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。     

基于相似日选择和BP神经网络的商场短期负荷预测

为了改进传统楼宇短期负荷预测的准确度与效率,以上海市某商场建筑为研究对象,采取了基于相似日选取和BP神经网络的方法,对其夏季短期负荷进行了预测。首先,对夏季气象类因素进行去量纲处理,并采用灰色关联度挑选出对负荷影响最大的气象因素;然后,以关键气象因素为基准,采用加权相似度函数选择相似日,并按照相似度大小进行降序排列;最后,将相似日的负荷和关键气象因素数据输入到BP神经网络模型中,预测输出该商场2017年夏季短期负荷值,并对预测结果进行对比分析。通过实例数据进行了算例验证,结果表明,提出的方法具有较好的有效性和实用性。     

基于分时体感温度相关性的LSTM 负荷预测算法∗

随着经济的发展,人民生活水平的逐步提高,空调等用电设备的使用量逐年増加,直接导致气象因素对电力负荷的影响越来越大.夏季大量使用空调器带来的调温负荷被证明与气温、湿度、风速等气象因素密切相关.LSTM作为基本模型对电力负荷数据进行预测可最大限度地挖掘数据之间时序性与非线性的关系.但是此网络容易忽略影响因素导致负荷数据突变的情况.基于分钟级别气象因素进行综合建模分析,通过体感温度的变化得到负荷的变化值,并通过LSTM得到负荷的时序预测值,再得到最终的预测值.预测结果表明,该方法能有效提高短期负荷预测精度,是一种有效的负荷预测方法.     

温度、人体舒适度对地区短期负荷预测的影响

通过上海市东供电公司2000年～2002年夏季温度与负荷数据实例，针对上海地区空调负荷比重日趋增大的特点，分析了天气因素中温度及舒适度对短期负荷预测的影响。具体分析了上海夏季负荷与温度的关系，找出了夏季初期积温效应及空调负荷逐渐增加的负荷特点；分析了夏季降温时温度负荷的变化规律以及最高负荷的饱和趋势。重点分析了负荷与舒适度温湿指数的关系，在此基础上，提出了提高地区短期负荷预测水平的具体建议。     

芜湖地区空调负荷预测与建模

夏季空调负荷在总用电负荷中所占的比重越来越大,是产生峰谷差的重要因素。该负荷主要由行政事业、商业以及居民负荷等三部分组成。本研究统计分析大量行政事业、商业电量、负荷等基础数据,统计分析得出芜湖地区夏季空调负荷、行业空调负荷占比以及最大负荷利用小时数等参数,进而得出夏季居民空调负荷;基于SPSS软件,通过人口、人均可支配收入、修正温度与夏季空调负荷的数学关系建立三元一次线性回归模型,可准确预测未来1~5年夏季空调负荷。利用温度与居民空调负荷的关系,建立短期负荷预测模型,结合天气预报,可预测未来数天居民空调负荷。     

考虑夏季气象因素的短期负荷预测方法研究

由于夏季电力负荷受气象因素影响较大,尤其是连续高温情况下,短期负荷的预测结果往往存在较大偏差。通过对气象敏感负荷与温度、湿度等气象因素的相关性研究,提出了考虑温度累积效应的修正模型。该模型不仅考虑了多日前温度对负荷的影响,还考虑了待预测时段之前时段的温度对负荷的影响,同时对湿度进行了相关性修正。通过综合预测模型试算,实例表明,引入修正模型后夏季高温负荷的预测精度有了较大提高。     

考虑夏季气象因素的短期负荷预测方法研究

由于夏季电力负荷受气象因素影响较大,尤其是连续高温情况下,短期负荷的预测结果往往存在较大偏差.通过对气象敏感负荷与温度、湿度等气象因素的相关性研究,提出了考虑温度累积效应的修正模型.该模型不仅考虑了多日前温度对负荷的影响,还考虑了待预测时段之前时段的温度对负荷的影响,同时对湿度进行了相关性修正.通过综合预测模型试算,实例表明,引入修正模型后夏季高温负荷的预测精度有了较大提高.     

基于气象成分分解的夏季短期负荷预测

夏季负荷受温度等气象因素影响大,表现出随机性强、波动性大的特点。针对现有短期负荷预测模型在夏季预测精度不高的问题,提出在负荷成分分解的同时,将温度分解为日周期分量和波动分量,以此准确把握短时气象波动对夏季短期负荷预测的影响。在充分分析负荷各分量变化趋势及对整体负荷预测精度影响的基础上,针对各个负荷分量特征分别选择预测方法。在预测气象敏感负荷分量时引入温度波动分量,基于XGBoost智能算法构建预测模型。选用我国中部某市夏季历史负荷建立训练样本,对2017年8月份日96点负荷进行预测,预测结果验证了所提模型和算法的有效性。     

气象因素对江苏夏季高峰负荷的影响研究

温度、湿度等气象指标是夏季高峰负荷的主要影响因素。考虑到夏季负荷峰值与各类气象因素的关联度不同,文中基于实测数据详细研究了近年来温度、湿度与江苏夏季高峰负荷的变化关系,得出了负荷对温度湿度的敏感性结果。基于敏感性分析结果,对江苏2012年夏季高峰负荷与温度、湿度之间的关系进行了预测。预测结果对即将到来的江苏迎峰度夏工作的顺利展开具有一定的参考价值。     

