大用户法在电力负荷预测中的应用

文章通过综合分析某地区近5年的电力负荷预测结果,提出了大用户法,该方法充分考虑了宏观经济政策及地区的产业政策,采用统计分析单独预计新增大用户负荷,并使用大用户负荷数据修正用一般方法预测的负荷结果,并通过某地区实际数据验证了该方法的有效性。     

加强大中用户调查搞好负荷侧管理

通过对大中用户的统计调查，根据不同电力用户的特点及其对电力供应的影响，以及地区经济的形势和发展，分析电力消费的变化和发展，为企业的营销和负荷侧管理做好基础性工作。     

大用户负荷预测管理系统

为了提高地区短期负荷预测水平,掌握地区典型大用户的负荷特点,有必要建立一套系统、全面的地区大用户负荷分析预测管理系统。系统采用成熟的Java2Enterprise Edition(J2EE)多层体系Browser/Server(B/S)结构,以负荷特性分析为基础,精细化的预测流程为核心,考虑与大用户相关的气象要素、生产计划、日类型等因素,形成了大用户"分析、预测、管理"一体化机制。系统给负荷预测部门提供了详细的大用户特性报告。将大用户负荷预测结果融入到地区负荷预测中,提高了地区预测精度。     

基于大数据技术的短期负荷分析与预测

针对电力用户数量众多、数据量大、计算量大等特点,提出了基于Hadoop处理框架的大数据技术解决方法;针对用户与系统负荷存在的差异,在用户负荷分析和影响因素分析方面,引入了在处理大数据量和知识学习等方面具有独特优势的数据挖掘技术,为大幅提升预测模型的使用效率奠定了基础,从而大幅提高了短期负荷预测精度.与传统的系统负荷预测方式相比,实例证明该方法具有明显优势.     

电力需求侧管理及其对负荷预测的影响

介绍美国１９８５～１９９２年电力需求侧管理（ＤＳＭ）（着重是负荷控制技术和蓄能技术措施）实施的概况、方法，取得的效果和发展趋势；阐述我国实施电力需求侧管理的必要性及可行性问题，指出电力需求侧管理对负荷预测的影响，提出对现有预测方法修正意见。     

海量数据下的电力负荷短期预测

该文研究海量数据下的短期电力负荷预测方法,基于局部加权线性回归和云计算平台,建立并行局部加权线性回归模型。同时,为剔除坏数据,采用最大熵建立坏数据分类模型,保证历史数据的有效性。实验数据来自已建的甘肃某智能园区。实验结果表明,提出的并行局部加权模型用于短期电力负荷预测是可行的,平均均方根误差为3.01%,完全满足负荷预测的要求,并极大地减少了负荷预测时间,提高预测精度。     

哈密地区电力负荷预测

哈密地区电负荷预测规划根据地区国民经济发展电力负荷预测采用了四种预测方法，即：产值单耗法，弹性系数法，人均电量法和回归分析法。     

电力负荷短期预测

文章从调度运行和需求侧管理出发,分析电力负荷的构成特点和负荷值变化的原因;将负荷突变值和平稳值采用平均值的方法求出接近的真实值,建立负荷短期预测模型,再输入历史负荷(常规)数据、天气状况的历史数据和特别事件预测数据,得到负荷短期预测值。     

考虑大用户报装的新兴区域负荷预测研究与应用

负荷预测是电网节能经济调度的基础,而有效的大用户负荷预测是提高整个电网负荷预测准确率的关键因素。以典型的新兴区域远景负荷预测为例,综合对比常规负荷预测结果及部分大用户报装容量之间的数据差异,通过对预计新增大用户负荷进行统计分析并进行负荷预测校验修正,从而制定大用户供电策略,不仅提高了地区负荷预测的精度,还对电网规划、安全经济运行等提供了有力支撑。     

云计算在电力用户用电信息采集系统中的应用研究*

随着国家电网公司确立的电力用户用电信息采集系统"全覆盖、全采集、全费控"目标的逐步实现,电力系统中运行的采集终端数量大幅激增,从而使采集的电力系统数据信息量呈几何级数增长。面对海量的用电数据,当前用电信息采集系统在多个方面出现瓶颈。文中通过分析当前作为解决大数据存储、分析、计算、管理有效手段的云计算技术,结合当前用电信息采集系统所遇问题,研究了云计算在电力用户用电信息采集系统中的应用前景及面对的挑战,对未来电力用户用电信息采集系统的建设和发展有指导意义。     

基于大数据技术的电力用户行为分析及应用现状

电力行业是大数据技术应用的重要领域之一,电力大数据产生于电力生产的各个环节,蕴藏着丰富的商业和社会价值。介绍了大数据技术在电力行业的应用现状,重点对基于大数据技术的电力用户行为分析方法进行了归纳总结,最后给出了几个面向电力用户行为分析的大数据应用案例。     

电力负荷预测的方法研究

阐述了电力负荷预测的基本概念和方法,收集了本地区近5年来经济发展的GDP值和供、售电量的历史数据,采用弹性系数法、时间序列法和回归分析法对本地区未来5年的电力负荷进行预测,并且对预测结果的准确性和各类预测方法的优缺点进行分析对比,分析结果表明,优选组合预测法具有较好的预测效果.     

