居民负荷与夏季气温关系分析

利用负荷管理系统,获取了福州市部分居民小区24个时点的负荷数据。分析了福州市夏季居民用电最高负荷与最高气温的关系并拟合出了它们的关系曲线,分析了气温敏感负荷,得出了单位温升效应。对福州市民负荷预测和制定相应营销策略将提供有效帮助。     

南京电网负荷与气温敏感性分析

气候变化对负荷的影响在逐年增大,同时也影响着电力系统负荷预测的精度.对南京电网2011年全年的负荷水平进行了详细分析,根据日最高负荷和气温的相互关系,计算出南京夏季、冬季的空调负荷水平,得出了最高负荷与气温的敏感性系数,为提高南京电网负荷预测准确率提供了有效参考.     

深圳电网负荷与气温的关系研究

为了解深圳地区的电力负荷特性,本文对2012—2014年深圳电网负荷与气温的关系进行了全面地分析。通过引入负荷-最高气温梯度和负荷-最低气温梯度,建立了高温负荷日日最高负荷与日最高气温和日最低气温的关系模型,并通过相关系数证明了其有效性。据此获得了深圳高温负荷日负荷受气温影响的规律,对提高深圳负荷预测的准确性,指导深圳电网的运行和规划有重要的意义。同时,本文也经过计算得出深圳年最大制冷负荷的比例可达35%左右,为深圳夏季负荷的重要组成部分。     

武汉市电网用电量、电力负荷与气温的关系及预测模型研究

分析了用电量、电力负荷与气温的关系，对武汉市2002-2004年日用电量、电力负荷与日平均气温、最高气温、最低气温进行对比分析，计算出日用电量、最高负荷与气温之间一系列相关关系，其中夏季一般大于0．8，冬季一般低于-03；通过回归分析建立夏季用电量和用电负荷预测模型，利用气温预报，可实现对用电量和电力负荷的预测，对2004年实际结果进行回代检验，预测精度超过90％。     

综合BP神经网络及气温因素的日负荷预测方法

随着社会经济的快速发展,空调及取暖负载在总用电负荷中的比重日益增加,气温变化引起的负荷波动趋势越来越明显。本文通过分析2003年6~8月金华市总用电负荷和气温数据,提出在传统短期负荷预测方法中增加了气温数据作为辅助输入变量,对于提高短期日负荷预测精度、增加电力系统调度效率以及缓解区域供电不足等方面具有重要意义。     

BP神经网络在计及气温因素的短期日负荷预测中的应用

随着社会经济的快速发展，空调及取暖负载在总用电负荷中的比重日益增加，气温变化引起的负荷波动趋势越来越明显。通过分析2006年6～8月份金华市总用电负荷和气温数据，提出在传统短期负荷预测方法上增加气温数据作为辅助输入变量，对于提高短期日负荷预测精度、增加电力系统调度效率以及缓解区域供电不足等方面具有重要意义。     

2006年夏季我国一些主要地区最高用电负荷情况

经统计,2006年夏季我国主要地区最高用电负荷如下。(1)华中电网2006年6月19日达到最高用电负荷为6 047万kW,从2006年6月17日到2006年9月5日止经历80天的迎峰度夏的用电保卫战。(2)华北电网最高用电负荷达到9 646万kW,比2005年增长12.7%;北京电网2006年8月8日最高用电负荷达到1 081万kW,2005年最高负荷为1 065万kW。(3)天津电网2006年8月7日最高用电负荷达到650万kW,2005年同期负荷为611万kW。(4)苏州电网2006年8月14日最高用电负荷达到1 049.2万kW,成为全国首个用电负荷超千万的地级市。(5)河北南部电网2006年6月19日最高用电负荷达到1 4…     

