基于局部相似与神经网络的超短期负荷预测方法

为提高超短期负荷预测精度,特别是负荷曲线在拐点处的精度,在模糊聚类分析的基础上提出了一种选取局部相似日的改进模型。通过该模型选取局部相似日,并结合RBF网络提出一种新的预测超短期负荷方法。采用该方法建立2个预测模型,分别用于预测下个时刻和下一个小时段的数据。将该方法与灰色关联分析预测方法进行比较,发现该方法在预测精度上具有显著优势,证明新的预测超短期负荷方法有较高的可靠性与有效性。仿真结果表明,新的预测超短期负荷方法在工作日或休息日负荷曲线拐点处的预测上,均具有较高精度。     

基于短期负荷预测的超短期负荷预测曲线外推法（Only in Chinese）

针对短期和超短期负荷预测的特点，提出了一种基于短期负荷预测的超短期负荷预测曲线外推算法。该算法充分利用了短期负荷预测已取得的成果，解决了传统采用负荷历史数据进行超短期负荷预测时在拐点、天气剧烈变化和节假日期间负荷预测精度下降的问题。为了提高负荷预测精度，还讨论了在进行超短期负荷预测时，对历史坏数据的处理以及对短期负荷预测中对拐点预测不准的修正等实用性问题。通过在四川电网调度自动化系统中的应用结果表明，该方法速度快，精度高，运行可靠稳定，具有较强的适应性。     

基于局部形相似的超短期负荷预测

为了进一步提高超短期负荷预测的精度,特别是负荷曲线出现拐点时的预测精度,在选择相似日的基础上,提出了一种基于局部形相似的超短期负荷预测方法。通过西安地区实际负荷数据的仿真,验证了该方法既能保证负荷曲线拐点处的预测精度,同时又提高了总体的预测准确度。     

一种超 短期负荷预测的新方法——负荷求导法

通过分析现行超短期负荷预测方法存在的问题 ,提出了超短期负荷预测的新方法———负荷求导法 ,并与现行的一些方法结合实际数据进行误差比较 ,以较多的数据、曲线论证了负荷求导法的实用性。     

基于改进灰色模型的超短期负荷预测

通过分析现行的超短期负荷预测方法存在的问题,提出了应用灰色模型纵向预测和横向趋势外推修正的超短期负荷预测新方法.引入最新的历史负荷信息,对纵向预测的近似曲线进行修正,纵向预测值能反映出总体的发展规律,而横向修正值又体现最新态势变化,并把选择相似日的新思路融合在预测过程中.用实际数据检验表明,该方法能对预测精度有所改善,具有较好的工程实用性.     

智能配电网超短期负荷状态估计模型的改进

传统的电网负荷状态估计方法存在超短期周期下实时量测在线准确率低的问题,提出一种改进的智能配电网的超短期负荷状态估计模型,其将采集到的数据反馈到数据采集服务器中。采用配电网并行分层估计方法,解决超短期实时预测节点负荷的小周期问题。融合各层的超短期负荷预测结果,得到总体配电网超短期负荷预测值。将电网负荷预测值反馈给上位机,提高状态估计的效率。实验结果说明,所设计模型对超短期负荷预测具有较高的精度和效率。     

基于免疫算法的超短期负荷预测方法

运用最小二乘的方法建立差分模型并用于电力系统负荷预测,并提出了基于免疫算法的组合差分预测负荷模型,将该模型应用于超短期负荷用量预测和超短期负荷曲线预测,提高了负荷预测的精确性。在实例分析中,利用以1 h为采样时间间隔的差分模型、2 h为采样时间间隔差分模型、3 h为采样时间间隔差分模型和以这前三种模型建立的基于免疫算法的组合差分模型对某市负荷数据进行了负荷用量预测和负荷曲线预测,最终预测结果验证了论文提出的负荷预测方法的有效性。     

一种超短期负荷预测的新方法——负荷求异法

通过分析现行短期负荷预测方法存在的问题,提出了超短期负荷预测的新方法－－负荷求导法,并与现行的一些方法结构实际数据进行误差比较,以较多的数据、曲线论证了负荷求导法的实用性。     

电力系统超短期负荷预测技术的应用与发展

从电力系统超短期负荷预测的定义及作用出发,概述超短期负荷预测的特点及方法。按照传统预测方法、现代预测方法及综合预测方法分类,对各种超短期负荷预测方法的原理、应用范围、改进及发展方向进行了综述。指出各类超短期负荷预测方法都有特定的适用场合,在实际应用时要充分考虑预测系统的实际运行特点,才能最大限度地发挥各类方法的优势。     

基于改进数据流在线分割的超短期负荷预测

为同时提高超短期负荷预测的实时性和准确性,应对现代电力系统对实时负荷预测的更高要求,提出一种基于改进数据流在线分割的超短期负荷预测方法。该方法根据负荷发展的时间趋势,利用数据流实时处理技术进行超短期预测,然后结合蕴含天气因素和负荷周期特性作用的短期负荷预测结果,对分割点的实时预测结果进行修正;其快速分段预测能力,避免了重复建模,提高了预测速度;对分割点的实时修正处理有效地增加了历史信息利用率,降低了分割点误差,使预测精度稳定在一个较高的水平。采用实际负荷数据检验该预测模型的有效性,结果表明,基于该模型的预测精度和速度均优于几种常规超短期预测算法,同时降低了拐点预测误差,在天气突变时也具有稳定的适应性。     

