采用模糊技术分时段处理实现的短期负荷预报

采用模糊理论对日负荷曲线预报中的天气因素进行了模糊处理,根据季节、气候的不同对天气因素做不同的模糊处理和不同数学模型,建立了专家处理系统,提高了短期负荷预测的精度.通过对河南省某市级电力系统日负荷曲线的模拟预测,虽然仅对天气做了模糊处理,但预测结果令人满意.     

基于人工神经网络短期负荷预测的数据处理

科学合理的数据处理是提高短期电力负荷预测精度的最基本环节之一.利用软件滤波方法,自动平滑坏负荷数据;同时根据负荷的不同特性和规律,将输入数据进行有效分组,分别建立分组负荷预测模型:工作日负荷预测模型、周日负荷预测模型以及节日负荷预测模型,使预测模型不但具有所需样本数据少、模型简单、精度高等优点,同时又具有较强的泛化能力,从而提高负荷预测的效率和精度.通过对南昌供电公司的负荷数据进行具体计算,表明该方法是有效和可行的.     

基于卡尔曼滤波预测节假日逐点增长率的电力系统短期负荷预测

节假日电力系统负荷打破了正常日电力负荷周期性的规律,且节假日负荷样本数据较少,用常规正常日电力负荷模型进行短期预测时,往往效果不佳。为此,提出一种基于卡尔曼滤波预测节假日逐点增长率的电力系统短期负荷预测模型,改善了由于样本数据缺少、预测时间跨度大以及与正常日负荷特性差异较大等原因导致的预测精度不理想的现象。通过对节假日负荷特性进行分析,针对不同类型的节假日建立卡尔曼滤波预测模型,在考虑各类影响负荷变化的外部因素的基础上选择节前相关日,通过预测节假日逐点增长率提高预测精度。将提出的预测模型应用于某市节假日短期负荷预测,得到的结果显示预测精度能够满足实际需要,可为相关电力部门对节假日负荷预测提供一定的参考价值。     

基于乘积季节ARIMA模型的供热负荷预报

针对传统的供热调度缺乏对未来供热量进行有效估计这一问题,提出一种基于乘积季节ARIMA模型的供热负荷预报方法.将乘积季节ARIMA模型引入供热负荷预报,通过分析供热负荷数据其固有的趋势和周期性,建立适宜的季节性ARIMA模型,预测未来24小时的供热负荷.采用大庆地区某热力站的供热数据进行建模和仿真预测,其结果的最大误差为3.14%,日预报平均误差为1.45%.实验结果表明,给出的预报结果真实可靠,能够满足供热工程的实际需求,其预报值将成为供热负荷调度和节能的重要依据.     

基于分段多目标相似日选取法的短期负荷预测

提出了一种基于分段多目标相似日选取算法.该方法将负荷进行分段处理,将一天的负荷根据负荷波动规律分为5段,每段分别选取相似日,可以很好地克服选择的相似日只有部分相似的情况,并提出了虚拟相似日的概念.采用负荷曲线形状相似度最大和曲线差异度最小的多目标粒子群算法,可以保证选择的相似日的负荷曲线与预测日的负荷曲线在形状上和数量上的差别最小,从而可以提高负荷预测的精度,根据该算法得到的特征系数可以很好地判断出影响该段负荷变化的主导因素.将该相似日选择算法结合改进灰色预测算法应用到某地实际负荷预测中,结果表明该算法在相似日选择和负荷预测中均具有较高的精度.     

基于鲁棒极限学习机的居民空调负荷能耗预测方法

为实现高精度的居民空调负荷能耗预测，基于鲁棒极限学习机提出了一种新的居民空调负荷能耗预测方法.以归一化的方式处理空调负荷能耗数据集，优化预测用户工作日样本数据集，采用鲁棒极限学习机构建负荷能耗激活函数预测模型.引入拉格朗日算子约束优化模型，以迭代求解的方式完成居民空调负荷能耗预测.仿真测试结果表明，在迭代次数为250次、过度补偿为1.5%时，该方法的收敛速度为0.2 ms,平均预测精度为96.7%,具有较强的预测性能.     

