电力系统短期负荷预测模型研究

给出电力系统短期负荷预测的两种模型——变差分析模型和年度分解模型。变差分析模型将负荷分解为基准值、年度变差、月份变差以及随机变差,通过对其分别估计便可得到负荷的预测值;年度分解法先通过预测年度负荷,再预测每月的负荷贡献率,即可得到负荷预测值。实例分析表明,这两种方法都是有效的、实用的     

110kV倒送电带负荷校验实例分析

针对某110kV开关站及辅变倒送电期间负荷不足,辅变差动保护和线路保护无法校验的问题,进行了带负荷校验负荷计算,提出了临时负荷接入方案,采用租赁临时负荷的方法来验证辅变差动保护和线路保护。试验结果分析表明,该方法可靠地校验电流互感器CT极性和二次电流回路的正确性,也校验了辅变差动保护和线路保护。     

基于省级电网的短期负荷预测系统的开发

在对吉林省网及其所辖分区电网负荷规律性进行全面分析的基础上，开发了一种基于省级电网的电力负荷短期预测系统。系统包括回归、组合加权等多种预测方法，提供了直接预测与分区汇总两种预测方式，具有对省网负荷及所辖各分区负荷进行规律性评价的子模块，采用数据库形式对历史负荷、预测结果等多种数据进行分类管理，使数据维护更方便。对省网负荷及所辖各分区负荷的预测结果进行了比较，并在此基础上分析了省网及各分区负荷的规律性。该系统界面友好，操作简单，已成功应用于吉林省调度中心。     

负荷计划管理系统的构建及应用

利用负荷计划管理系统软件，与调度运方结合，可以完美实现短、远期的负荷管理，进行合理调度，从而确保电网安全、经济运行。通过对电力负荷的特性、负荷预测的要求与数据采集源的分析，介绍了负荷特征输入量的选择方法。叙述了构建负荷计划管理系统的预测模型、预测方案及研发经验。实践证明，该系统从1996年形成雏形至2004年不断完善与研发，并随着调度自动化系统的多次升级，在配合新系统的使用同时，有效结合新系统的负荷预测功能，实现发供电负荷的准确预测。     

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。     

基于短期负荷预测的超短期负荷预测曲线外推法（Only in Chinese）

针对短期和超短期负荷预测的特点，提出了一种基于短期负荷预测的超短期负荷预测曲线外推算法。该算法充分利用了短期负荷预测已取得的成果，解决了传统采用负荷历史数据进行超短期负荷预测时在拐点、天气剧烈变化和节假日期间负荷预测精度下降的问题。为了提高负荷预测精度，还讨论了在进行超短期负荷预测时，对历史坏数据的处理以及对短期负荷预测中对拐点预测不准的修正等实用性问题。通过在四川电网调度自动化系统中的应用结果表明，该方法速度快，精度高，运行可靠稳定，具有较强的适应性。     

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。     

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。     

土地用途清晰开发小区的负荷预测方法

在介绍常用负荷预测方法的基础上，提出了一种适用于土地用途清晰的开发小区负荷预测方法——功能小区负荷密度指标法，并对某土地用途清晰的工业区块进行了负荷预测和电量预测，结果显示其用电水平符合开发小区定位。     

基于改进Q学习算法和组合模型的超短期电力负荷预测

单一模型在进行超短期负荷预测时会因负荷波动而导致预测精度变差,针对此问题,提出一种基于深度学习算法的组合预测模型。首先,采用变分模态分解对原始负荷序列进行分解,得到一系列的子序列。其次,分别采用双向长短期记忆网络和优化后的深度极限学习机对每个子序列进行预测。然后,利用改进Q学习算法对双向长短期记忆网络的预测结果和深度极限学习机的预测结果进行加权组合,得到每个子序列的预测结果。最后,将各个子序列的预测结果进行求和,得到最终的负荷预测结果。以某地真实负荷数据进行预测实验,结果表明所提预测模型较其他模型在超短期负荷预测中表现更佳,预测精度达到98%以上。