基于面向对象的电力系统中长期负荷预测软件的开发

为了更方便、快捷、准确地进行中长期负荷预测,开发了基于Windows的电力系统中长期负荷预测软件.软件采用面向对象程序设计方法,使系统易扩充、易维护.该软件除具有一般负荷预测软件所具有的计算快速、模型库丰富等特点之外,还有原始数据输入简单方便、模型库扩充简易、具备饱和负荷预测以及考虑了与其它常用软件的接口等独特的地方.以华东某地区的供电量历史数据为例,选择了5种不同模型进行预测,并对结果进行了分析和比较,最后还对该地区进行了"s"型饱和负荷预测.分析表明该软件使用方便,预测精度满足电力负荷预测的精度要求,具有一定的实用性.     

电力系统中长期负荷及特性预测软件

叙述华中电力集团公司技术中心所开发的“电力系统中长期负荷及特性预测”软件以及其中有关负荷特性预测的部分预测方法。这些方法的采用,使得过去在预测实践中比较难以操作的负荷特性预测变得简单易行。这对全面开展负荷预测工作实践有着重要的意义。该负荷预测软件,功能齐全,操作灵活,使用方便,适用于各种不同类型的用户。     

一种电力系统中长期负荷预测的新思路

近年来，全国大部分地区的电力需求情况发生了明显的变化，中长期负荷预测困难加大，传统的预测思路很难得到可信度较高的预测结果。文中首先阐述了传统预测思路的难点，并对人脑的预测过程进行了分析，进而提出了一种新的电力负荷成分划分方法，在此基础上提出一种简单、可靠、灵活的预测思路。具体算例表明，这种方法可以有效提高预测精度。     

基于Matlab的电力系统中长期负荷预测及应用

在中长期负荷预测理论和方法的基础上,利用Matlab强大的数据处理能力和Visual C++的灵活性,通过混合编程开发了电力系统中长期负荷预测软件。该软件实现了几种典型的负荷预测方法,包含一元线性回归模型、抛物线模型、Logistic回归、移动平均算法、灰色系统预测模型等。将该软件应用到江苏电网的中长期负荷预测中,在分析影响负荷预测的相关因素的基础上,提出考虑相关因素的分类专用的年度和月度预测方法。     

电力系统中长期负荷预测的新方法

在分析灰色GM(1,1)模型缺陷的基础上,将遗传算法引入GM(1,1)模型中,对其加以改进,提出一种新的灰色预测方法,用以对电力系统的中长期负荷进行预测。通过仿真计算结果验证了该方法的正确性和有效性。     

基于广义回归神经网络的电力系统中长期负荷预测

在介绍广义回归神经网络（GRNN）基本算法、网络结构及平滑参数确定方法的基础上,提出将误差序列的均方值作为网络性能的评价指标并采用最小误差对应的平滑参数,建立了GRNN的预测模型。提出了确定输入神经元数目的方法：根据自回归模型阶次的选择经验初步确定输入神经元数目m;在m值附近进行搜索,对于每一个m值,确定平滑参数后,计算网络对学习样本的预测误差;根据BIC准则评价指标的最小值确定输入神经元数目。将模型应用于某地中长期电力网负荷预测,分别进行了单步预测和多步预测。与BP神经网络模型的预测进行比较,结果表明,采用该方法的预测精度明显高于BP模型,即使在训练集样本数据较少时,该方法的预测准确度仍然很高。     

电力系统中长期负荷预测方法发展探讨

中长期电力负荷预测的主要工作是预测未来几月、几年甚至更长时间段内的电力负荷的时间和空间分布,对于制定电力系统发展规划及燃料计划等具有重要指导作用。为充分利用现有研究成果,分析了中长期负荷预测的特点和现有成熟方法,分类讨论了各中长期负荷预测方法的适用条件和存在的问题。重点讨论了将主动配电网、电力大数据与云计算、空间电力负荷预测、数据预处理、预测误差评估和概率性负荷预测等纳入未来的中长期负荷预测方法研究体系中的必要性和重要意义,探讨了中长期负荷预测方法未来的研究重点及方向。     

