利用灰色模型预测用电量和用电负荷

根据＂灰色系统＂理论，对灰色模型的建立与模型精度的提高等作了推理分析。以南通地区的电力负荷预测为例作具体计算。得出采用灰色模型进行电网负荷预测既实用又有效结论。     

基于灰色模型和Kalman平滑器的多母线短期负荷预测

提出一种基于灰色模型和Kalman平滑器的多母线短期负荷预测方法。首先利用频域分解消去母线负荷序列的周周期分量,建立序列的灰色模型;利用系统负荷预测方法得到系统负荷预测值。然后基于灰色模型,将各母线负荷的累加序列作为状态,系统负荷的累加序列作为观测,建立线性离散随机系统模型,利用Kalman平滑器计算各母线负荷累加序列的最优估计值,最后经过累减还原并加上周周期分量得到母线负荷的预测值。Kalman平滑器利用高准确率的系统负荷预测结果对母线负荷预测进行调整,降低预测误差。在实际系统中进行了仿真验证,证明了该方法的有效性。     

电力负荷预测灰色模型的改进与应用

提出了对电力负荷预测的灰色模型的改进方法。运用指数平滑法将有起伏变化的原始数据序列变换成近于指数增长的新样本数据序列。然后，采用普通灰色方法进行预测，从而进一步提高了预测精度，使其适用范围更加广泛。在对保定地区电力负荷预测的实际应用中，取得了满意的结果。     

非线性季节型电力负荷灰色组合预测研究

短期电力负荷同时具有增长性和季节被动性的二重趋势，这使得负荷的变化呈现出复杂的非线性组合特征。对于这种具有复杂的非线性组合特征的序列，使用某一种模型进行预测，结果往往不理想。为了提高短期电力负荷的预测精度，提出了具有季节型特点的电力负荷灰色组合预测模型。在此模型中，灰色模型处理非线性问题具有一定的优势，它可以很好地反映电力负荷的增长性特点。季节变动指数(SVI)用来拟合电力负荷的季节性趋势。最后对季节型灰色预测的残差建立时间序列的AR(p)模型。由于综合考虑了电力负荷的多种特征，此组合预测模型明显地提高了预测精度。     

具有二重趋势性的季节型电力负荷预测组合优化灰色神经网络模型

电力负荷预测是电力系统的一项重要工作，季节型电力负荷预测是一个难点，缺少相应的数量预测方法，对于具有增长和波动二重趋势性的季节型电力负荷，首先提出了季节型负荷预测的组合优化灰色神经网络模型，研究了同时考虑两种非线性趋势的复杂季节型负荷预测问题，说明了优化模型分别优于两种单一发展趋势负荷预测的模型。给出了电力负荷预测的应用实例，通过对河北电网季节最大负荷与销售电量的分析，建立了对应的组合优化灰色神经网络模型，与其它算法进行了比较，计算结果表明，该方法较大提高了季节型负荷预测的精度，为季节型电力负荷预测提供了一种新的，有效的方法，编制了季节型负荷预测的软件，此软件具有实用性和通用性。     

中期电力负荷预测及负荷模型的研究

对电力系统中期负荷预测提出了按照时间段预测趋势修正的新方法 ,同时提出了多阶梯中期负荷模型。     

电力负荷季节指数的测定和分析

电力负荷是时刻变化的,具有鲜明的周期性和季节性。通过简单平均法、移动平均比率法和最小平方趋势剔除法对2000-2008年的月电量计算季节指数。揭示电量随时间推移而变化的规律性,并通过误差分析比较各种方法结果的优劣,为中长期负荷预测提供了依据。     

基于Census X12-SARIMA模型的中长期负荷预测

中长期区域负荷时间序列具有明显的循环性和季节周期性等非平稳特点,预测难度较大。尝试应用SARIMA模型处理具有季节周期性的非平稳负荷时间序列,同时应用Census X12季节调整方法将呈明显趋势循环性、季节周期性的区域负荷时间序列分解成具有实际经济含义的趋势循环要素、季节要素、不规则要素并进行中长期区域负荷的分析与预测。通过在苏州地区115个月的负荷实证检验,结果表明Census X12-SARIMA季节调整模型及方法在中长期区域负荷的预测中有效。     

基于经济气象因素的月用电负荷预测模型研究

基于 2012—2018 年安徽省淮北地区月用电负荷、宏观经济数据和气象观测资料,运用相关分析、多元回归分析和曲线拟合等方法,将实际用电负荷分解为趋势负荷和波动负荷,分析趋势负荷与经济数据的关系建立基于经济指标的趋势负荷预测模型,拟合率达到 99.3%;研究波动负荷与气象因子的关系建立基于气象因子的波动负荷预测模型,拟合率达到 97.8%;经测试模型的泛化能力较高,符合设计要求。将研究成果作为新的服务手段为电力部门提供更加专业、定量的服务产品,为淮北电网运营调度提供科学依据,取得了明显的社会经济效益。     

