（FOA）进入迭代寻优时,通过改进搜索距离优化该算法的性能和稳定性。利用改进的FOA优化GRNN的光滑参数,然后利用训练好的预测模型对甘肃省某地区进行了短期负荷预测,并与FOA-GRNN和误差反向传播神经网络(BPNN)模型结果进行了误差比较。结果表明, IFOA-GRNN具有较高的预测精度,能够满足电力系统短期负荷预测的要求。     

基于机器自学习的供热系统热负荷预测

传统的集中供暖系统热负荷预测取决于操作人员的经验，与系统实际热负荷相差过大，容易造成热用户侧温度过高或过低，影响热用户体验，不利于系统节能。采用机器自学习的方法，对大连某供热系统2019年至2021年的系统数据进行处理，基于多元线性回归、多项式回归、岭回归、Lasso回归、神经网络算法建立供热系统热负荷预测模型，并对比预测效果。结果显示：采用BP神经网络模型的供热系统热负荷预测结果比经验预测结果高8.7%，随着模型不断地自学习与自优化，预测结果的精度可进一步提高。     

陕西电网夏季降温负荷与温度相关性研究

以2011—2017年陕西电网8760负荷数据及气象数据为基础,结合陕西电网年、日用电负荷特性,科学合理选取春（秋）工作日、休息日作为基准计算负荷,利用线性和非线性回归分析方法对夏季降温负荷与气温之间的关系进行定性定量分析研究,在此基础上进一步划分温度区间,并对降温负荷展开分析,得出陕西电网夏季降温负荷与气温变化之间的幅值增减函数关系,对于后续基于空调负荷开展用电需求分析预测的研究具有重要意义。     

电/气能源消耗与温度的相关性研究

针对能源消耗和保障需要精确的负荷预测,有必要研究温度和能源消耗之间的关系,利用经验模态分解和线性回归分析确定了天气与用电和天然气之间的关系,作为数据处理工具,经验模态分解可以将原始数据划分成若干个本质模态函数。在对温度和电/气负荷进行分解后得到的最低频率模态函数进行线性回归分析,可获得温度与负荷的相关性。实验结果表明,相对于直接运用实际负荷数据,经过经验模态分解后得到的结果可以更好地展示负荷与温度之间的相关性,电负荷、天然气与温度的相关性分别为0.959和-0.859。     

基于相似性识别的短期负荷动态预测方法

统调日负荷的精确预测对电力充裕性保障、电力系统规划有重要指导作用。相似性识别是数据挖掘技术的重要部分,基于相似性识别原理,提出一种短期负荷预测的新方法。首先对原始数据进行属性和重复记录清洗,清洗后得到实验数据;其次在考虑数据大小相似性的同时,引入了数据趋势相似性度量。基于2种度量从历史序列中识别出与查询序列信息高度重合的序列,建立备选相似序列集;考虑时间间隔与季节因素,从备选相似序列集中选取历史最相似序列,最终实现日负荷预测;随着新信息的进入,实现高峰负荷动态预测。利用该方法对重庆统调日负荷进行模拟预测,并与BP神经网络和支持向量机方法进行对比,证明了所提方法的可行性与有效性。     

基于体感温度的电力系统负荷分类及负荷预测

针对体感温度与负荷之间的变化关系进行了深入研究,研究表明体感温度在不同范围内变化时将对地区负荷影响表现出截然不同特征。将负荷分为对体感温度敏感和不敏感2种类别,并提出2种负荷预测方法。2种负荷预测方法均以径向基神经网络为基础,并针对不同类型待预测负荷采取差异化样本选取和处理方法,有效提高了该负荷预测模型适用性和负荷预测精度。将该方法运用到某市总负荷预测中,预测结果表明该方法具有较高精度和较好实用性,是一种有效的短期负荷预测新方法。     

考虑多元协同互动效应的主动配电网多目标规划方法研究

主动配电网规划时需充分计及风、光等间歇式分布式电源的不确定因素的影响,在常规负荷预测的基础上建立了接入主动配电网的风、光等间歇性分布式电源可信出力模型,并考虑负荷需求侧响应对负荷预测结果的影响,提出了考虑源-荷-储多元协同互动效应的配电网负荷预测模型。在负荷预测结果的基础上,建立了主动配电网双层多目标规划模型,上层规划为电网优化规划问题,以年网络综合费用最小为目标;下层规划模型是在上层规划所得到网架下以典型日系统运行经济性确定储能等可控资源的有功出力。通过优化求解得到主动管理模式下配电网网架规划方案及储能的选址定容方案,最终以上海某主动配电网为例验证所提规划方法的科学性和有效性。     

基于多组实时数据回归分析的空调负荷预测方法研究

传统的空调负荷预测方法存在一定局限性或计算工作量大、周期较长等问题,本文提出一种利用多组实时数据进行回归分析预测空调负荷方法,在规划前期条件不确定时,通过多对组数据的相关分析,判断供能面积与冷负荷、热负荷的相关性,拟合回归方程,并应用于实际工程进行空调负荷预测,通过与传统空调负荷预测方法计算值进行比对,预测结果相对误差5%以内。该方法在一定范围条件下,可作为一种前期空调负荷估算的实用方法。     

一种基于HMF的火电机组短期负荷预测方法

以某1 000 MW机组为研究对象,通过对机组历史日负荷数据进行聚类分析,得到机组负荷的相似性特征。然后提出了一种适用于火电机组负荷预测的历史匹配预测算法(History matching and forecasting algorithm,HMF),HMF算法将预测时间点之前几个小时的负荷序列与同时段的历史负荷数据进行相似性匹配,利用最相似日的负荷变化趋势对未来负荷做出预测。算例测试表明:HMF算法未来3 h的负荷预测平均误差为4.412%,比传统的自回归滑动平均模型(Autoregressive moving average model,ARMA)具有更高的预测精度,且在变负荷过程中也能取得较好的预测效果。     

基于BP神经网络的工业锅炉房负荷预测

针对工业锅炉房日负荷变化的特点,采用BP人工神经网络模型对热负荷进行预测。在建立模型时,考虑不同小时的热负荷差异,采用24个单输出的BP网络来分别预测每天24h负荷值;利用MATLAB神经网络工具箱NNT(Neural Network Toolbox)分别实现对24个BP网络预测模型的构建及算法改进;最后,应用一个实例对建立的预测模型和实现方法进行了仿真分析,结果证明,该负荷预测模型网络结构小、收敛速度快、预测精度高、具有较高的实用价值。     

梯度采样下的市场用电短期能耗优化预测仿真

为了提高市场用电短期能耗预测正确率，降低二次规划与用电能耗，提出梯度采样下的市场用电短期能耗优化预测方法。根据最小二乘支持向量机回归算法，将湿度、气温、气压、节假日变量作为输入，构建市场用电短期能耗预测模型，依据梯度采样序列二次规划方法优化用电能耗预测模型参数，进行了梯度采样序列二次规划，逐步优化求解LS-SVMR模型目标函数，完成市场用电短期能耗优化预测。实验结果表明：湿度、温度、气压、节假日因素对用电能耗产生影响，采样数量越大，优化性能越好，且能耗预测误差小。实现市场短期用电能耗的预测，预测准确度高，预测能力突出。