基于动态模糊神经网络的短期电力负荷预测

针对电力负荷受天气和日期影响特点,提出一种基于动态模糊神经网络的短期电力负荷预测的新方法.该算法最大的特点是模糊规则是动态变化的,通过系统误差、可容纳边界来判断系统是否需要新增一条模糊规则,使用误差下降率(ERR)修剪算法剔除对整个网络影响较小的模糊规则.该算法还使用了分级学习法让网络的学习速度大大提高.在分析了EUNITE网络提供的负荷数据基础上来进行仿真,该仿真将温度、星期、月份、节假日因素作为网络的输入向量,取日负荷峰值作为网络的输出向量.仿真结果显示取得了较好的预测准确率.     

基于加权残差聚类的建筑负荷预测区间估计

提出基于加权残差聚类的建筑负荷预测区间估计方法,旨在对建筑负荷预测模型的不确定性进行定量评估. 使用Shapley additive explanations方法量化负荷预测模型的每个输入对输出的贡献程度. 基于得到的贡献程度对模型输入进行加权聚类,获得不同聚类簇中的模型历史残差分布. 根据不同聚类簇中的残差分布估计模型的预测区间. 在深圳某办公建筑1 a的冷负荷数据集上进行验证. 结果表明,与传统不对输入进行加权的方法相比,该方法可以显著提高预测区间的估计精度. 期望得到的预测区间与该方法得到的预测区间的平均覆盖误差为1.87%,而传统方法的平均覆盖误差为2.27%. 该方法可以用于估计任何数据驱动的建筑负荷预测模型的不确定性,从而为优化控制和故障诊断提供更可靠的负荷预测模型.     

超短期负荷预测中相似日的选择方法

使用相似日的负荷数据可以提高预测结果的精度。本文分析了影响相似日选择的因素,并结合相似日负荷曲线的特征,利用相似性原理,提出了通过使用负荷以及负荷增量来计算历史日与预测日的距离,从而来选择相似日的方法,并在计算过程中引入了权重。通过对负荷预测数据的统计分析,说明了这种选择方法的有效性和实用性。     

基于灰色神经网络与灰色关联度的中长期日负荷曲线预测

用电结构变化和经济发展会深刻影响中长期的日负荷特性.采用加权平均法确定归一化之后的预测年基准曲线,利用非常适于少数据、多因素预测问题并具有高度非线性拟合特性的灰色神经网络,对中长期日负荷曲线的日特征参数进行预测,其中考虑了经济发展、用电结构的影响;并利用粒子群算法对灰色神经网络的参数进行初始化,以提高网络的全局搜索性能.引入灰色绝对关联度描述曲线的相似特性,基于日负荷特征参数约束,通过所构建的非线性规划模型进行中长期日负荷曲线预测.选用江西电网2006-2015年各季度日负荷数据进行测试,结果表明本方法具有较高的预测精度.     

重大节日期间电网日负荷预测方法的研究

本文提出了运用灰色预测模型和几何回归模型预测重大节日期间电网日负荷曲线的方法,并编制了相应软件。实用表明,所提预测方法预测精度较高,计算速度快,相应软件使用方便。该软件的应用将会提高电力系统运行的经济性和安全性。     

应用动态泛回归神经网络的在线负荷预测

电力系统负荷变化受多方面因素的影响,因此负荷曲线呈现出强烈的非线性.为实现非线性的电力负荷在线预测,应用递推更新的样本数据集训练泛回归神经网络,构成动态泛回归神经网络.该动态神经网络训练方便快捷,能够满足在线预测的实时性的要求.仿真表明预测值较观测值有一定滞后,但均能尾随观测值而变化,达到了预期的目的.     

基于ISODATA的电力负荷曲线分类

迭代自组织数据分析算法（ISODATA）是一种基于统计模式识别的非监督学习动态聚类算法。针对当前各算法初始聚类数取值困难、容易陷入局部最优等问题,介绍了ISODATA的原理和实现步骤,并将此算法应用于负荷分类中。在MATLAB中结合具体日负荷曲线样本进行聚类分析,结果证明聚类效果较好。将ISODATA与各种传统聚类方法进行了对比实验,比较各种算法的聚类效果、预定聚类数目对算法结果的影响,以及初始聚类中心的选择对结果的影响。对比结果证明,此方法适用于负荷分类的研究。     