基于Spark平台和并行随机森林回归算法的短期电力负荷预测

随着智能电网、全球能源互联网的建设与相关技术的发展,现代电力系统中电力大数据的格局已经形成,如何对高维海量数据进行深度挖掘以实现数据的充分利用,成为当前电力工作者们关心的问题。该文针对电力大数据环境下高精度和实时性的负荷预测展开了研究,提出了基于Spark平台和并行随机森林回归算法(Spark platform and parallel random forest regression,SP-RFR)的短期电力负荷预测方法,通过3次弹性分布式数据集(resilient distributed datasets,RDD)转换实现单机随机森林算法的并行化改进,并在Spark分布式集群环境下实现部署。结合某区域实际电力负荷数据设计试验,进行模型训练和回归预测,通过试验证明,对同等的数据集,基于Spark平台的并行随机森林回归算法预测精度高于单机负荷预测算法;并行随机森林算法受离群数据干扰较小,且随着数据集的增大,并行随机森林算法表现出良好的鲁棒性;与单机算法在运行时间上相比,随着数据集的增大,基于分布式集群的方法优势明显。该文提出的方法能够有效地在分布式环境中进行电力负荷预测,为负荷预测提供了一种新思路。     

大数据背景下的充电站负荷预测方法

电动汽车负荷预测是充电站规划及调度的研究基础。相比传统的负荷预测,大数据背景下的负荷预测具有待预测数据可快速观测的特点,此时负荷预测方法需要相应调整。首先分析了充电站负荷预测所需数据及主要数据来源。其次,针对单辆电动汽车,基于大量、快速更新、多种类的数据分析电动汽车的充电习惯,预测每一辆电动汽车的充电开始时间、持续时间和充电地点,获取单辆电动汽车的负荷模型。该模型综合考虑电池状态、出行时间、行驶路径与速度、充电偏好等信息。然后,面向任意充电站,对与其相关的路网节点与交通线路上的所有电动汽车负荷求和,估算该充电站的总充电功率。最后,进行实例仿真,并与传统方法下的充电负荷预测结果进行了对比。     

基于云计算的电力大数据分析技术与应用

为解决电力数据分析系统在大数据时代面临的严重的性能与可伸缩性瓶颈,更好地满足生产、营销等系统的需求,分析了云计算技术的优势,提出了基于云计算的电力大数据分析系统体系结构及关键技术。基于分布式并行计算框架Hadoop和Hive,面向电力大数据特征,设计了多维索引、SQL自动翻译工具和支持数据更新的混合存储模型3项性能提升技术,实现对传统电力数据分析系统的升级优化。在浙江电力用电信息采集系统的实际部署经验表明,和传统电力数据分析系统相比,该系统以1/8的硬件成本,获得平均5倍的性能优势。证明了云计算技术能够显著提升电力大数据查询与分析性能并有效降低成本。     

Spark-based Parallel OS-ELM Algorithm Application for Short-term Load Forecasting for Massive User Data

Abstract

The data type and quantity of user load data show an exponential growth, so that the traditional load forecasting methods can hardly meet the load forecasting requirements of massive users. Aiming at this problem, a parallel OS-ELM short-term load forecasting model based on Spark is proposed in this article. By analyzing the characteristics of the Spark framework and the MapReduce framework, the Spark big data processing framework is determined as the basic framework for processing massive user load data, and a parallel K-means load clustering model based on Spark is designed. The on-line sequential learning machine OS-ELM makes the hidden layer data of computing each incremental training dataset mutually independent, therefore, a Spark-based parallel OS-ELM (SBPOS-ELM) algorithm is put forward. The proposed model is applied under the smart electricity big data environment and the training samples are selected using the incremental training dataset to make a short-term prediction of the millions of users’ smart meter electricity load, which verifies the feasibility and effectiveness of the proposed model. At last, comparing with other commonly used short-term load forecasting algorithms, the experimental results show that SBPOS-ELM algorithm has higher accuracy and operation efficiency.     

准确把握电力市场方向 切实做好电力负荷预测

根据多年从事电力负荷预测的经历和感受,重点介绍在负荷预测中常用的几种预测方法,并对负荷特性分析预测方法作简单的阐述,同时就如何作好电力负荷预测工作提出建议。     

准确把握电力市场方向切实做好电力负荷预测

根据多年从事电力负荷预测的经历和感受,重点介绍在负荷预测中常用的几种预测方法,并对负荷特性分析预测方法作简单的阐述,同时就如何作好电力负荷预测工作提出建议.