陕西电网夏季降温负荷与温度相关性研究

以2011—2017年陕西电网8760负荷数据及气象数据为基础,结合陕西电网年、日用电负荷特性,科学合理选取春（秋）工作日、休息日作为基准计算负荷,利用线性和非线性回归分析方法对夏季降温负荷与气温之间的关系进行定性定量分析研究,在此基础上进一步划分温度区间,并对降温负荷展开分析,得出陕西电网夏季降温负荷与气温变化之间的幅值增减函数关系,对于后续基于空调负荷开展用电需求分析预测的研究具有重要意义。     

县级电力调度主变夏季最高负荷预测方法

夏季受空调负荷影响,电力负荷通常为全年最高。在某些地区可能出现主变过负荷运行情况。同时,人们对于供电可靠性和电能质量的要求逐渐提高,因此,县级电力调度机构有必要进行主变夏季最高负荷预测,提前采取措施,防止停电发生。借鉴系统级负荷预测研究,结合主变负荷特性,提出一种考虑气温和居民用电习惯变化的主变最高负荷预测方法,以求出主变夏季最高负荷的波动区间,并通过算例分析验证该方法的可行性。     

2011年湖北用电负荷与气温关系及负荷特性分析

以湖北电网统调用电负荷数据和武汉日气温数据为基础,分析了2011年湖北电网最大负荷持续时间、负荷与气温关系、非气温敏感性负荷以及空调负荷情况.     

One-hour-ahead load forecasting using neural network

Load forecasting has always been the essential part of an efficient power system planning and operation. Several electric power companies are now forecasting load power based on conventional methods. However, since the relationship between load power and factors influencing load power is nonlinear, it is difficult to identify its nonlinearity by using conventional methods. Most of papers deal with 24-hour-ahead load forecasting or next day peak load forecasting. These methods forecast the demand power by using forecasted temperature as forecast information. But, when the temperature curves changes rapidly on the forecast day, load power changes greatly and forecast error would going to increase. In conventional methods neural networks uses all similar day's data to learn the trend of similarity. However, learning of all similar day's data is very complex, and it does not suit learning of neural network. Therefore, it is necessary to reduce the neural network structure and learning time. To overcome these problems, we propose a one-hour-ahead load forecasting method using the correction of similar day data. In the proposed prediction method, the forecasted load power is obtained by adding a correction to the selected similar day data     

基于双修正因子的模糊时间序列日最大负荷预测

天气温度变化是影响短期电力负荷预测的主要因素.为提高预测精度,引入负荷变化影响因子和气温影响因子,提出基于双修正因子的模糊时间序列预测算法.根据负荷变化趋势,提出分段预测的思想,在拐点处用负荷变化因子进行修正,然后用气温影响因子对预测结果进行二次修正.将改进的算法用于某电网夏季最大负荷的预测.数值结果表明该算法具有较高的预测精度.     

基于分段积温效应的夏季负荷组合预测方法

分析了积温效应的2种表现形式:多日积温效应和两日积温效应,提出了考虑积温效应的夏季负荷组合预测方法。该方法充分考虑积温效应的2种表现形式,建立了3种温度的修正模型;为了提高预测精度,采用基于多元线性回归法、BP神经网络和支持向量机的组合预测方法。以江苏某地区的负荷数据作为历史数据,采用基于最小二乘法优化的模拟退火法求解最优参数对温度进行修正,并将修正之后的温度代入组合预测模型中预测负荷,结果表明,预测精度高,可以满足系统调度人员的需要。     

基于积温效应和优化支持向量机的短期电力负荷预测

从积温效应的表现形式出发,提出一种考虑积温效应的优化支持向量机负荷预测方法。在充分研究积温效应2种表现形式的基础上,建立温度修正模型,同时为进一步提高预测精度,采用优化支持向量机预测负荷。最后借助江苏某地区的历史数据,采用最小二乘法求解积温效应参数、修正温度,并将修正之后的结果代入预测方法中,结果表明预测精度较高,具有一定的应用价值。     

