基于机器学习与疫情关联特征的短期负荷预测

准确的电力负荷预测是电力系统正常运转的重要保障。针对新冠疫情期间负荷需求波动大、历史参考负荷难以建模等问题,提出了一种基于机器学习与静默指数、滚动焦虑指数的短期负荷预测方法。首先,利用谷歌流动性数据和疫情数据构建出静默指数、滚动焦虑指数来量化经济、疫情的发展对电力负荷造成的影响。然后,采用最大信息系数分析疫情期间电力负荷的强相关因素并引入疫情负荷关联特征。最后,将气象数据、历史负荷以及构建的疫情关联特征合并作为预测模型的输入变量,通过多种机器学习模型进行预测算例分析。结果表明,引入疫情关联特征的负荷预测模型能够有效地提高疫情期间负荷预测的准确性。     

基于多维度与QGA LSSVM算法的制造业用电量预测

从制造业内部各微观行业出发,设计了与制造业用电密切相关的产品产量、行业投资和景气指数3个维度共35个指标,按相关性原则选取制造业用电量关键影响指标,并采用QGA-LSSVM算法构建制造业用电量预测模型。安徽省制造业季度累计用电量预测实例结果表明,该方法预测结果准确可信,预测效果明显好于基于制造业经济总量和基于非关键影响因素方法,为电力市场和经济运行分析预测人员提供了一种有效手段。     

基于气温与经济增长的用电需求预测

经济新常态和近年气温大波动大大增加了用电需求高精度预测的难度,不考虑经济走势或忽略气温因素的传统预测手段和智能算法无法满足电力市场预测工作的实际需要。借助于计量经济方法,构建了基于气温与经济增长的用电需求预测模型,并以安徽省月度全社会用电量预测为例加以分析说明。结果表明,该模型具有预测过程简单、实现便捷、预测效果好等优点,能够为能源主管部门和电力市场分析人员开展年度内用电需求预测提供一种有效方法。     

中长期负荷预测的多因素模型研究

为提高中长期负荷预测精度,提出了一种新的预测模型及参数计算方法。首先将负荷分解成基础负荷(Base Load,BL)、气象负荷(Temperature Load,TL)和不确定性负荷(Uncertain Load,UL),然后从气象、经济等因素分析了对电力需求的影响,特别是不确定因素使得负荷预测难度加大。基于回归分析,建立了BL之于地区生产总值、TL之于居民消费总额和极端气温持续时间以及UL之于大用户用电量的解析关系;继而将3类负荷相组合,提出多因素模型;采用最小二乘法原理提出参数的配置方法。实例表明,本文模型能够准确刻画负荷的生长趋势,具有较好的拟合性能,其预测精度能够满足工程应用的要求。     

基于协整-格兰杰因果检验和季节分解的中期负荷预测

近年来,随着国民经济的转型,中国的经济结构发生了较大的变化,仅仅依靠电力负荷历史数据进行负荷电量预测会造成较大的误差。为解决传统负荷预测方法对于经济、气象等因素考虑不足的问题,提出了一种可以计及经济与气象等因素影响的中期负荷电量预测方法。首先利用季节分解将历史月度用电量分解为长期趋势及循环分量、季节分量以及不规则分量;并以计量经济学中的协整检验以及格兰杰因果检验分析经济因素与用电量长期趋势及循环分量的关系,确定影响该部分电量预测的关键性指标;基于电量、气象以及经济数据,对各个分量利用支持向量机分别进行预测并综合得到月度电量总量预测值;最后通过算例分析了方法的有效性与可行性。     

基于皮尔逊相关系数的电网夏季空调负荷预测研究

采用统计分析的方式研究地区电网夏季空调负荷的变化规律,综合考虑空调负荷的影响因素,构建了地区电网夏季空调负荷预测模型。该模型以地区电网负荷变化曲线为基础,实现了对空调负荷曲线的有效分离,随后采用Pearson相关系数考察各类影响因素与日最大空调降温负荷的相关性,通过比较日最大空调降温负荷与各类指标的相关系数,构造出一个能够体现最大空调负荷受本地区气象和社会经济影响较大的"经济气象综合指标",并利用回归分析提炼出空调降温负荷与综合指标的变化规律,最终实现夏季空调负荷的精准预测。基于某地区电网2006—2015年电力负荷及其相关数据,使用该模型预测2016年该地区电网夏季空调负荷,预测结果证明了模型的有效性。     

基于气象敏感预测法的年度最大负荷预测模型研究

首先结合嘉兴地区的具体情况,从影响电力负荷的主要气象因素指标,负荷主导气象因素辨识与灵敏度分析几方面,分析了气象因素对电力负荷的影响;然后提出一种基于气象敏感预测法的年最大负荷预测方法,具体实施中将原网供负荷分解成"基础负荷+气象敏感负荷",对于不同成分的负荷采用不同预测方法;最后将预测的结果与传统方法对比,证明了本方法的优越性。     

