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。     

神经网络自适应模糊控制在电力负荷预测中的应用

为了能够及时准确地进行电力系统短负荷的预测,采用了将神经网络和自适应模糊控制相结合的预测方法。首先通过神经网络进行负荷预测,然后将自适应模糊控制用于预测结果在线修正中。通过实验,证明了该方法的可行性。     

基于相似日和RBF神经网络的短期电力负荷预测

短期电力负荷预测中选取合适的相似日作为训练样本可以简化训练过程并提高预测精度。为了减小积温效应对相似日选取的影响,提出了一种根据综合相似度选取相似日的方法。通过将温度和其他负荷影响因素分别计算相似度,从而根据计算得到的综合相似度来选取相似日。此外,为了提高RBF神经网络的预测效果,将训练样本先用减聚类进行聚类,根据聚类结果设置模糊c-means聚类的初值,运用模糊c-means聚类来优化RBF神经网络的隐含层参数,最后结合相似日和改进RBF神经网络进行短期电力负荷预测。通过实际电力负荷数据的仿真分析验证了所提方法的有效性。     

中低压电网电力负荷预测研究

电力负荷预测是电力系统规划和运行的重要依据,是电力系统安全和经济运行的前提条件。电力负荷预测直接影响投资、网络布局和运行的合理性。现详细介绍了电力负荷预测的分类,着重研究了几种经典预测方法和现代预测方法。     

地区电网电力负荷预测分析

电力系统的用电负荷,主要是指电力系统具备的能满足用户用电量需求的发电能力,电力负荷预测是电网规划中的基础工作,是制定电力发展规划的重要依据,是电力系统经济调度中的一项重要内容。现首先对地区电网电力负荷预测的分类和影响因素进行了说明,然后对A地区电网负荷预测进行了详细的分析。     

信息论与数据挖掘在电力负荷预测中的应用

介绍了信息论和数据挖掘技术的基本概念,分析了电力负荷预测的现状和存在的问题,提出信息论和数据挖掘在电力负荷预测中应用的必要性和可能的应用层面。     

回归算法在电力负荷预测中的应用

电力系统短期负荷预测是电力系统部门安排机组启停、制定购电计划的基础。并逐渐成为电力市场的一个重要研究领域。本文分别用线性回归、支持向量回归、序列最小优化、改进的序列最小优化四种方法对某省负荷数据进行了实验对比分析。结果表明序列最小优化算法比线性回归、支持向量回归算法具有更好的适应性和预测精度。经改进后该算法的预测精度进一步提高。     

基于VMD-LSTM模型的短期电力负荷预测研究

经典的电力负荷预测方法,例如回归预测法、时间预测法、指数平滑法等结构过于简单、拟合精度较差,预测效果不明显。为了提高短期电力负荷预测的精确度,建立了一种将变分模态分解（VMD）和LSTM算法相组合的短期负荷预测模型（VMD-LSTM）。使用VMD将原始负荷数据分解为数个有限带宽的模态分量,以降低原始负荷的复杂度,而且不会发生模态混叠现象,提高数据清晰度,然后每个模态分别构建一个LSTM模型进行预测,最后把每个分量的结果相加得到最终的预测值。通过仿真实验,将VMD-LSTM组合模型和其他几个单一模型进行比较,发现VMD-LSTM模型的预测精度更高,误差更小,能够更好地应用于短期电力负荷预测。     

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。     

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。     

电力负荷预测方法在配网规划中的应用

电力系统负荷预测是实现电力系统安全、经济运行的基础。负荷预测包括两方面的含义：对未来需求量（功率）的预测和未来用电量（能量）的预测。负荷预测的目的是提高电网运行的安全性和经济性。改善输送电能的质量。同时确定各供电区、各规划年供用电量、供用电最大负荷和规划地区总的负荷发展水平。确定各规划年用电负荷构成。通过对海盐县电力负荷预测，对预测方法及其在配电网规划的应用进行初步探讨。     

夏季短期负荷预测研究

近年来,气候异常,夏季温度异常高,尤其是经过数日的高温后,电力负荷往往会超出预期。因此考虑夏季高温的累积影响,建立了当天气温与近几天的气温之间的修正公式,采用人工神经网络法,利用修正后的气温去预测某天的负荷。算例表明,修正气温后,日最大负荷和日最高气温之间的相关性指数超过0.9,进一步地,夏季连续高温情况下的短期负荷的预测精度能够得到有效提高。     

基于MEA-Elman神经网络的电力日负荷预测

Elman神经网络是一种动态反馈网络,对历史状态敏感,具有短期记忆功能和处理动态信息的能力,可以建立动态、非线性电力负荷预测模型。由于Elman神经网络采用BP算法,容易陷入局部极小解,迭代次数多且学习效率低,该文利用思维进化算法(MEA)优化Elman神经网络的方法,提出基于MEA-Elman神经网络的电力负荷预测模型。实验表明,该方法能够避免不成熟收敛问题,减少迭代次数,有效提高了配电网短期负荷的预测精度,对电力系统合理调度与规划具有重要意义。     

改进灰色模型在电力负荷中的预测分析及实现

深入研究了基于灰色系统理论的电力负荷预测方法,剖析了灰色预测GM(1,1)模型应用的局限性及其改进方法,在对原始数据序列进行插值平滑处理的基础上建立了等维新信息灰色预测模型,并用此方法对某地区的电力负荷进行预测分析,结果表明:模型精度较高,预测误差较小,该方法可以作为电力负荷预测的理想工具。     

廊坊市气象因素对电力负荷的影响分析

统计分析了廊坊市2009年全年的电力负荷特点以及波动的规律性。运用主成分分析和多元线性回归模型,分析了气象因素与电力负荷的相关情况。结果表明：电力负荷的日、季节及年变化都呈现明显的规律性：全年的电量负荷整体呈现增加的趋势,并且有明显的假期效应;日变化呈双峰型分布;电力负荷与气温及相对湿度均呈明显的相关关系;通过逐步回归分析可知,温度和相对湿度在所选择的气象要素中发挥着主要作用。     

长、短期电力负荷大数据下的智能预测实例分析

电力信息化平台的感知能力与检测精度日益提高,基于电力多维海量数据开展智能算法数据分析与知识挖掘,可高效处理数据,并获取具有指导意义的结论。考虑到不同时期的数据中彼此存在联系,可通过筛选历史时期数据的有效相关信息进行智能算法训练并做出合理预测。通过长、短期记忆网络对实际负荷数据进行预测,验证结果显示,基于长期数据可以较为准确地预测负荷变化情况,平均误差小于5%,对于合理规划电力生产具有一定的指导作用。     

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。     

夏季短期电力负荷预测的MGM（1，n）建模及应用

在对浙江省嘉兴市的历史气象数据进行分析的基础上，提出了一种带气象因素校正的灰色短期负荷预测模型，称为MGM（1，n）模型。实例分析表明，这种方法能较大地提高夏季短期负荷的预测精度，是预测夏季短期电力负荷的一种行之有效的方法。