电力负荷与气象因子因果关系分析及预测研究

短期电力负荷预测是电力部门生产调度的重要参考,不同地区影响电力负荷的因素有所不同,因此,为探索电力负荷与气象因子之间的因果关系,以某变电站逐小时电力负荷和气象要素数据为基础,采用格兰杰因果检验分析气象要素与电力负荷的因果关系。采用ADF检验验证气象因子与电力负荷数据的平稳性,将通过ADF检验的平稳性变量进行格兰杰因果检验。结果显示,温度、相对湿度和风速均是电力负荷的格兰杰原因,温度和相对湿度对电力负荷变化的影响是实时的,风速对电力负荷变化的影响具有1 h以上的滞后性。采用灰色关联度和余弦相似度建立综合相似性指标,基于相似日法提出一种短期电力负荷预测模型,以2018—2020年的气象数据和电力负荷数据作为样本库,采用2021年的数据对模型预测准确性进行检验。经验证,模型在天气因子变化不明显或变化缓慢情况下预测准确率为90%以上,可作为电力部门生产调度参考。     

智能用电环境下电力负荷预测方法的研究

针对在智能用电环境下研究对象复杂且负荷随机性强,短期电力负荷预测算法精度差、计算时间长等问题,提出一种基于ELM-Adaboost神经网络改进算法预测短期电力负荷的新方法。该方法引入Adaboost算法,首先对经过预处理后的历史数据进行测试样本权重初始化,然后反复训练ELM网络预测输出,ELM算法预测过程简洁,速度快;通过Adaboost算法调整测试样本权重并确定弱预测器权重,最后将得到的多个ELM弱预测器组成强预测器。实验以某市的电力负荷数据的进行预测仿真以及结果比较。仿真结果表明该方法具有较高的预测精度,泛化性能好,具有一定的理论意义和较好的应用前景。     

面向智能物联的动态负荷预测量子进化方法

物联网与智能制造的结合导致大量制造数据的产生,为了实现基于大数据的智能制造电力负荷预测,提出并实现了一种智能物联云计算平台,实现用户与智能物联网之间双向通信控制的快速响应。提出一种基于改进外加输入的自回归滑动平均模型的短期动态负荷预测模型,结合平台中的智能传感设备和历史负荷、天气变化等综合数据,作为预测模型的外部输入变量,并利用改进的实数编码量子进化算法对预测模型进行参数估计以提高动态负荷预测的准确性。利用智能制造企业的实际负荷数据,采用所提方法进行预测并与实际负荷数据及传统方法的预测结果进行比较,实验结果表明,所提方案和算法能够有效提高智能制造过程中短期动态负荷预测的精度,同时通过并行化计算提升负荷预测的速度。     

基于改进深度稀疏自编码器及FOA-ELM的电力负荷预测

智能电网的发展使得电网获取的数据逐渐增多,为了从多维大数据中获取有用信息并对短期内电力负荷进行准确的预测,提出了一种基于改进的深度稀疏自编码器(IDSAE)降维及果蝇优化算法(FOA)优化极限学习机(ELM)的短期电力负荷预测方法。将L1正则化加入到深度稀疏自编码器(DSAE)中能够诱导出更好的稀疏性,用IDSAE对影响电力负荷预测精度的高维数据进行特征降维,消除了指标间的多重共线性,实现高维数据向低维空间的压缩编码。采用FOA优化算法优化ELM的权值和阈值,得到最优值,能够克服因极限学习机随机选择权值和阈值导致预测精度低的缺点。首先将气象因素通过IDSAE降维,得到稀疏后的综合气象因素特征指标,协同电力负荷数据作为FOA优化的ELM预测模型的输入向量进行电力负荷预测。通过与DSAE-FOAELM、DSAE-ELM和IDSAE-ELM等模型的对比实验,证明了提出的预测模型能有效提高预测精度,经计算得出预测精度提升大约8%。     

基于多变量气象因子的LMBP电力日负荷预测

提出基于主成分分析处理多天气因素的LMBP电力负荷预测模型。采用主成分分析技术对多气象因素进行降维处理,提取多天气因素特征量,既全面表征天气因素对电力负荷的影响,又简化预测模型。将得到的新气象特征量与历史负荷数据共同作为建模对象。采用基于L-M优化算法的BP神经网络(LMBP)进行预测分析,通过最速梯度下降法和牛顿法之间的自适应调整优化网络权值,有效提高网络的收敛速度和泛化能力。通过对美国南部某地区实际电力负荷系统进行预测分析表明该方法可以有效提高预测精度和预测效率。     