基于智能家电的短期电力负荷预测与削峰填谷优化

通过可远程控制的联网智能家电,提出对城市群电力负荷的短期预测与削峰填谷优化. 分析某家电企业的智能家电集群运行产生的海量数据,建立城市群智能家电电力负荷预测模型,主要采用3种模型加权组合预测的方式,利用负荷数据中的趋势性、周期性、相关性、节假日特征及外部变量进行智能家电集群电力负荷的短期预测,单月内每日平均相对误差为4%~6%. 通过合理选择特征,该模型可以在不同家电间通用,依据家电类型分类预测后的结果可加和成为用电总负荷. 针对使用方式与用户习惯,提出智能家电电力负荷削峰填谷的控制策略,根据发电成本数据给出预期效益,说明基于智能家电负荷预测的用电调控能够有效降低电力部门发电成本、用户用电成本与电网负荷波动性.     

1000 MW超超临界机组深度调峰研究与实践

华东电网节假日期间的负荷特性和日电量曲线变化幅度较大.为适应电量变化,大型火电机组深度调峰势在必行.锅炉燃料特性和最低稳燃特性是燃煤机组深度调峰的影响因素.根据华东电网调峰的要求,句容电厂对1#机组进行了深度调峰研究并开展了深度调峰实践.结果表明,1 000 MW对冲燃烧方式锅炉深度调峰期间最低稳燃负荷可以达到250 MW,同时可以保证脱硝、脱硫、除尘设备的正常运行.     

一种基于语义聚类的典型日负荷曲线选取方法

将典型日负荷曲线的选取问题转化为基于统计学习的多元分类问题,利用概率潜在语义分析模型(PLSA)进行问题求解。方法首先通过K均值聚类和负荷曲线时段划分形成观测特征词和目标文档,通过阈值计算获得特征词-目标共生矩阵;然后基于Davies-Bouldin指标计算PLSA模型的最佳主题数目,并对模型参数求解获得每个目标文档中特征词的潜在主题;最后依据电力负荷曲线与特征词的对应关系形成新的聚类,并采用选取策略获得各聚类的典型日。实验表明,方法能够较好的反映节假日、气候等因素的影响,典型日选取合理可行。     

动态负荷下地源热泵系统的优化设计

针对动态负荷下地源热泵地埋管换热器的设计问题,提出一种最佳负荷的设计方法,并通过数值模拟和实测实验的方法研究了6种不同负荷下钻孔壁中点处的温度响应.实验结果表明:1)在周期性脉冲热流的作用下,钻孔壁温度呈周期性震荡并逐渐升高;2)每一时刻,动态负荷作用下的温度响应均小于其最佳设计负荷的温度响应,即最佳设计负荷可以代替动态负荷,由此验证了最佳负荷设计公式的合理性.本设计方法考虑了建筑热负荷的动态变化特性,有效节省了换热器的埋管长度.     

基于MIMO-SVR的供热负荷日预报方法

针对城市集中供热系统中提前24小时的日负荷预报方法具有较大误差问题,提出了一种基于多输入多输出支持向量回归（MIMO-SVR）的供热负荷日预报方法.该方法利用MIMO-SVR的多输出特性通过一步预报直接获得24小时的日负荷预报.通过对某热力站实际供热负荷数据进行仿真研究,结果表明,MIMO SVR日预报的平均相对误差为2.47%,较多输入单输出支持向量回归（MISO-SVR）预报精度高,能够满足供热工程的应用需要.     

钻井井架屈曲荷载分析的动态评估方法

提出一种确定石油钻井井架结构屈曲荷载的动态评估方法.其基本思想是首先利用井架结构的特征值方程建立井架结构的基本固有频率和其所承受竖向轴向力的关系;然后,对井架结构分级加载,计算或实测出井架结构的各级荷载Ni所对应的基本固有频率ω     

基于模糊聚类和灰色关联分析结合的负荷预测

训练样本的合理选择是影响神经网络负荷预测精度的重要因素。为了选择出适量而且典型的样本,采用模糊聚类将历史负荷数据分为若干类,再利用灰色关联分析法确定各类与预测时刻负荷模式的相关度,选择关联度最大的一类,通过L-M算法对24个整点时刻分别建立BP网络预测模型,并与常用方法选择的样本训练网络得到的结果进行了对比,测试结果证明了本文所提方法的有效性。