基于多变量时间序列反演自记忆模型的中长期电力负荷预测

电力负荷预测的复杂性、非线性使传统的中长期预测模型难以获得精确的结果。为了提高中长期电力负荷预测准确度,构建了多变量时间序列反演自记忆模型。该模型使用灰色关联分析选取电力负荷变化主要影响因素,采用主要影响因素对电力负荷自身变化过程进行动力方程反演,并结合自记忆模型,实现对电力负荷数据的拟合与预测。在提高预测精度的同时,使预测结果最大程度地体现历史电力负荷数据的内在变化规律,提高拟合和预测的稳定性。为了验证模型的效果,使用1986—2002年某地区全社会用电量数据作为训练样本,进行拟合分析,并预测2003—2006年全社会用电量。拟合和预测的结果证明了该模型在中长期负荷预测中的有效性和可行性。     

相空间重构和SVR耦合的短期电力负荷预测

电力系统的短期负荷预测精度对智能电网安全运行有着重要影响,其中预测精度和训练步数至关重要,目前当地气象因素逐渐成为负荷预测中的关注点。以某市短期电力负荷为研究对象,建立了考虑日特征相关因素的支持向量回归机短期电力负荷预测模型,随后对某市考虑气象及日期类型的电力负荷做出预测。研究表明:利用考虑实时气象因素的SVR预测模型对短期电力负荷进行预测精度较高;考虑气象及日期类型的预测误差比不考虑气象及日期的预测误差小;嵌入维数和时间延迟对负荷预测模型精度具有重要影响。     

基于经济、气象因素的安徽省年最大负荷预测方法研究

首先从用电结构上分析了年统调最大用电负荷的特性,将最大负荷分解为相互独立的3种负荷：基础负荷、居民空调负荷、非居民空调负荷。在此基础上,运用计量经济学原理,逐步分析影响3种负荷的经济因素和气象因素。最后建立了包含经济、气象因子在内的最大负荷预测模型。模型从根本上解释了最大负荷的影响因素,并将预测精度控制在3%范围内,预测精度满足负荷预测实际工作的需求,具有一定的应用价值。     

基于双层XGBoost算法考虑多特征影响的超短期电力负荷预测

历史数据在电力负荷预测中必不可少,但选用的历史数据往往存在数据量虽大而数据特征维度少、无效数据多、数据间的特征关系不明确等问题,显著影响电力负荷预测的精度。为提高超短期电力负荷预测精度,提出一种基于双层XGBoost(eXtreme gradient boosting)算法的超短期电力负荷预测方法。该方法的第1层,即数据处理层,基于XGBoost算法及特征工程,构建多个弱学习器逐层训练,筛选出对电力负荷具有显著影响的特征集;第2层即负荷预测层,以第1层筛选出的特征集和负荷为输入,优化选择XGBoost算法的超参数并对模型进行训练以得到精度最高、均方根误差最小的负荷预测模型。所搭建的负荷预测模型能够避免对数据特征进行标准化处理,且可减小数据字段缺失的影响,不用考虑特征间是否相互依赖,且模型学习效果好。算例分析中,对比基于单层XGBoost、BP神经网络、ARIMA的负荷预测模型,所提方法预测值精度更高,且在不同时间段数据集下,具有良好的泛化能力。     

突变期电力负荷预测方法及其应用

为提高天气突变期电力负荷预测的精确度,分析了气象敏感因素对突变期电力负荷的影响,提出了负荷-天气突变修正策略,结合数据挖掘模型,并利用组合预测方法相对于单一预测模型的优势,设计了一种基于组合预测的突变期电力负荷预测方法.统计结果表明该方法显著提高了突变期的负荷预测精确度,对安徽电网电力总负荷的预测结果证明了该方法的有效性和优越性.     

基于气象数据降维与混合深度学习的短期电力负荷预测

精确的短期负荷预测能通过预知所需用电负荷来指导电网的调度运行。但电力负荷不仅与用户用电习惯相关，还容易受到温度、湿度等气象因素的影响。因此，文章在现有的使用负荷历史数据基础上，增加了影响区域型电力负荷的气象数据，并考虑高维气象参量数据对预测算法的过拟合问题，提出了基于稀疏核主成分分析(sparse kernel principal component analysis, SKPCA)的高维气象数据降维方法。进而以历史负荷功率和SKPCA重构后主成分为输入，构建了基于卷积神经网络(convolutional neural network, CNN)和长短时记忆(long-short-term memory, LSTM)神经网络的混合深度学习预测模型。CNN-LSTM模型可以同时提取负荷功率及气象数据的空间和时间相关特征，从而全面利用数据的时-空相关性特征，提升负荷功率的短期预测精度。相比于常见的数据降维和负荷预测方法，文章所提方法的数据维度降低了71.43%,预测精度达到了98.92%。结果表明，所提算法融合通过SKPCA降维后的气象数据能够显著提升区域型电力短期负荷预测准确度。     