考虑气象因素的电网短期负荷预测策略

影响电网负荷预测的因素很多,其中气象因素是主要原因之一,尤其在天气系统的转变过程中,气象因互对电网用电和短期负荷预测准确率的影响更大,对气象负荷进行了明确定义,提出了一种预计气象负荷分量的实用方法和考虑气象因素的短期负荷预测策略。     

张家界地区电网夏季空调负荷特性分析

基于张家界地区近两年负荷数据及气象数据,分析了该地区电网负荷及空调负荷的变化特征,发现了影响该地区负荷季节性变化的主要因素;针对夏季工作日与夏季休息日两种情况,分别研究了温度对该地区空调负荷的影响;采用数学拟合方法,建立了空调负荷的数学模型,得出了两种情况下空调负荷随最高温度变化的特征,为张家界地区电网的负荷预测、调控工作提供有益参考。     

气象因素对电力系统短期负荷预测精度的影响

为研究气象因素对短期负荷预测结果及精度的影响,通过用Matlab对云南省和深圳市两地区2014年实际负荷数据生成持续曲线,并在此基础上,用SPSS分别对日最高负荷、日最低负荷、日平均负荷与各气象因素的关系进行多元线性回归分析。结果表明,两地区全年的变化趋势基本相同,但云南省年持续负荷曲线有更好的平滑性和周期性,可以获得更准确的预测结果。同时,气象因素中最低气温与平均气温对短期负荷预测精度影响较大,在提高短期负荷预测精度方面应着重考虑这两个气象因素。     

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。     

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。     

基于相关因素映射和神经网络的短期负荷预测

由于气象因素对电网负荷影响巨大,在进行短期负荷预测时必须考虑气象因素的影响。在处理负荷与相关因素之间的非线性关系时,神经网络具有其自身的优势,而如何量化不同量纲的相关因素对电网负荷的影响是一个难题。本文提出了一种基于相关因素映射和神经网络的短期负荷预测方法,训练结果表明,这种方法较传统的人工神网络预测方法精度有所提高。     

短期负荷预测中考虑夏季气温累积效应的方法

由于气象因素对负荷的影响较大,在短期负荷预测中需合理考虑气象因素的影响。气温累积效应是夏季气象因素影响负荷的重要现象,是指待预测日之前若干日的气温对待预测日的负荷具有比较明显的影响,持续高温情况下影响尤其明显。对大量气象数据的分析表明,在不同条件下,累积效应的强度不同,对负荷的影响程度也不同。据此,提出了用离散的累积系数和温度修正公式来反映累积效应强度的方法,考虑了各种影响累积效应强度的因素,如待预测日的气温、高温持续天数等。实例表明,所提出的方法比较准确地反映了累积效应对负荷的影响。     

基于BP人工神经网络的空调降温负荷预测

空调负荷是近年来增长较快的一类负荷,其特性对电网的电压稳定性影响很大。夏季影响空调负荷的因素主要是温度和湿度的变化。为了更好的预测空调降温负荷,研究了温度和湿度对空调负荷的影响。利用BP人工神经网络对电网空调负荷进行了预测,经过分析把日平均湿度量化成4段,和日平均湿度实际数值的模型进行计算比较,结果显示考虑日最高温度和日平均湿度量化为4段能更好的模拟温度、湿度和空调负荷之间的非线性关系,能更好的对电网空调负荷进行预测。     

计及气象因素和日期属性的短期负荷预测研究

气象因素和日期属性作为影响电力负荷的主要因素,近年来已成为负荷预测技术研究的焦点。为了既简洁又全面地表征各气象因素对负荷的影响,利用主成分分析法对多变量气象因素进行降维处理,得到综合气象指标。同时对日期属性进行量化评估,并利用思维进化算法优化Elman神经网络的权值阈值,提出MEA-Elman预测模型。最后以甘肃某地区实际负荷为例,表明了该方法能够有效提高配电网短期负荷的预测准确度。     

基于改进Apriori关联分析及MFOLSTM算法的短期负荷预测

电力负荷预测结果的准确性对电力系统安全稳定运行具有重要意义。针对多气象因素影响下的短期负荷预测任务,提出改进Apriori关联度分析及飞蛾火焰优化的长短时记忆神经网络算法的电力负荷短期预测新方法。首先,提出改进Apriori算法分析气象因素与负荷之间的关联程度。依据分析结果除去非必要气象影响因素,并在此基础上引入人体舒适度评价指标。其次,将降维后气象数据结合地区负荷数据作为模型输入。最后,基于长短时记忆神经网络进行短期负荷预测建模,并结合飞蛾火焰优化算法的全局寻优能力来优化模型。通过对某地区负荷数据协同气象数据进行对比预测试验,测试结果表明该负荷预测模型能有效提升地区电网短期负荷预测性能。     

江苏电网夏季空调负荷特性挖掘与温度敏感性辨识

江苏最高调度负荷已超过100 000 MW,夏季空调负荷对于最高负荷具有较高贡献。夏季空调负荷特性对于负荷高峰、电网规划、需求响应等有显著影响。文中首先从江苏实际数据出发,使用基准负荷比较法,选取春秋夏季典型周作为研究对象,对夏季空调负荷进行了深入挖掘,并进一步量化出夏季空调负荷及电量。其次对工作日及休息日的空调负荷分别进行最高温度、最低温度及平均温度的敏感性辨识,得出不同温度类型、不同温度区间内空调负荷与温度之间的关系。最后给出了江苏夏季空调负荷的研究结论,对于后续夏季负荷预测的进一步研究具有重要意义。