考虑非气象因素的电网夏季降温负荷研究

考虑非气象因素,对夏季降温负荷进行研究。在分析降温负荷与温度因子关系的基础上,对回归模型中降温负荷的常量和变量部分与相应关键影响因素进行进一步的相关性分析,揭示经济因子和区位电能消费倾向因子对电网夏季降温负荷的影响并提出一种新的负荷模型。该模型可根据日最高气温、GDP和城乡人口统计数据的有机组合,实现夏季降温负荷变化规律的有效分析。山东电网夏季降温负荷的规律分析验证了该模型的有效性和适用性。     

夏季日最大降温负荷的估算和预测方法

随着空调等降温设备的大量使用,降温负荷对电力系统安全经济运行的影响越来越显著。以广州市的历史负荷和气温数据为基础,分析了广州市夏季降温负荷与气温之间相关性。首先,考虑到夏季基准负荷逐日的增长量,提出利用灰色系统GM(1,1)模型预测出电网夏季的日基准负荷曲线,进而准确剥离出夏季的日降温负荷曲线,并分析了日降温负荷曲线的“W”型变化特征。其次,基于日最大降温负荷与日最高温度的相关性分析,建立了日最大降温负荷与日最高温度之间关系的分段回归模型,并对日最大降温负荷进行预测。最后考虑温度累积效应的影响,对分段回归模型进行了修正,进一步提高了预测精度,从而为准确预测电网夏季日高峰负荷提供依据。     

基于气象信息和熵权理论的降温负荷估算方法

空调数量增长和极端高温天气使得夏季降温负荷大幅增长,已成为最大负荷屡创新高的重要原因。为了更准确估算降温负荷大小,提出一种基于气象信息和熵权理论的降温负荷估算方法。该方法采用全年最大负荷日负荷曲线与不含降温负荷的基准负荷曲线对应相减后取最大值,从而得到年最大降温负荷。在计算基准负荷曲线时,以气温、相对湿度、降水量等多种气象为轴建立气象坐标系统,通过确定基准气象象限以筛选无降温负荷的基准工作日;根据基准工作日的日最大负荷与气温、相对湿度、降水量等气象信息的相关系数,利用熵权理论确定各基准工作日负荷曲线相对基准负荷曲线权值。最后,利用广州市2009至2013年负荷数据及气象数据估算广州市年最大降温负荷。     

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。     

基于夏季气象因素变化的建筑物空调负荷基线预测方法

随着人们对室内舒适度要求的不断提高,空调使用需求也日益增长,夏季日最大负荷在不断升高,其中,空调负荷占总负荷的比重也越来越大。视空调负荷为建筑物夏季负荷的最主要部分,基于气象因素对建筑物进行短期负荷预测方法的研究,首先研究影响夏季负荷的气象因素,并选出主要因素,然后分析主要影响因素的关系及其与负荷的关系,最后采用BP神经网络算法模型对夏季负荷进行短期预测。     

基于气象指标的安徽电网负荷特性分析及研究

电力负荷特性分析是电网调度运行、生产规划的重要组成部分。为充分发掘安徽电网负荷特性与气象因素的关系,首先对安徽电网基础负荷与气象负荷进行分解;然后基于相关系数法进行多维度气象指标主导因素辨识,在此基础上建立气象指标—负荷二次回归模型,获得气象负荷的灵敏度;最后结合2018年安徽气象情况,阐明了安徽电网2018年夏季负荷特性,并对2019年安徽最大负荷做出预测,对安徽电网负荷预测和电力平衡工作具有指导意义。     

调温负荷的估算方法及影响因素研究

调温负荷包括夏季降温负荷和冬季采暖负荷,已成为电网负荷屡创新高的主要原因。准确把握当地调温负荷特性及其变化趋势对于迎峰度夏工作的顺利完成具有重要意义。首先采用基准负荷比较法,估算了四川地区夏季及冬季典型月的调温负荷;其次通过相关性及敏感性分析,评估了主要影响因素的影响程度;最后综合灰色预测法及回归法,预测了未来四川地区调温负荷的变化趋势。结果表明,调温负荷与气温及空调保有量密切相关,且与后者相关性更高。电力消费观念发生改变,人们对高温和低温的耐受力下降。夏季降温负荷及冬季采暖负荷对气温的敏感性存在较大差异,对空调保有量的敏感性较为接近。随着城镇化率及空调保有量的逐年提升,预计2013年四川地区调温负荷仍维持在高水平。     