基于多维气象信息时空融合和MPA-VMD的短期电力负荷组合预测模型

为提高电力负荷预测精度,需考虑区域内不同地区多维气象信息对电力负荷影响的差异性。在空间维度上,提出多维气象信息时空融合的方法,利用Copula理论将多座气象站的风速、降雨量、温度、日照强度等气象信息与电力负荷进行非线性耦合分析并实现时空融合。在时间维度上,采用海洋捕食者算法(MPA)实现变分模态分解(VMD)核心参数的自动寻优,并采用加权排列熵构造MPA-VMD适应度函数,实现负荷序列的自适应分解。通过将时间维度各分量与空间维度各气象信息进行融合构造长短期记忆(LSTM)网络模型与海洋捕食者算法-最小二乘支持向量机(MPA-LSSVM)模型的输入集,得到各分量预测结果,根据评价指标选择各分量对应的预测模型,重构得到整体预测结果。算例分析结果表明,所提预测模型优于传统预测模型,有效提高了电力负荷预测精度。     

基于马尔可夫修正的负荷预测模型在电力能效监测终端中的应用

提出了一种基于马尔科夫修正的负荷预测模型在电力能效监测终端中应用的方法。首先使用指数平滑法对电力能效监测终端历史用电量负荷数据进行预处理,弱化用电量随机波动造成的影响,得出用电量负荷的总体趋势,然后使用马尔可夫链对指数平滑法的绝对误差进行修正,克服指数平滑滞后效应造成的预测精度不高的问题,从而提高了预测的准确性。最后就马尔可夫负荷预测模型在能效监测终端上的应用做了相应的介绍,并以真实电力负荷数据进行算例分析,测试了预测模型在实际中的性能。     

基于实时气象因素和LSSVM的短期负荷预测研究

正电力系统负荷受气象因素的影响很大,为提高负荷预测准确度,提出了基于实时气象因素和最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)的短期负荷预测模型。短期负荷预测对电网建设、电力市场交易和电力调度等有重要的意义,一直以来都是研究的重点。系统负荷受能源供应、地区经济发展水平、气象因素和日类型等的影响,因此负荷不     

基于解释结构模型的城市电力负荷预测

影响城市电力负荷的不确定风险因素很多,各种风险因素之间相互影响,形成一个复杂的系统.研究风险系统的结构和相互关系,以及这些风险因素对城市电力负荷的影响,对于城市电网规划非常有意义.文中以影响城市电力负荷的风险因素为研究对象,运用解释结构模型(ISM)对影响城市电力负荷的风险因素进行了分析,并构建了该风险系统的阶层结构图及风险传递链.在此基础上,建立了基于ISM风险分析的城市电力负荷预测模型.通过北京市2001年-2008年全社会用电量算例检验,所提出的方法可以有效提高城市电力负荷预测水平,为城市电力负荷预测风险管理提供决策基础.     

经济新常态下基于偏最小二乘回归的中长期负荷预测模型

经济新常态下,中长期负荷预测面临负荷趋势呈S形、可依赖数据样本少等问题,传统预测方法精度受限,因此提出一种基于偏最小二乘回归和情景分析法的中长期负荷预测模型。从经济新常态的速度、结构、动力3个宏观方面入手,建立一个宏观与微观相结合、层次化的电力负荷影响因素指标体系;采用偏最小二乘回归法获取电力负荷与各影响因素的关系方程;根据"十二五"及"十三五"期间经济和电力发展的特点,采用情景分析法设定多个情景及相应参数,获得不同情景下有区别的负荷预测结果,以降低预测风险。利用所提模型对某省"十三五"期间的逐年用电量进行预测,通过与现有成熟方法预测结果及官方公布数据的对比,验证了所提模型的有效性。     

“新常态”下广东省中长期电力需求预测

探讨了在经济逐步迈入"新常态"的情况下,广东省未来15年的电力需求情况。首先在分析广东经济发展特点及影响因素的基础上,对广东经济发展进行预测。其次,分析广东历史用电情况,考虑影响电量增长的因素,对电量增速区间进行预估;同时结合经济增长、产业结构调整、城镇化率、人口增长、技术进步和产业政策等方面对广东电力需求发展的影响,利用产值单耗法、弹性系数法和人均用电量法对广东全社会用电量进行了预测。最后,对广东最大负荷利用小时数进行分析,在电量预测结果的基础上预测了广东未来最大用电负荷。     

基于分位数回归的电力负荷预测影响因素研究及应用

传统回归模型只对电力负荷进行均值预测,无法详细地分析在不同时期各因素对电力负荷规模影响程度的差异。针对这一问题,建立负荷预测的分位数回归模型,保留历史数据的统计信息,采用电力需求已进入稳定阶段的日本用电量数据进行仿真,定量分析了不同社会发展水平下各社会经济因素对电力需求的影响大小,得出了电力需求量与分位点选取呈正相关且存在周期波动的规律,并将这一结论应用于我国华东某城市饱和负荷预测,为电力负荷预测研究提供了一种新的方法。