基于Transformer模型的电力负荷预测

根据已知的历史用电需求来预测未来的用电需求是电网稳定且经济运行的重要一环。针对现有电力负荷预测方法存在无法准确长期预测的问题，提出一种新的基于Transformer模型的电力负荷预测模型。该方法在循环神经网络可以捕捉用电负荷短期依赖的基础上，通过编码器-解码器结构很好地捕捉了电力负荷的长期依赖特征；通过建立电力负荷数据集，训练得到了具备精准预测能力的Transformer模型。实验结果表明，Transformer模型具有较高的预测精度，随着预测时间巨幅增加，预测误差只出现了微小累积，该模型较好地预测了电力负荷可能出现的波动，且无时滞效应。     

电力负荷控制技术应用及发展研究

电力负荷控制系统利用采集的海量实时用电数据,详细掌握客户用电规律和负荷情况,可以对负荷进行准确预测,协调与客户之间的关系,更好地开展用电管理。基于此,本文对电力负荷控制技术的实现和应用进行了分析,并对电力负荷控制技术的发展趋势以及未来前景进行了展望,希望能为促进电力负荷控制技术应用水平提高提供有益的参考和借鉴。     

信息之窗

电力负荷优化分配调度决策支持系统重庆大学自动控制研究所研制成电力负荷优化分配调度决策支持系统,最近通过国家计委主持的鉴定。该系统所需硬件环境为 IBM-PC 及兼容机,其功能:基于企业效益的优化统筹模型、纯效益分配调度模型和多层递阶预报方法,实现电力高度科学化,并对电力负荷潮流进行高精度预测;实现具有实时控制/管理/决策功能的自动化在线系统;调度信息的存档、统计与模型管理;具有自适应件和容错能力,可根据     

改进随机森林的电力负荷预测方法

精确的电力负荷预测是电力分配设备与配电网设计的关键。针对目前电力负荷预测精度低、模型训练慢的问题,提出了一种基于改进随机森林的并行化电力负荷预测方法。该方法首先利用灰色关联投影衡量历史样本属性与待预测日属性之间的相似性,构建相似历史样本数据集。然后基于遗传算法对随机森林的决策树进行进化搜索,提高集成预测精度。最后通过Hadoop分布式集群实现了电力负荷预测的并行化,提升了预测效率。实验结果表明,相比其它预测方法,该方法电力负荷预测值与负荷真实值之间的拟合度最高,且并行化能够降低预测时间消耗。     

省级电网负荷特性分析方法研究

提出了省级电网负荷特性的分析研究思路和方法,以广东电网为例,通过选取合理的负荷特性指标对历史负荷数据进行分析,研究电力负荷特性的变化规律及其与主要影响因素的相互关系,定量定性分析产业用电结构、气温、电力体制改革相关政策等主要因素对于负荷特性指标的影响程度,并预测负荷特性主要指标的变化趋势。省级电网负荷特性的分析结果能够为电网规划阶段的全省电源布局、调峰安排等提供决策依据。     

基于BA-VMD-LSSVM的超短期电力负荷预测

超短期电力负荷具有随机性强、波动性大等特点，使得对其进行高精度的预测比较困难。文中提出基于全局参数优化的超短期负荷预测模型。在训练阶段，建立平均绝对百分比误差（MAPE）作为蝙蝠算法（BA）的目标函数，以优化变分模态分解（VMD）、最小二乘支持向量机（LSSVM）及输入数据点数。在测试阶段，应用设置最优参数的VMD分解负荷数据，并使用LSSVM处理各分量，以完成对电力负荷的高精度预测。数据分析结果表明，使用BA对VMD、LSSVM和输入数据点数进行全局优化能够有效地提高超短期电力负荷的预测精度。     

