基于自组织特征映射的连续多日负荷预测方法研究

针对影响连续多日每日最大负荷的因素较多且构成复杂,连续多日负荷预测方法少难度大、含节假日的连续多日负荷预测精度低等问题,分析了近几年工作日电力负荷数据特点,研究了自组织特征映射(Self-Organizing Feature Map,SOM)聚类算法并将其用于负荷数据的预处理,研究了节假日负荷的特性,总结了其负荷变化规律并加以区分预测,提出了一种基于自组织特征映射神经网络的连续多日负荷预测新方法。该方法区分普通工作日与节假日,普通工作日采用自组织特征映射神经网络聚类方法对日最大负荷进行特征提取,建立了以周期特征相似的历史数据作为训练样本的神经网络模型,节假日设定假日影响因子单独预测。运用某市近年的负荷数据进行预测,算例结果显示综合预测误差为3.21%,表明该方法预测精度完全满足实际需求,为连续多日最大负荷预测提供了一种可行的方法。     

基于错位样本的电力系统负荷预测

针对短期负荷预测的特点,通过各因子与负荷数据的分析来评价各因子对于负荷预测的影响,选取最合适的影响因素。考虑了气温的积累效应提出了错位样本概念,将其加入到训练样本中提高了预测精度。最后利用实际数据建立LSSVM模型进行对比仿真。实验结果表明,通过样本选择的的基于错位样本的电力系统负荷预测方法的精度明显高于普通的预测方法,测试表明该预测方法是有效可行的。     

多层分区空间负荷预测方法在城网规划中的应用

城区负荷较为集中、分区负荷性质也较为直观的特点,使得空间负荷密度法(Spatial Load Forecasting,简称SLF)在城网远景规划中获得广泛的应用。给出了空间负荷预测数学模型,建立了多层分区的空间负荷预测结构,将预测模块分为数据收集层、仿真层和总量层;为反映负荷空间分布的特征,将供电区域划分成若干个单元小区,把空间负荷预测转化为分辨率较高的单元小区负荷的预测。该结构既具有趋势法和仿真法的优点,既减少了基础数据收集工作量,又能保证对预测区域划分具有足够解析度和预测精度。通过在河源城区电网规划中应用验证表明,在所建立的多层分区结构模型的基础上进行负荷预测,能有效地保证预测数据的合理性和实用性。     

连云港地区温度对最大电力负荷的影响分析

基于连云港地区每日的负荷曲线,首先对2018年4月、5月的电力负荷特点进行了阐述,并分析估算了非气温敏感性负荷;然后对空调负荷进行估算,得到温度与空调负荷之间的关系;最后拟合温度与空调负荷曲线,分析温度对最大电力负荷的影响,有利于预测年度空调负荷。     

基于变分模态分解和FABP的短期电力负荷预测

针对电力负荷序列非线性、随机性等特点引起的电力负荷预测精度下降等问题,提出了一种基于变分模态分解(VMD)和萤火虫算法优化BP神经网络(FABP)的短期负荷预测方法。利用VMD将原始电力负荷序列分解为若干个子序列,能够降低原始数据的复杂度和不稳定性同时克服模态混叠;萤火虫算法优化传统BP神经网络模型,能够克服其极易陷入局部最小的缺陷。最后通过样本熵(SE)对各子序列进行重组得到两个新分量,将其分别输入神经网络模型进行预测并叠加预测结果,实现短期负荷预测。应用于实例,结果表明,该方法能有效提高预测精度。     

基于PSO-BP算法的动态空调负荷预测建模

根据空调负荷的非线性特点,提出了一种基于粒子群算法优化误差反向传播(BP)神经网络的空调负荷预测方法,针对BP网络训练容易出现麻痹和易陷入局部极值,以及其预测空调负荷时精度不够理想等现象,将粒子群算法的随机全局优化和梯度下降局部优化结合,达到改善神经网络泛化能力和提高空调负荷预测精度的目的。用该方法对的空调系统冷负荷与室外空气的干球温度、含湿量和太阳辐射照度的关系进行建模和预测,通过实例验证了该优化算法优于BP网络,能更加有效地处理动态空调负荷中的非线性问题,获得更可靠的预测结果。     

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。     

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。     

高阶灰色预测模型在短期电力负荷预测中的应用研究

考虑到电力负荷的指数性增长和周期性变化的特点,基于灰色预测理论,建立了三阶电力负荷短期预测模型,给出了电力系统短期负荷预测的主要步骤。通过算例分析,验证了该方法的有效性。     

