电力负荷预测的遗传规划方法

用遗传规划法建立负荷预测的数学模型。遗传规划法是模拟生物进化过程的一种搜索寻优方法,其实质是用能根据环境状况动态改变的广义的层次化计算机程序描述问题。在负荷预报应用中,遗传规划法能自动找出与负荷变化密切相关的因素,用其作为自变量,生成函数表达式来体现负荷的变化规律,建立负荷预报模型。通过实例计算并与传统预报方法相比较,验证了该方法的有效性。     

负荷预报中负荷规律性评价方法的研究

负荷预报是一个历久不衰的研究课题,以往的研究主要集中于预报方法,而缺乏对负荷自身变化规律的分析和评价。这不仅导致了难以公允地评价负荷预报方法,也使运行部门对负荷预报所提出的精度要求缺乏客观依据,该文阐述了评价负荷规律性的必要性,并建立了相应的评价方法,文中分析了负荷历史数据,负荷预报以及预报误差之间的关系,构建了一种基于统计分析的负荷规律性评价方法。在此基础上,建立了预估负荷预报误差极限的分析方法,运用所提出的方法对负荷变化的规律性进行评价,不仅可以客观地评价负荷预报方法的优劣,还可以根据不同负荷的规律性确定切实可行的负荷预报精度要求,文中给出的算例说明了方法的有效性。     

一种内蕴误差评价的负荷预报方法

提出了一种基于内蕴误差评价的电力系统短期负荷预报方法。该方法建立在对负荷规律性和预报方法有效性全面评估的基础上,使预报和误差评价融于一体。运用该方法可以有效地诊断导致预报误差的主要因素,并在预报前估计预报误差的上下限,从而对发掘提高负荷预报准确度的潜力有所帮助。实例表明,该方法应用于短期负荷预报和预报精度评价是有效的。     

利用神经网络PRPE算法进行短期负荷预报

本文根据神经网络的并行递推预估误差训练理论,建立了一种负荷预报的新算法——PRPE预报算法。该算法属利用多层前传网进行负荷预报的范畴,由于该算法有效的权重训练方式,使其收敛速度大大高于传统的BP算法。尽管该算法的训练过程比较复杂,但对于时段负荷预报这类单输出系统,总体训练时间较BP算法成倍减少,且预报精度较高。可用于在线短期负荷预报。     

电力系统中专家系统的应用综述

2.6 电力系统短期负荷预报 虽然已经提出了很多方法如时间序列预报和回归分析方法进行短期负荷预报,但调度员预报负荷时并不仅仅依赖于这些方法,而是基于他们对电力负荷与气象参数、季节、星期几、每天的具体时间及响应的时间滞后效应之间的关系的经验性的认识,并参考统计预报方法所得到的结果预报负荷的,这是因为负荷反映了政治生活、工农业生产和人民生活的各个方面,很     

基于分区逐时气象信息的全网负荷预测研究

负荷与气象是密切相关的,尤其在夏冬两季。以省网负荷预报为例,在传统的电力负荷预测中,所采用的气象信息一般是全省、全天的气象信息,比如全省最高温度、最低温度等等。当前,气象预报技术已经可以做到分区、逐时预报。该文总体思路是将分区逐时气象预测数据应用于负荷预报,以进一步提高负荷预测精度。指出了按照行政区域和气候区域相结合来分区,定义了基于负荷的综合气象因素,提出了根据网供电与综合气象因素进行预测的策略,给出了将相似日方法与支持向量机相结合的负荷预测方法。最后给出在河南电网应用的实际结果,对比表明采用逐时气象信     

基于分区逐时气象信息的全网负荷预测研究

负荷与气象是密切相关的,尤其在夏冬两季.以省网负荷预报为例,在传统的电力负荷预测中,所采用的气象信息一般是全省、全天的气象信息,比如全省最高温度、最低温度等等.当前,气象预报技术已经可以做到分区、逐时预报.该文总体思路是将分区逐时气象预测数据应用于负荷预报,以进一步提高负荷预测精度.指出了按照行政区域和气候区域相结合来分区,定义了基于负荷的综合气象因素,提出了根据网供电与综合气象因素进行预测的策略,给出了将相似日方法与支持向量机相结合的负荷预测方法.最后给出在河南电网应用的实际结果,对比表明采用逐时气象信息的预测精度比采用全天性气象指标的预测精度更高.     

电力系统日负荷预测改进的AR和AN方法

采用传统的自回归模型（ＡＲ模型）与人工神经元模型（ＡＮ模型）相结合建立预报模型,并应用遗传算法（ＧＡ算法）对模型的参数进行精确估计,以历史负荷数据为依据对未来日负荷进行离线预报,并通过华中电网实际负荷资料进行检验,证明此方法具有较好的精度。     

超短期供热负荷预测技术研究及应用

针对大机组供热改造日趋普遍的现状,简要介绍了供热负荷的特点和3类供热负荷预测技术,结合工程实际介绍了一种超短期供热负荷预测技术,比较了该方法与传统计算方法的应用效果,并简要分析了供热负荷预测技术在电网调度预测管理方面应用,为全网可调出力的及时预报提供了技术支撑.     