基于数据挖掘的电力系统中长期负荷预测新方法

中长期电力系统负荷预测受大量不确定因素的影响,研究表明聚类方法能够将各种影响因素综合引入预测模型。所提出的改进聚类算法结合了层次方法中的变色龙(Chameleon)法与基于密度算法的优点,实现了最优聚类,同时还弥补了单纯层次法无法对复杂形状数据聚类和算法不可逆的缺点。算法在进行聚类前以不完备数据分析补全法算法(ROUSTIDA)为数据处理前导．确保了聚类所需历史数据的准确性和完备性。实践证明该算法具有计算速度快、预测精度高、预测误差变化小等优点。尤其在影响因素繁多、历史数据不完整或不准确时,改进算法更能体现出优越性。     

互信息在电力系统中长期负荷预测中的应用

传统电力负荷预测方法常以电力负荷自身的历史序列特征外推预测未来负荷,或者用确定性相关关系来模拟少数几种电力负荷关联因素的影响,导致对负荷变化规律的把握存在缺陷.信息领域中的互信息理论用于分析两个随机变量间的相互依赖程度,其中包含了线性和非线性关联关系,用以描述电力负荷及其影响因素的关联程度,为进一步的预测工作提供依据.应用互信息理论,建立了电力负荷预测的互信息网络模型,根据各影响因素与电力负荷间的互信息对其量化、比较和逐层筛选,在得到各经济社会指标与负荷之间的关联程度的基础上,对未来负荷进行预测.将本模型应用于实际电力系统预测,得到了令人满意的预测结果.     

电力系统中长期负荷预测软件包的开发

作者开发了基于Windows操作平台的电力系统中长期负荷预测软件包。该软件包分为原始数据处理、负荷预测、预测结果处理三个模块，各模块相互独立，易于扩充。在该软件包预测结果处理三个模块，各模块相互独立，易于扩充。在该软件包建立的负荷预测的模型库具有分析、计算快速，检验方法多、结果输出形式多样的特点。模型库具有智能化的专家系统，可以针对不同地区的具体情况进行调整，适用范围广泛。最后以某地区的需电量历史数据为例，选择了5种不同模型进行了预测，并与综合模型的预测结果进行了分析和比较。分析表明该软件包人机界面友好、选用模型合理、预测结果精度较高，能够满足当今快速发展的电力市场对于电力负荷预测的精度的要求，并解决了当前电力系统中一些负荷预测软件可操作性不强，模型适用范围小的问题。     

电力系统中长期负荷预测的参数抗差估计研究

主要介绍提高中长期负荷预测结果的准确性和改善中长期负荷预测方法的抗粗差效果，对中长期负荷预测中参数的抗粗差估计进行了研究，提出了基于权函数的电力系统负荷预测参数抗差估计算法，通过对加权最小二乘法的修改，实现了负荷预报模型参数的抗差估计。算例表明，所提出的算法在处理中长期负荷预测中数据的粗差问题上效果较好，是改善预测精度的有益尝试。     

基于时间分解技术的中远期逐时负荷预测模型

中远期电力负荷预测对于引导电网规划建设和提升电力系统资源优化配置具有重要意义。为解决当前中远期负荷预测时间尺度过大、预测精度有限的问题,利用时间分解技术,对电力负荷的长期趋势与短期特征分别进行建模分析,从而提出一种新型预测方法,将中远期负荷预测的时间尺度缩短至小时,实现中远期逐时负荷预测。算例分析表明,所建模型在中远期逐时负荷预测方面的性能优于现有的同类模型,具有较高的全局精度和稳定性。同时,能够有效呈现电力负荷的概率密度特征和极值特性,有望为中远期电力规划提供参考。     

基于EMD-IPSO-LSTM模型的短期电力负荷预测

准确地预测短期负荷为发电厂电力调度提供依据,提高电力系统的经济性。由于负荷数据的非线性非平稳性,提出一种经验模态分解-改进粒子群算法-长短期记忆(EMD-IPSO-LSTM)的预测模型。首先,利用EMD处理非线性的负荷序列,将序列分解为多个本征模态函数(IMF)以及残差(Res),引入非线性递减分配方法和正弦函数分别改进粒子群算法(PSO)的惯性权重和学习因子,可以更有效地寻找LSTM参数的最优解。其次,利用IPSO优化LSTM的第1层神经元个数、损失率、以及批量大小等参数,将所有IMF和Res分为高、中,低频三组分量,并代入优化后的LSTM网络进行预测,叠加获取最终的预测结果。最后,以GEFCom2014预测竞赛电力负荷数据集进行仿真实验,并且对LSTM、IPSO-LSTM、EMD-PSO-LSTM这3种模型作比较,结果表明所提的预测模型具有较高的预测精度。     