基于趋势信息的电力系统负荷预测

结合山东电网实际负荷数据,通过对连续两个时间点的数据变化趋势的分析进行预测。结果表明本方法所进行的预测可以达到较好的精度。     

基于改进回归法的电力负荷预测

提出了一种基于改进回归法的电力负荷预测方法,在对历史数据进行分析和参数估计的基础上,先用岭回归法剔除奇异值,再用主成分回归法提取影响负荷的主要因素,得出模型的解析形式。针对实际系统的应用验证了该方法不仅适用于短期负荷预测,也适用于超短期负荷预测。此外建立了一些特定因素的模糊函数,在超短期负荷预测过程中采用了聚类分析法提取负荷相似日。通过不同的简化,该方法可蜕化为传统的Kalman预测、相似日预测和神经网络预测,是一种比较全面的负荷预测方法,可得出高精度的预测结果。     

区域电网规划负荷预测实例

负荷预测是电力规划的基础,采用线形趋势模型法、电力弹性系数法、空间负荷密度法对广州经济技术开发区进行了负荷预测。提出了负荷指标的改进方法,并对新发展起来的空间负荷密度法进行了论述。几种负荷预测方法的结合有效改善了负荷预测结果。     

市县一体化短期电力负荷预测系统开发与应用

短期电力负荷预测工作是电网安全、稳定运行的基础,通过准确地对电网供需平衡预测,可合理安排机组检修,实现电力市场正常运转,是实现"三公"调度的重要保障。黄山电力调度中心开发并完成基于山区气候的市县一体化短期电力负荷预测系统应用以来,短期电力负荷预测准确率得到大幅度提升,满足了电网安全、稳定运行的需要。     

基于因散经验模式分解的电力负荷混合预测方法

针对目前常用负荷分析方法多依赖主观经验,而经典经验模式分解有时出现混频现象的问题,提出了一种基于因散经验模式分解的电力负荷混合预测方法。首先,采用经验模式分解的改进算法——因散经验模式分解将负荷序列分解,这样可以自适应地将目标序列分解为若干个独立的内在模式,因此能够克服依赖主观经验的缺点。然后,将这些内在模式基于fine-to-coarse重构为高频、低频和趋势3个分量。在对各分量特性进行分析的基础上,分别采用支持向量机、自回归移动平均和线性回归模型对其进行预测。最后,将3个分量的预测结果叠加作为最终的预测值。利用上述方法对某电网进行24点负荷预测,结果表明该方法可以有效地提高负荷预测精度。     

基于偏最小二乘法与BP神经网络的电力中长期负荷预测

用于考虑多个相关因素影响的负荷预测时,偏最小二乘法(partial least squares regression,PLSR)通过提取影响负荷的自变量集的主成分,克服了自变量间多重相关性对于负荷建模带来的不利影响,具有对模型解释能力强的优点。但PLSR也有其自身的弱点,如自变量系统中可能存在与因变量无关的正交数据信息,而影响模型的预测精度。基于PLSR算法和BP神经网络的特性,建立了一种PLSR-BP神经网络模型,该模型对原PLSR建模过程中产生的权值和回归系数进行修正,仿真研究结果证明了该方法的正确性和有效性。     

基于机器学习的短期电力负荷预测方法研究

针对短期电力负荷数据具有明显周期性的特点,将基于机器学习引入到短期电力负荷预测领域,提出一种基于岭回归估计的RBF神经网络短期电力负荷预测方法,该方法利用机器学习算法RBF在非线性拟合方面的优势,结合岭回归对RBF神经网络输出层权值进行参数估计,有效消除输入多重共线性问题,采用广义交叉验证法对构建的模型进行评估,寻找最优岭参数,提高了电力负荷预测精度。通过实际负荷预测案例,与传统BP神经网络负荷预测方法进行比对,验证了提出的电力负荷预测方法较传统方法具有较好的稳定性和较高的预测精度,为电力负荷预测提供了新思路。     

基于相似日小波支持向量机的短期电力负荷预测

对受不确定性影响的短期电力负荷,本文给出一种基于小波支持向量机的预测方法.采用小波变换将日负荷数据分解到不同尺度上,利用各相似日低频部分的最大最小负荷构造相似系数,通过支持向量机预测一天中最大和最小负荷,结合相似系数得到预测日低频部分各时刻的预测值;对于高频部分采用各时刻均方加权的方法预测负荷值,把各部分的负荷值叠加得到完整的负荷预测值.用山东某电力公司的数据进行数据仿真,取得了较好的预测效果.     

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。     

经验模态分解和遗传程序设计算法在短期负荷预测中的应用

负荷预测精度的高低关键因素之一取决于预测技术。为此,提出将经验模态分解和遗传程序设计算法相结合用于电力系统的短期负荷预测。具体预测过程是对负荷样本进行经验模态分解,然后对分解后的各本征模态分量分别利用遗传程序设计进行分时预测,并通过对各本征模态分量的预测结果进行重构来得到最终预测结果。预测结果的误差基本都在4%范围内,说明此方法能够满足实际预测要求,具有一定可行性。