基于支持向量机的时间序列交叉负荷预报方法

针对电力系统负荷具有拟周期性、非线性、非平稳性和随机性等特点,提出一种支持向量机(support vector machines,SVM)预报模型,并研究它在电力系统短期负荷预报中的应用:通过相空间重构理论,挖掘时间序列数据横向和纵向隐周期性信息,给出了SVM横向和纵向预报样本的构造方法;利用SVM预报方法适应电力系统负荷的非线性;最后,利用SVM时间序列交叉预报方法降低随机因素对负荷预报的影响。算例结果表明,该方法能够揭示负荷的拟周期性、非线性和随机性,且仅采用时间序列交叉就可得到较高的预报精度,便于工程应用。     

基于改进FLN的短期电力负荷预测算法

短期电力负荷的预测对电力系统具有重要的意义.利用剪枝和附加动量法对标准函数连接神经网络(FLN)进行改进,并将电力负荷的机理和先验知识有机融入,构成了改进的FLN预测网络.对安徽电网电力总负荷的实际预测结果证明了该算法的有效性和优越性.     

一种基于决策树技术的短期负荷预测算法

提出了一种基于决策树技术的短期电力负荷预测新方法,能有效地考虑非负荷因素对短期负荷预测的影响.文中详细介绍了决策树技术的原理及其在短期负荷预测中的实现方法.实际电力系统应用结果数据表明,该方案能够有效提高短期负荷预测的精度.     

基于小波分析的月度负荷组合预测

针对电力系统月负荷数据同时具有趋势增长性和季节波动性的非线性特征，提出了一种基于小波变换的月负荷预测方法。通过小波变换把月负荷序列分解为多个频率成分的叠加，针对不同频率成分的不同特点采用不同的预测方法，最后将各频率成分的预测结果重构进而得到预测数据。该方法避免了考虑气候、政策等因素，仅利用电力负荷历史数据进行预测。实例结果表明采用该方法进行月负荷预测可以达到较高的精度。     

电力系统短期负荷预测方法综述

简述了短期负荷预测的概念和意义,分析了短期负荷预测的特点和影响预测精度的各种因素,将目前的预测方法分为经典方法、传统方法、智能方法和预测新方法。综合分析了目前各种预测方法的应用原理,详细分析和比较了各个预测方法的优点和不足之处。提出提高短期负荷预测的精度不仅重视历史数据的积累,更应注重选择合适的预测模型,综合预测模型是未来电力负荷预测方法的发展方向。     

电力负荷预测研究综述

为适应智能电网快速响应的要求,电力负荷预测成为智能电网关键任务之一。精准的电力负荷预测响应对电力系统运行的安全性、稳定性、经济性起着至关重要的作用。首先,介绍电力负荷预测的特性及分类;随后,分析电力负荷预测的影响因素,并介绍电力负荷预测的基本步骤和性能评价指标;再将电力系统负荷预测的研究分传统预测方法、机器学习预测方法及深度学习预测方法等3类展开阐述;最后,总结所做的工作并展望电力负荷预测的未来发展方向。     

基于解耦机制的小地区短期负荷预测方法

小地区短期负荷预测是电网企业精细化管理的重要手段。针对小地区短期负荷预测的特点,提出了基于解耦机制的误差分析模型和预测机制,将短期负荷预测分为负荷水平预测和标幺曲线预测两部分。小地区负荷结构单一,标幺曲线相对稳定;负荷基数较小,负荷水平的波动比较明显;标幺曲线和负荷水平受不同因素的影响,影响机理不同,分别预测有利于提高预测精度。提出了标幺曲线和平均负荷预测方法,理论分析和实践均证明,该方法能较好地把握负荷发展规律,提高了标幺曲线和平均负荷的预测精度,使总预测效果得到了改善。     

基于负荷趋势的新型超短期负荷预测法

结合浙江电力发电市场超短期负荷预测的需求,在充分分析电网负荷特性的基础上,提出了基于负荷趋势的新型超短期负荷预测法.该方法简单实用,并将负荷伪数据的判别和加工修改融合在预测过程中.算例分析表明,该方法预测结果误差分析指标优于浙江发电市场中现行的各种超短期预测方法,是一种工程实用性较强的方法.     

电力系统负荷预测技术

负荷预测是电力系统规划、供电、调度等部门的重要的基础工作,讨论了负荷预测的特点、分类及各种成熟的负荷预测技术,研究了现代负荷预测技术的发展动态,并指出未来主要的研究方向。     

基于改进回归法的电力负荷预测

提出了一种基于改进回归法的电力负荷预测方法,在对历史数据进行分析和参数估计的基础上,先用岭回归法剔除奇异值,再用主成分回归法提取影响负荷的主要因素,得出模型的解析形式。针对实际系统的应用验证了该方法不仅适用于短期负荷预测,也适用于超短期负荷预测。此外建立了一些特定因素的模糊函数,在超短期负荷预测过程中采用了聚类分析法提取负荷相似日。通过不同的简化,该方法可蜕化为传统的Kalman预测、相似日预测和神经网络预测,是一种比较全面的负荷预测方法,可得出高精度的预测结果。     

Load forecasting using support vector Machines: a study on EUNITE competition 2001

Load forecasting is usually made by constructing models on relative information, such as climate and previous load demand data. In 2001, EUNITE network organized a competition aiming at mid-term load forecasting (predicting daily maximum load of the next 31 days). During the competition we proposed a support vector machine (SVM) model, which was the winning entry, to solve the problem. In this paper, we discuss in detail how SVM, a new learning technique, is successfully applied to load forecasting. In addition, motivated by the competition results and the approaches by other participants, more experiments and deeper analyses are conducted and presented here. Some important conclusions from the results are that temperature (or other types of climate information) might not be useful in such a mid-term load forecasting problem and that the introduction of time-series concept may improve the forecasting.