基于神经网络的电力系统短期负荷预测

介绍了短期负荷的特点,深入分析了温度、降雨量、时间等因素对负荷的影响。应用BP神经网络,建立了充分考虑各种因素的日最高负荷预测和日平均负荷预测模型,最后通过贵阳城南分局历史负荷进行验证,表明本论文所建立的神经网络预测模型充分考虑了各种负荷因素影响,预测精度良好,具有较好的非线性映射能力,有进一步开发应用于实际预测的良好前景。     

中压配电网中长期负荷预测实践

负荷预测是电力网络规划的基础，预测方法的选择是否合理直接影响负荷预测结果以及电网规划水平。因此，对于具有不同特性的供电网络应采用相应的负荷预测方法，以上海市某10kV供电地区的3个典型地块作为配电网中长期负荷预测研究对象，通过详细分析待预测地块的特点选择合适的预测方法，并给出3个地块2001－2006年的负荷预测结果，从而为中压配电网中长期负荷预测工作提供有价值的参考。     

基于三指标量的中长期负荷预测综合模型

针对中长期负荷预测的特点,提出基于三指标量,即指标总量、指标增长量和指标增长率的综合模型。首先构建层次分析模型,分别对3个指标量进行分析评价,根据模拟预测误差、模型拟合度、模型专家信任度和预测趋势可信度等4个准则优选出每个指标量的最优预测模型。构建了基于预测有效度的组合模型,对3个优选模型的预测结果进行拟合预测。实验结果表明,具有较高的预测精度。     

基于GM-GRNN的电力系统长期负荷预测

由于长期负荷历史数据比较少,因此预测难度较大。在分析了灰色预测和神经网络预测的优缺点的基础上,提出了一种新型的预测方法——GM-GRNN预测方法,此方法就是将灰色预测方法和人工神经网络中的广义神经网络相结合的预测方法,新方法发挥了灰色预测方法中的“累加生成”的优点,能够削弱原始数据中随机性并增加规律性,同时避免了灰色预测方法及其预测模型存在的理论误差。最后采用我国某省年用电量的预测的算例表明该方法的预测精度优于单一的灰色预测和单一的神经网络预测方法,为电力系统长期负荷预测提供了一种有用的方法。     

基于中长期风电光伏预测的多能源电力系统合约电量分解模型

针对大量新能源参与的电力系统中长期运行,提出考虑电量分解与检修计划相互影响的含风光水能源的电力系统合约电量分解模型。以新能源消纳和检修经济性为目标,旨在合理分解电量的同时提高新能源在资源丰富时段的消纳率,并根据资源分布和各时段能源参与情况安排各类机组检修计划,从而保证机组检修的经济性。由于风光资源的不确定性,从数据挖掘角度出发,提出基于聚类方法的光伏电量预测方法和非参数核密度估计的风电电量预测方法,并以此作为含风光水能源电力系统合约电量分解的基础。最后,通过算例验证了所提模型在含风光水多种能源的电力系统电量分解及机组检修联合优化中的有效性。     

运用遗传规划法进行电力系统中长期负荷预测

运用遗传规划法进行中长期负荷预测,将预测模型作为遗传规划中的个体,根据"优胜劣汰"的原则,运用复制、变异和交叉三个主要的遗传算子操作,搜索最优预测模型。它根据历史样本数据自动生成负荷预测模型,包括模型的函数形式以及模型参数。同时在模型的实现上对遗传个体进行Read线性编码,用十进制编码来代替个体树,通过对编码的操作来实现各种遗传操作,极大地提高了程序运算效率。通过对某地的年用电量进行预测,同时与传统的多元线性回归模型进行比较,结果表明,GP模型可以显著提高预测精度。