短期台区电力负荷预测方法探讨

初步探讨了低压台区负荷预测问题的特点、内容和方法,根据目前的研究现状,指出了预测问题的研究方向,对目前的低压台区短期负荷预测工作提出了一些建议。     

典型用户负荷特性及用电特点研究

我国用电需求持续增长,为了了解用户负荷发展变化规律,提高电力负荷预测的准确度,需要对电力系统的负荷特性展开研究。在调研大量典型用户负荷的基础上,分析了不同类型用户的负荷特性,总结了各类用户的用电特点,为做好负荷预测、制定科学的电网规划方案提供了依据。     

城市电网规划相关问题研究

首先介绍了城市电网规划的内容、步骤和目标,在此基础上,从负荷预测的特点、方法和流程等方面分析了城市电网规划中负荷预测的问题,并以实例对其进行说明。最后研究了电网规划与城市总体规划的协调与结合问题。     

电力负荷总量预测与电力负荷空间预测在配电网规划中的应用

电力负荷预测是城市配电网规划工作的基础,关系到规划工作的合理性与规划成果的实效性。其中总量预测针对整个规划区域的负荷预测,是对未来电力负荷需求总量的预测;而空间预测涉及电力负荷的空间分布,影响规划成果的可行性。因此,分析了电力负荷总量预测与电力负荷空间预测方法及类别,然后结合实际案例进行了说明和讨论。     

电力系统负荷预测研究

随着市场经济体制的改革,电力行业在发展中面临着巨大的压力,而电力系统负荷预测在电力行业中有着极其重要的作用,因此要想提高电力行业在市场中的竞争力,必须要采用科学合理韵预测方法来调查电力市场情况。现分析了电力系统负荷的特点,并据此研究了具体负荷预测方法。     

基于遗忘因子的极限学习机电网负荷响应能力预测研究

为了实现电网调度的精细调控,除需要预测负荷需求外,还需预测电网实际负荷响应能力。现针对电网负荷响应能力具有时效性的特点,提出一种电网负荷预测新算法——遗忘因子极限学习机预测模型。基于传统的在线递推极限学习机,推导了带遗忘因子的极限学习机递推公式,通过引入遗忘因子可以避免由于电网构成特性的改变导致早期采集数据对预测精度的影响,从而实现更高的负荷预测精度与逼近效果,与其他常规预测模型相比有效地克服了学习速度慢、难以合理确定网络结构、存在局部极小点的缺陷。经实例验证,该方法能有效地提高预测精度,可用于预测电网实际负荷响应能力。     

基于动态反馈的多元参数回归空调负荷预测控制方法

针对目前常用的空调负荷预测算法中精度与实用性的问题,提出多重负荷预测的方法:负荷的趋势预测模型和精确预测模型。趋势预测模型用于预测24 h内各时刻的负荷,建立基于气象、历史和时间参数长期和短期多元参数回归模型,并引入预测控制方法中反馈校正和滚动优化的方法,并对误差采用一次平滑法。采用遍历搜索法,寻找最优误差,反馈给模型进行修正。每滚动一次,舍去旧值,引入新值,并重新寻优一次误差,直至完成预测。精确预测用于下一个时刻的负荷,利用相似日的历史负荷建立二阶ARX模型,对气象负荷进行第一次修正,再利用前一日的负荷建立一阶ARX模型,对预测负荷进行第二次修正,利用滚动优化进行动态反馈修正。利用某小区的实际数据进行测试,预测结果满足精度要求。     

中期电力负荷预测及负荷模型的研究

本文以中期电力负荷预测及负荷模型的研究为题展开论述。首先分析了负荷时间的序列样本,并对时代段的变动趋势进行了预测。在此基础上,建立了中期负荷模型。最后,结合相关的实例,对中期负荷进行测试。实践证明,采用中期电力负荷预测方法,可以实现电力系统的优化调度。     

中期电力负荷预测及负荷模型的研究

本研究主要以中期电力负荷的预测及其负荷模型为主题,对负荷时间的序列样本进行相关性分析,预测相关的时代段变动趋势,以建立相关的中期负荷模型。根据相关实例对中期负荷进行相关测试,一系列实践证明,对电力系统采用中期电力负荷预测的方法能够有效实现电力系统的优化调度。     

灰色系统理论在负荷预测中运用综述

灰色理论广泛运用在负荷预测中。该文分析了灰色预测模型,指出模型存在的缺陷,并对负荷预测应用中的传统灰色预测模型的改进方法进行分类介绍,同时对灰色负荷预测技术的发展趋势进行展望。     

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。