基于相似时间序列检索的超短期负荷预测

针对目前超短期负荷预测算法存在的预测精度不稳定、实时性能不强等问题,从时序数据挖掘的重要方法——相似时间序列的检索出发,结合负荷自身的周期性变化规律,提出了一种新的超短期负荷预测方法。该方法具有简单实用的坏数据处理机制;通过扩展负荷序列相似的概念有效地增加了预测样本的数量,提高了预测样本的质量;对预测值的加权处理抵御了单样本预测带来的风险,使预测的精度稳定在一个较高水平。实际应用结果表明,该方法的预测精度高、稳定性强,能较好地满足电力系统各方面的需求。     

基于负荷趋势的新型超短期负荷预测法

结合浙江电力发电市场超短期负荷预测的需求,在充分分析电网负荷特性的基础上,提出了基于负荷趋势的新型超短期负荷预测法.该方法简单实用,并将负荷伪数据的判别和加工修改融合在预测过程中.算例分析表明,该方法预测结果误差分析指标优于浙江发电市场中现行的各种超短期预测方法,是一种工程实用性较强的方法.     

计及需求响应和深度结构多任务学习的电力系统短期负荷预测

随着需求响应技术的快速发展,使得电力系统负荷数据呈现出规模庞大、结构复杂的非线性特征,基于深度机器学习和高效数据处理平台的负荷预测方法是当前的研究重点。为实现计及需求响应的电力系统短期负荷预测,建立了基于Spark平台和时钟频率驱动循环神经网络(CW-RNNs)的短期负荷预测方法。首先,在Spark平台上设置不同工作组将全部数据分割为多个子数据模块,通过并行化计算提高数据处理效率,进而基于需求响应技术对负荷曲线做出调整,计算得到用户预期收益和用户舒适度影响指标值;其次,采用离散小波变换将调整后的负荷曲线分解,得到一组高、低频信号;并采用偏最小二乘回归模型和CW-RNNs回归模型分别对低、高频信号进行训练学习;最后,将训练好的PLS模型和CW-RNNs模型通过加权平均得到最终组合预测模型(Spark-CW-RNNs)。通过实例计算验证算法的准确性和有效性,结果表明：Spark-CW-RNNs模型比其他单一模型的预测误差更小、预测精度更高,模型具有有效性和可行性。     

超短期负荷预测在发电市场中的应用

阐述了超短期负荷预测在实时发电市场中的重要性。在充分研究和比较多种超短期负荷预测方法的基础上,提出了适合发电市场的综合预测方法;解决了负荷伪数据处理的问题;文中介绍的超短期负荷预测已成功应用于浙江发电市场中。     

多节点超短期负荷预测方法

对多节点有功和无功负荷变化规律的动态自适应超短期预测进行了深入的研究和分析,提出将负荷数据分层分区的处理方法,建立它们之间相互牵制和联系的表达,在由递推最小二乘支持向量机(RLS-SVM)算法实现顶层预测的基础上,建立输电系统多节点负荷动态行为特征的描述模型,构建了自适应动态模型的超短期负荷预测总体构架.以山东电网为例的现场测试效果验证了所述方法的可行性和有效性.     

负荷求导法在超短期负荷预测中的应用

负荷求导法是超短期电力负荷预测的一种新方法。以负荷求导法为基础,对其中的不足进行了改进,并根据分形理论和相似日理论提出了一种历史数据处理的新方法:对历史负荷分类取样同时进行伪数据辨识处理,以提高预测精度。算法具有实现简单、运算迅速、精度高等特点。仿真表明了改进模型的有效性和算法的可行性,对于超短期负荷预测这类需要反应迅速的问题,采用本文提供的方法进行预测是可靠且非常有效的。     

短期负荷预测中实时气象因素的影响分析及其处理策略

短期负荷预测对于电力系统安全经济运行有着重要的作用,因此,人们一直致力于研究新的预测模型,提高预测精度。目前,实现提高预测精度这个目标的关键是如何更加合理地考虑气象因素对负荷的影响,因为气象敏感负荷在总负荷中所所占的比重越来越大。长期以来,鉴于气象部门无法提供实时温度等气象预测结果,电力系统所建立的预测模型绝大多数都是基于日特征气象因素,诸如日最高温度、最低温度等。针对短期负荷预测,作者剖析了气象因素的影响和作用,分析了处理不同阶段气象因素的策略,并提出了考虑实时气象因素的短期负荷预测新模型,该模型基于神经网络,力图寻求温度、湿度等实时气象因素与负荷曲线之间的相关关系和变化规律。实际应用表明,文中的预测模型和处理策略可以得到更加精确的预测结果。此短期负荷预测新模型也适用于超短期负荷预测。     

短期负荷预测中的负荷求导法及天气因素的使用

为了将超短期负荷预测中具有高准确率和高可靠性的负荷求导法移植到短期负荷预测中,从采用差分运算、降低直接预测的数值,以及充分使用负荷“近大远小”、“相似日”性质等角度对其进行了分析。结果表明可以将负荷求导法用于短期负荷预测。将其与标准日负荷曲线取平均作为预测结果,示例表明日平均误差小于2%。若将最近15天左右预测值与实际负荷值之间的差值,再通过各敏感点负荷与平均气温等作回归分析,可以实现考虑天气的负荷求导法。