夏季电网最大负荷与气温的相关性分析

介绍夏季温度与电网最大负荷的相关性分析方法及其相关程度的判断依据,以河北省石家庄地区夏季电网负荷及温度数据为基础,通过数据预处理、相关系数计算等分析,认为该地区日最低气温与最大电力负荷存在显著的相关性,并采用三次曲线模型拟合和灵敏度分析研究得出电网最大负荷随日最低气温变化的规律.     

考虑实时气象耦合作用的地区电网短期负荷预测建模

传统的短期负荷预测中并未考虑实时气象因素的耦合作用,针对此提出了考虑实时气象耦合作用的时域卷积网络短期负荷预测方法。首先,分析了各项实时综合气象指数与负荷曲线的相关性,进而构建了混合日特征量与实时气象因素的相似日选取方法。然后,引入各项实时综合气象指数作为模型输入。最后,采用能够充分考虑并包容实时气象因素与负荷"时差性"特点的时域卷积网络进行日前负荷预测建模。实验仿真以某地区电网实际负荷为例,研究表明该预测模型能够有效提升地区电网日前负荷预测精度。     

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。     

2005年夏季镇江地区空调负荷特点分析

介绍了2005年夏季江苏镇江地区电网用电情况,阐述了镇江地区夏季空调负荷的特点,分析了日最大空调负荷和日最小空调负荷与温度、湿度及持续高温等因数的关系,划分了影响镇江地区空调负荷变化的温度敏感区,得出了敏感区内温度对空调负荷影响的结论。这一结论对镇江地区今后的负荷预测具有实际的参考价值。     

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.     

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。     

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。     

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。     

气象敏感性负荷特性分析及预测

以电网迎峰度冬和迎峰度夏为背景,将电网负荷中的气象敏感负荷作为研究对象,对负荷预测气象指标进行分析,结合天气预报准确性分析,得出累积温度指标的适用性范围。分别采用基于累积温度指标的预测方法和基于综合气象指标的预测方法对气象敏感负荷进行预测,并针对大幅度升温/降温以及天气转化情况时对预测方法进行改进,提出在累积温平均温度变化超过2℃时,宜采用基于累积温度在平日预测时采用变化和平均温度变化加权指标进行负荷预测,在晴雨转换时采用修正后的综合气象指标预测法的综合气象敏感性负荷预测方法。实际算例和应用表明,该预测算法具有更高的准确度,为目前负荷预测提供一定依据。     

北京地区日最大电力负荷预测模型初探

基于2009—2013年北京地区电力负荷以及自动站气象资料,分析讨论了日最大电力负荷的变化特征以及与气象因子之间的相关关系,并使用2009—2012年资料,通过多元回归建立日最大电力负荷预测模型。研究分析结果表明：日最大电力负荷主要出现在09：00—17：00并与气温存在明显相关性,其中在18.7 ℃以上呈正相关,在18.7 ℃以下呈负相关。使用2013年的数据对模型进行验证,其预报准确率达到91.6%,展现出了良好的预报能力。     

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。     

基于关联分析及堆栈自编码器的气象敏感负荷功率估算方法

气象敏感负荷的逐年增长是夏季电网负荷不断攀升的重要原因,准确估算此类负荷功率对电网运行调度、估计地区需求侧响应能力均有益处。提出了改进典型相关分析方法,建立了负荷-气象非线性关联模型,基于此可计算历史负荷数据中的气象敏感负荷功率。建立了基于堆栈自编码器(SAE)的气象敏感负荷功率估算模型,利用SAE的无监督学习提取日负荷曲线的降维特征,利用关联模型的计算结果作为有标签样本训练估算模型的全连接层,从而由日负荷曲线直接获得气象敏感负荷功率曲线。基于实际电网数据的算例结果验证了所提方法的有效性。     

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...