基于深度学习的矿井电力短期负荷预测方法

短期电力负荷预测能准确评估出煤矿的整体电力负荷变化情况,保证煤矿供电系统的安全与可靠运行。由于煤矿电力负荷预测受多种因素影响,难以实现精确预测,文章针对此问题,基于深度学习理论,提出了一种卷积神经网络(CNN)和双向门控循环单元(BiGRU)相结合的矿井电力短期负荷预测方法,并用于煤矿的实际电力负荷预测中。首先,构建了煤矿电力负荷预测的混合学习模型;然后,给出了数据处理方法,设计了模型评判指标,搭建了仿真平台并进行了多种算法的分析与对比;最后,基于组态软件开发了电力监控与预测系统,并应用于煤矿实际监控中。经现场试验表明,设计的方法可以实现对矿井短期电力负荷的准确预测,为煤矿电力系统的安全运行提供准确的决策支撑。     

基于电网智能算法下大数据在电力行业中的应用

介绍了智能电网以及大数据全貌,对电力大数据的分类及特征进行分析,归纳总结各种电网智能算法在电力行业中的应用,并通过典型案例阐述电力大数据在电力系统中的应用场景。最后,提出在智能算法下大数据在电力行业中的发展趋势。     

基于支持向量机的短期负荷预测

提出一种基于支持向量机的电力系统短期负荷预测方法,将SVM引入短期负荷预测,通过不断输入新的负荷数据来更新回归函数,以获得更快的计算速度和较好的预测精度,利用佛山地区的历史负荷作为训练数据,结果证明了该方法能在一定程度上提高电力负荷的预测精度。     

电力负荷预测在智能电网中的应用

正确的电力负荷预测能为电力系统的发展提供帮助,在智能电网环境下,提高负荷预测结果的准确性是目前的研究热点之一。现阐述负荷预测的基本概念以及各种负荷预测方法,分析智能电网环境下负荷的特性,并介绍一种基于AMI的电力负荷预测方法。通过对负荷进行分类,根据各类负荷特性分别制定负荷预测方法,能够有效提高负荷预测准确性。     

基于联机分析与数据挖掘的电力负荷分析系统

为从大量负荷数据中挖掘有价值的知识,运用联机分析和数据挖掘技术构建了一个电力负荷分析系统。该系统在电力负荷立方体基础上,通过选择有效的预测及匹配算法与联机分析有机结合,共同实现了电力负荷的在线预测和相似模式挖掘。重点介绍了该系统的体系结构、功能以及实现的关键技术。实际应用表明,该系统界面友好、交互性强,可在线、灵活和深入地对负荷进行分析,辅助调度员进行决策。     

浅谈县级电网负荷预测

通过对现行电力规划常用负荷预测方法的研究,收集F市电网负荷数据为分析对象,运用弹性系数法、全局负荷预测法、分区负荷预测法进行负荷预测。     

基于Elman神经网络的电力负荷预测模型研究

为提高电力负荷预测精度,文章采用Elman神经网络建立模型,提出了一种基于Elman神经网络的电力负荷预测方法,采用自适应学习速率动量梯度下降反向传播算法进行网络训练,对乌鲁木齐电网的实际历史数据进行了仿真,仿真结果表明,Elman神经网络对电力负荷进行预测具有收敛速度快,预测精度高的优点.     

基于多模型长短时记忆神经网络的电力负荷预测方法研究

提出了一种基于多模型长短时记忆神经网络(LSTM)的电力负荷预测方法,该方法通过对历史电力负荷日曲线进行密度聚类,根据聚类结果以及历史日期的特征因素训练高斯朴素贝叶斯分类器,进而分类训练神经网络预测的输入,采用长短时记忆神经的深层网络对所述历史时刻的电力负荷数据和日期特征因素进行训练建模,以训练生成深度神经网络负荷预测模型。通过算例仿真,发现该方法相比于典型方法,能够精确预测出对应日期的用电负荷,提升预测效果,同时缩短网络训练时间,提升程序运行速度。     

基于县域经济发展的电力负荷预测方法

县域电力需求与县域经济的发展密切相关。为了能够客观、全面、科学地对县域电力需求进行预测,提出了一种基于县域经济发展的电力负荷预测方法。所提方法首先采用因子分析法和聚类分析法,对县域经济进行分类和发展预测,然后基于县域经济发展指标采用线性回归方程预测电力电量。以湖北省73个典型县为应用实例,采用历史数据对所提方法的正确性进行了验证,并给出了未来典型年份的县域电力负荷的预测结果。