电力系统负荷分析及预测方法

针对以往用一确定的数学模型描述负荷变化的负荷预测方法，提出一种先由人工进行负荷分析，挑选出与被预测日相应时段条件相符的历史负荷曲线。再由算法对这些历史负荷曲线进行处理以得出负荷预测的结果的新的负荷预测解决方案。     

参照系统负荷预测的母线负荷预测修正方法

由于母线负荷预测结果的精确度相对系统负荷预测较低,提出了一种参照系统负荷预测值的母线负荷预测值修正方法。先根据母线负荷预测值之和与系统负荷预测值之间的差值确定需要修正的负荷点,再选择该点临近的连续数点系统负荷组成曲线,寻找系统负荷的相似曲线,对应相似日的各母线负荷组成样本、各样本修正值的期望和方差决定修正后的各母线负荷值的范围,采用最小二乘逼近建立二次规划问题,最后利用LINGO软件求解。算例表明了该方法从整体上提高了母线负荷预测的准确率。     

南京地区春节负荷特性分析及其预测方法

研究分析了南京市春节用电负荷曲线的形状、走势和特点，综合考虑天气、历史负荷等对春节负荷变化的影响，提出了一种简便的负荷预测方法。该方法通过选取气候条件相似的双休日来预测春节日最大负荷，然后根据日负荷曲线百分比值计算出各点负荷值，工作量较小，预测精度较高。算例表明，这是一种行之有效的春节负荷预测方法。     

用变权重组合方法预测中期电力负荷

变权重组合预测法集合了多种单种预测法所包含的信息,可使中期电力负荷预测的准确性不断提高。介绍了变权重组合预测法的基本原理,并进行了预测结果的误差分析及关联度分析。以上海市某区的历史电力负荷数据为实例,计算负荷预测值的误差指标以及预测曲线关联度分析证明,变权重组合负荷预测值与实际值具有很好的拟合度,可有效提高中期电力负荷预测的精度和可信度。     

基于改进广义回归神经网络的日负荷曲线预测

提出了基于改进广义回归神经网络(GRNN)的日负荷曲线预测模型。对GRNN模型的输入元素进行分析筛选,并同时输出一天48点的负荷预测值,在保证预测精度的基础上大大提高了预测速度。采用烟台某变电站实际负荷进行预测分析,结果证明了该方法的有效性。     

某市春节负荷特性分析及预测方法应用研究简

分析了江苏连云港地区春节期间特别是除夕负荷曲线的形状、走势和特点,综合考虑天气、重大事件、历史负荷等对春节期间负荷变化的影响,针对春节负荷应用一种自适应神经网络负荷预测方法。该方法通过选取人体舒适度相似的节假日、历年相似日、前一日的负荷数据预测当日负荷,以提高预测精度。算例表明,该方法有效地提高了春节负荷预测的精度,弥补了传统算法除夕负荷预测误差大的问题。     

某市春节负荷特性分析及预测方法应用研究

分析了江苏连云港地区春节期间特别是除夕负荷曲线的形状、走势和特点,综合考虑天气、重大事件、历史负荷等对春节期间负荷变化的影响,针对春节负荷应用一种自适应神经网络负荷预测方法。该方法通过选取人体舒适度相似的节假日、历年相似日、前一日的负荷数据预测当日负荷,以提高预测精度。算例表明,该方法有效地提高了春节负荷预测的精度,弥补了传统算法除夕负荷预测误差大的问题。     

秦皇岛地区电力负荷曲线拐点特性分析

结合秦皇岛地区电力负荷的特点,通过年度日总负荷曲线找出负荷曲线拐点,分析典型负荷对拐点的影响,给出适合该拐点时段的负荷预测方法。     

基于支持向量机的中长期日负荷曲线预测

提出了一种预测中长期日负荷曲线的新方法,通过历史典型日负荷数据构造出典型日年度发展时间序列,运用支持向量机方法对预测日各时刻负荷值进行预测并得到了典型日负荷曲线。该方法不需要对日负荷特性、最大负荷及需电量进行预测,因此避免了可能的误差积累问题。以某电网为例对该方法进行了测试,结果表明其具有较高的预测精度。     

电力负荷的中期预测分析

对电力负荷的中期预测作了综合分析，应用几种预测方法对具有较完整负荷历史资料的某市中期电力负荷作了详细的计算分析，获得明确的预测值。这样的预测分析对正在进行的“九五”计划和到２０１０年的长期电力规划的负荷预测是有参考价值的。     

基于聚类分析的配电网小区负荷预测

通过引入聚类分析,对样本数据聚类,利用聚类后的结果预测小区负荷密度,并且提出了2种修正小区负荷密度的方法,有效减小了预测误差。与传统负荷密度法相比较,该方法不仅提高了预测精度,精简了优化配电网建设的资金,而且计算简单,通过算例表明其工程实用效果较好。     

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。     

粒子群神经网络混合算法在负荷预测中的应用

电力系统负荷预测结果的准确性关系到电力系统的调度运行、生产计划和供电质量,为此在研究短期负荷预测中应用了粒子群PSO和BP神经网络相结合的混合算法。该算法先应用粒子群优化算法算出BP神经网络的连接权向量和阈值,每次迭代求出最优粒子的权向量和阈值及BP网络在这组权向量和阈值的实际输出值,最后得出第i个粒子的适应度函数。与其他方法相比,该算法预测精度较高:平均相对误差≤1.48%,最大相对误差≤4.10%,而且收敛速度快,预测结果满足短期负荷预测误差要求。     

