有关电力负荷的短期预测初探

所谓的电力负荷短期预测指对一年以内用户需求用电量的预测,其包括小时预测、日预测、周预测以及月预测。通常短期预测是预测电功率。在短期内用户需求电量呈现一种随机起伏的状态,其以过去负荷为基础,用户负荷变动、系统内部设备检修以及重大事件与气候变化等因素均会对其产生影响。所以对电力负荷进行短期预测可以为经济调度、发电机组的停启、错峰避峰用电等有着重要的现实意义。     

基于聚类时间序列法的电力负荷预测

本文在传统时间序列法的基础上,提出了一种利用聚类方法进行分析的负荷预测方法,利用该方法对某市的电能负荷进行预测,得到了较精确的结果,表明该方法能为电力负荷的预测提供有效的参考。     

短期电力负荷预测方法研究

对一个电力系统而言,提高电网运行的经济性和安全性,改善电能质量,都依赖于准确的负荷预测。较为准确的短期电力负荷预测可以合理安排电网的运行方式、制定电价、安排设备的各种大修及轮换计划。本文从电力系统短期负荷预测的方法介绍入手,重点介绍了基于人工神经网络的短期负荷预测方法。     

推进短期电力负荷预测精确化的基本措施

精准的负荷预测是电力系统运转的基础条件。为提高短期电力负荷预测精度,必须做好原始数据的预处理、随机因素(冲击负荷)的捕捉、有关因子的预测与量化、预测模式与算法的适当选择以及预测结果的有效修正等五个方面。     

有关短期电力负荷预测的研究

对于电力负荷预测的水平已经成为电力运行的管理现代化的衡量标志,其有着很重要的意义。本文就有关短期的电力负荷预测进行了分析与探究。     

RBF神经网络短期电力负荷预测研究

本文将径向基神经网络和采用非线性权值递减策略的粒子群优化（PSO）算法相结合对某缺电城市进行电力负荷的短期预报。在RBF神经网络对负荷进行预测的同时,通过PSO算法进一步确定其最佳扩展系数6,从而得到更精确的预测结果并提高网络的泛化能力,可以取得良好的效果。     

基于改进灰色预测模型的中长期电力负荷预测

介绍了等维灰度递补GM(1,1)的建模原理,采用山东省2000-2007年的用电需求负荷建立等维灰度递补GM(1,1)预测模型,预测山东省2008年和2009年的用电负荷,与实际用电负荷进行对比,验证了灰色马尔科夫模型在对电力负荷进行长期预测时具有较高的精度。     

电力短期负荷预测“全维度”式管理的应用

电力负荷预测是电力企业制订电网规划、发供电计划等各项重要经营计划的基础,也是电力市场运营的基础工作,同时也是电力系统安全、优质、经济运行的前提条件。通过加强调度气象信息系统建设和负荷预测算法的研究,对详细而丰富的气象资料和用电负荷数据进行挖掘,分析电网负荷变化规律,建立适应电网特点的用电负荷预测管理模式,公司负荷预测准确率得到提升。该方法科学性强,具有一定的推广价值。     

ICEEMDAN-ISSA-LSTM短期电力负荷预测

针对传统短期负荷预测方法误差大的问题,提出一种基于改进型自适应白噪声的完全集合经验模态分解(ICEEMDAN)和改进的麻雀搜索算法(ISSA)优化长短期记忆网络(LSTM)的短期负荷预测方法。首先,针对负荷序列波动性大,导致直接使用负荷数据进行预测难以获取内在特征的问题,运用ICEEMDAN方法将原始负荷序列进行分解,得到时间尺度各异的IMF分量;其次,针对LSTM模型参数较难选取的问题,采用ISSA对LSTM的超参数寻优,利用Fuch混沌映射、反向学习策略和自适应t变异改进麻雀算法,减小SSA陷入局部最优的风险,提高麻雀算法的寻优能力和收敛速度;最后,依据分解得到的各组数据特征,建立ISSA-LSTM模型并进行预测,再将各组分量的预测值进行叠加,得到最终的电力负荷预测结果。仿真结果表明：与其他预测模型相比,ICEEMDAN-ISSALSTM模型具有更高的短期电力负荷预测精度,其预测平均绝对误差为9.39 kW,均方根误差为11.47 kW,平均绝对百分比误差为0.19%。     

采用人工神经网络在电力市场下进行短期负荷预测的原理和方法

电力系统短期负荷预测是电力系统调度部门制定发电运行计划的依据,也是制定电力市场交易计划的基础.短期电力负荷预测可以归结为一类提取特征多、规模大的映射问题,是电力市场化的前提,本文首先介绍了用于短期负荷预测的人工神经网络的原理及其框图,提出了采用带有权重因子的欧几里德范数估计预报器,其次针对电力市场中交易的特点与实时电价两个因素探讨了进一步改善的方法.     