带次优无偏噪声估值器的KF短期负荷预测

卡尔曼滤波厦理用于电力系统短期负荷预测通常是针对线性定常系统,其噪声协方差是定常的,由于噪声协方差直接影响模型的增益矩阵,进而直接影响到模型的追踪能力和预测的精确度。考虑了电力系统负荷变化具有范围性、波动性的特点,根据9天的历史负荷数据建立预测模型。利用最小二乘法辨识模型转移矩阵,采用Hankel矩阵法辨识模型的阶,运用改进的时变次优无偏噪声估值器对噪声协方差进行自适应估计,用预测方程预测次日负荷。     

短期电力负荷的灰色GM(1,1)模型群组合预测

组合预测方法是一种性能优越的预测方法.由于电力负荷具有很多不确定因素,用单一预测模型进行预测时,其预测精度不高,为提高预测精度,提出组合预测模型.灰色GM(1,1)模型群能够很好地反映电力负荷的周期变化特性,而用不同时期的历史数据可反映不同的信息特征,因此,提出了基于远近数据的GM(1,1)模型群预测组合预测法.利用此方法对某地区的日电力负荷进行预测的算例结果表明:此方法的预测精度高于各单一模型的预测精度,且能够很好地反映日负荷变化的随机性和周期性.     

基于生长曲线与气温累积效应的气象负荷预测

夏季受高温天气的影响,由降温设备所引起的气象负荷日趋变大.针对气象负荷获取困难以及负荷预测精度不高的问题,提出一种新的气象负荷预测方法.首先,为获得准确的气象负荷数据,采用生长曲线来描述基础负荷的增长特性,通过剔除基础负荷来获得气象负荷数据;其次,考虑到夏季高温天气的气温累积效应,需要对高温天气的日最高温度进行修正,提...     

基于通径分析和相空间重构的光伏发电预测模型

光伏发电的短期预测对电网稳定运行、经济调度和可再生能源调节具有重要意义。但光伏功率输出受辐射强度、温度等气象因素影响,具有较大的波动性和随机性。为了提高预测精度和不同天气类型的普适性,文章提出了一种基于支持向量回归结合相空间重构和相似日选择的混合光伏输出预测算法。采用通径系数分析对历史数据集进行处理,量化光伏出力和气象因子的相关性,并确定主导气象因子作为相似日选择的标准。随后,利用相空间重构技术对非线性光伏功率时间序列进行处理,抑制了原始数据集的混沌特性。用实际数据验证了该算法的预测有效性。结果表明,与传统的支持向量回归模型相比,文中的预测模型可以进一步提高预测精度。此外,文中算法在晴天和阴雨天的情况下都表现出良好的性能。     

一种光伏系统短期功率预测模型

为提高光伏系统发电功率预测精度,优化系统的发电计划,减少电力系统运行成本,进而为系统调度和实时运行控制提供依据以有效减轻光伏发电系统接入对电网的影响,建立一种基于三层神经网络和功率波动特性的短期光伏出力预测模型。利用气象局已发布的日类型和温度信息挑选与预测日最相关的相似日,基于神经网络用相似日历史太阳辐照、温度、输出功率建立光伏系统出力初步预测模型;以预测日天气预报信息作为神经网络的输入获得预测日的功率预测值;基于由光伏系统相似日历史出力数据统计分析得到的波动量统计规律对初步预测结果加以修正,建立了具有较高精度的光伏系统出力预测模型。仿真结果表明该方法建立的预测模型具有较高精度,能够为调度运行人员提供决策辅助。     

基于智能技术的短期负荷预测研究

电力系统负荷预测是电力研究的一个重要组成部分,随着电力智能化的加快发展,为电力负荷预测提供了更准确有效的方法。目前有多种电力负荷预测方法,但由于预测模型适用条件的限制,使得负荷预测存在困难。因此,本文选择了基于统计理论的支持向量回归方法来进行预测。文中结合贵州某经济开发区短期电力负荷的历史数据,应用支持向量回归法对该负荷进行了预测,得到了精度较高的预测结果。