基于误差预测修正的负荷预测研究

电力系统负荷预测对电力系统的可靠和经济运行意义重大。国内外学者对负荷预测理论做了大量研究,提出了许多预测方法。基于这些方法,提出了一种有辅助和修正作用的措施——误差预测修正,即通过对预测产生的误差进行预测和分析,形成预测修正模型,再结合原预测模型预测负荷,以扩大原模型的适用范围和提高它的预测精度。最后通过算例,验证了该方法的科学性和实用性。     

Long-Term Load Forecasting Using Grey System Theory

Supply and demand in power system planning and operation is required to be balanced. An operational reserve for protection against faults or accidental demands also is required. Therefore load forecasting is one of the most important fields and various load forecasting methods have been applied. In this paper the grey system theory which mats uncertain information is applied to the long-term load forecasting from three aspects: the point prediction; the interval prediction; and the topological forecasting. In the point prediction, the annual total demand is predicted, in the interval prediction, the annual peak demand is predicted, and in the topological forecasting, the date where a yearly maximum peak demand would occur is predicted. The grey dynamic model (abbreviated as GM model) is adopted as the predicted model. The GM model is a differential equation model which is different from most forecasting models. The GM model is quite powerful when combined with the preliminary transformation called the accumulated generating operation (AGO). This paper proposes a new method for the long-term load-forecasting problems involving uncertainty. The predicted results have been found to be very satisfactory. The grey system theory is a new tool which is very efficient for load forecasting.     

新型电力AMI系统中基于Neural Prophet模型的电力负荷预测与修补研究

针对新型电力系统高级量测体系（AMI）系统中电力负荷异常值与空值的修补问题,提出一种基于Neural Prophet模型的电力负荷预测方法,用预测值修补AMI系统中出现的负荷异常值与空值。通过Neural Prophet模型的趋势模块、季节性模块、自回归模块3个模块组合进行电力负荷精准预测,可解决AMI系统的负荷数据修补问题。在电力负荷数据集上进行实验,结果表明所提方法与负荷预测经典算法相比具有较优的准确性且具有参数可解释的优势。所提方法可对AMI系统中有问题的电力负荷异常数据进行有效修改,对缺失的电力负荷数据进行填补。     

基于GM(1，1)与BP神经网络的综合负荷预测

针对电力负荷预测中的单一预测模型存在的局限性,提出基于BP神经网络和GM(1,1)的残差修正组合模型。通过算法组合的方式进行系统建模,从而提高负荷预测模型的精度。首先通过GM(1,1)模型进行预测,得到灰色残差序列,利用灰色残差序列建立BP残差修正模型,利用该模型进行残差预测,最后将残差修正值和GM(1,1)模型预测值进行叠加得到最终所需的负荷预测值。利用该模型对某地区进行仿真实验,结果表明该修正模型具有较高的预测精度和实用性。     

基于结构化负荷模型的电力负荷概率区间预测

为了考虑电力负荷的不确定性,概率和区间预测成为电力负荷预测的重要方式之一。针对传统的负荷概率及区间预测方法没有考虑不同负荷成分的不确定性对电力负荷影响的问题,在分析电力负荷成分的基础上,基于结构化电力负荷模型提出一种电力负荷概率及区间预测方法。首先,对电力负荷的成分进行分析,针对不同负荷成分分别进行建模,构成结构化电力负荷模型;然后,基于历史负荷数据采用变分贝叶斯估计算法训练模型参数的后验概率分布;最后,基于训练完成的模型对未来负荷的概率分布进行预测,从而实现电力负荷概率区间预测。采用实际电力负荷数据进行验证,并与其他方法进行对比。实验结果表明,所提方法取得了较高的预测区间覆盖率和较窄的预测区间宽度。     

采用支持向量机图形用户界面的电力负荷组合预测方法

运用多种预测方法对中长期电力负荷预测所得结果会相差甚远,而综合各方法的组合预测能够避免其偏颇。由于在小样本和非线性拟合能力方面的优势,支持向量机方法被用于组合预测：多种传统方法预测值作为输入,拟合输入与输出之间的非线性关系,求得预测结果。针对SVM在处理回归问题时算法编程及参数寻优较为复杂的问题,提出了一种基于SVM图形用户界面（Graphical User Interface,GUI）工具箱的组合预测方法。算例分析表明,运用该方法,在预测过程中可直观、方便地应用通用软件工具包,且预测精度较高,便于推广和工程应用。     

城市电网总量负荷年最大值的双向预测方法

城市电网总量负荷预测是城市电网规划的基础工作。为了充分挖掘并利用负荷历史数据的更多信息,提出一种城市电网总量负荷年最大值的双向预测方法。该方法基于历史数据分析了电力负荷与用电量的相关关系,建立了负荷-用电比模型,据此求得基于用电量数据的各月电力负荷最大值,并利用这些最大值分别运用线性回归、指数平滑、灰色理论从纵向和横向对目标年的总量负荷最大值进行预测,将所得的六个预测值加权平均作为最终预测结果。实例分析表明该方法是正确的、有效的。