基于广义回归神经网络电力负荷预测的研究

电力负荷预测是电力系统调度运营部门的一项重要工作,尤其是随着电力市场的建立和发展,电力负荷的预测难度增加,负荷预测的重要性对电力调度更为关键。结合当前国内外电力系统负荷预测研究现状,本文介绍了广义回归神经网络电力负荷预测的方法,并进行了仿真证明方法的可行性。     

短期电力负荷预测影响因素分析与研究

电力负荷预测是电力系统经济调度、实时控制、运行计划和发展规划的前提,是电网调度机构和规划部门所必须具有的基本信息。提高负荷预测准确率对保证电网安全、稳定和经济运行都起着很重要的作用。随着电力系统各项工作精细化程度的加深,对负荷预测工作提出了更多、更高的要求。     

PCA-GRNN在综合气象短期负荷预测中的应用

为克服由气象因子较多且信息互嵌造成输入量多、预测时间长、预测精度低的缺点,引入主成分分析（PCA）提取气象因子特征量,与历史负荷数据共同作为建模对象;同时,针对BP神经网络动态性能的不足,建立基于广义回归神经网络（GRNN）的短期负荷预测模型。通过对实际电力负荷数据的预测,证明该方法与传统神经网络预测模型相比,明显提高预测精度和速度,具有实用性和有效性。     

基于大数据简约及PCA改进RBF网络的短期电力负荷预测

针对电力负荷大数据化越发突出,引入最小绝对值收敛及选择（Lasso）算法解决电力负荷大数据难题,对电力负荷及相关天气因素大数据进行高维数据特征提取,获得有用数据集。为避免输入空间严重自相关及网络维数较高,造成径向基函数（RBF）神经网络预测精度严重下降的不良影响,提出基于主元分析(PCA)改进的RBF神经网络电力负荷预测模型,消除多气象因素相关性,剔除冗余,提取天气因素特征量,将新天气特征量与历史负荷数据共同作为RBF网络的建模对象,既全面表征天气因素对电力负荷的影响,又简化预测模型,加快预测速率。 经美国南部某地区实际电力负荷数据的预测分析,充分证明该方法的有效性及可靠性。     

基于改进BP神经网络算法的电力负荷预测研究

近年来电力市场化进程逐渐加快,电力负荷预测也成为电力系统中必不可少的重要环节,关系到整体电网经济性和安全性.针对目前电力系统环境越发复杂,而电力负荷预测精度要求不断提高的现状,应用人工智能算法进行负荷预测,对于满足负荷预测的准确性和快速性有着很大的提升意义.本文采用改进BP神经网络算法对某地区负荷建立相关预测模型,通过...     

电力负荷预测方法与应用

负荷预测是电力系统安全稳定和经济运行的重要保障,尽管对负荷预测的研究已经有很长时间,但负荷预测的方法仍在不断的完善和发展中。本文对几种典型的电力预测方法做了详细的介绍,并给出了具体的应用实例,对负荷预测方法优化具有重大意义。     

农村地区电力电量负荷预测的方法分析

负荷预测是农村地区电力系统调度部门的一项重要任务,农村地区电力系统要更好地管理电网,负荷预测是最重要的手段之一,通过合理地选择负荷预测的方法可以大大提高社会效益和经济效益。     

基于VMD-GRU-EC的短期电力负荷预测方法

为提高负荷预测精度,该文提出一种基于VMD-GRU-EC的短期电力负荷预测方法。针对原始负荷序列非线性和非平稳性的特点,利用VDM分解方法将原始负荷序列分解得到若干个子序列,利用GRU模型分布针对每个子序列建立预测模型,最终将每个子序列的预测值相加得到负荷序列的初始预测值。在得到负荷序列的初始预测之后可得到误差序列,同样利用VMD-GRU模型预测误差序列。利用VMD-GRU模型依次得到初始预测负荷和误差序列后,通过误差校正（error correction, EC）得到最终的预测负荷。实验研究表明,在所有预测模型中,该文所提预测方法预测精度最高,稳定性最强。验证所提模型的有效性与优越性。     

采用扩展短期负荷预测方法提高吕梁电网短期负荷预测的准确率

短期负荷预测是整个电力系统市场化运营效益的核心,直接影响着企业的经济效益,扩展短期负荷预测方法是利用最新的历史负荷数据,预测当日当前时刻以后若干小时的未知负荷,其预测精度明显高于常规的短期负荷预测。     

基于支持向量回归机的中央空调负荷预测模型

由于中央空调系统的时滞性、时变性、非线性和大惰性等特性,使得当前采用的中央空调负荷预测算法精度并不高,本文在江阴某楼宇空调系统节能改造项目的基础上,从中央空调系统的组成和特性出发,提出了基于支持向量回归机(Support Vector Regression SVR)理论的中央空调负荷预测模型。对项目楼宇历史负荷数据进行分析,分别采用SVR负荷预测模型和BP神经网络负荷预测模型进行了训练和预测。预测结果表明:基于SVR负荷预测模型较BP神经网络负荷预测模型精度更高,具有较强的实用性和可行性。