短期负荷预测中考虑积温效应的温度修正模型研究

由于夏季负荷受温度因素影响较大,持续高温天气会造成积温效应,导致负荷出现一定程度的非常规增长,传统的短期负荷预测方法难以满足实际需求。因此,为了反映积温效应的影响程度,本文提出了温度修正模型,通过拟合温升曲线、求解负荷温度弹性系数来确定高温日的界限温度,同时给出了利用相关系数求解最大累计天数和累积效应系数的方法。算例分析表明,所提出的方法能够准确地反映积温效应的影响,提高短期负荷预测的精度。     

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。     

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。     

负荷预测中的温度热累积效应分析模型及处理方法

为研究气温与电力负荷的关系,剖析了夏季温度与负荷之间的相关性,在此基础上分供电能力充足和供电能力不足两种情况讨论了热累积效应对负荷的影响,提出了基于模糊理论的温度热累积效应与负荷的关系模型及处理方法。在实际负荷预测过程中,采用上述方法对持续高温日负荷预测结果进行了修正。分析结果表明,该模型能有效地反映热累积效应和负荷之间的变化关系。     

基于改进积温效应修正模型的负荷预测

针对积温效应会造成电力负荷异常增长,传统负荷预测方法精度较差的问题,基于积温效应对电力负荷影响进行分析,提出了基于改进积温效应修正模型与参数优化支持向量机的负荷预测方法。首先分析气象因素与气象负荷的相关性,确定积温临界值,对积温效应强度和温度之间的关系进行研究,提出了一种改进积温效应温度修正模型。然后利用PSO对支持向量机参数进行优化,利用优化支持向量机对日负荷进行预测。最后通过算例实例证明了该方法的有效性,可有效提高短期负荷预测的精度。     

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。     

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。     

考虑高温累积效应的夏季日最大负荷预测

对湖南地区夏季日最大负荷与温度进行敏感性分析,得出夏季温度对负荷的影响可分为2个阶段,并提出变换公式来描述平均温度对负荷的阶段性影响。确定出现高温累积效应的温度界限值,并以高温持续天数与最高温度定义高温累积效应,直观反映持续高温对负荷的影响程度。引入温度的＂1度效应＂和高温累积的＂1天效应＂概念,并对其进行分析。建立考虑温度变化、持续高温和人们生产、生活规律的夏季日最大负荷预测模型,验证了高温累积效应的方法合理、有效。     

基于神经网络和模糊理论的短期负荷预测

电力系统负荷预测是能量管理系统(EMS)的重要组成部分,它对电力系统的运行、控制和计划都有着非常重要的影响,提高电力系统负荷预测的准确度既能增强电力系统运行的安全性,又能改善电力系统运行的经济性,但负荷预测的复杂性、不确定性使传统的基于解析模型和数值算法的模型难以获得精确的预测负荷。为提高电力系统短期负荷预测准确度,构建了一种新型的负荷预测模型。该模型首先采用多层前馈神经网络,以与预报点负荷相关性最大的几种因素作为输入因子,以改进BP算法作为预测算法,来获得预报日相似日负荷曲线;然后引入自适应模糊神经网络,用于预测预报日的最大、最小负荷;针对模糊神经元的权值更新问题,采用一种新的权值更新算法———一步搜索寻优法,在获得预报日相似日各点负荷和最大、最小负荷的基础上,通过纵向变换,对预报日的负荷修正,进一步减小预测误差。用上述模型和算法预测某地区电网的短期负荷,取得了良好的预测效果。     

电力负荷短期预测的模糊专家系统修正方法

针对人工神经网络短期负荷预测方法的不足,考虑天气中的日平均气温,天气状况以及特殊事件等影响负荷变化的主要因素,利用专家经验,模仿专家处理问题的方法,设计了一个模糊专家系统,对负荷预测结果进行修正,以提高负荷预测精度,通过合理选择模糊推理规则的原因,有效地减少了规则的数目,使得人工总结专家经验并确定模糊推理规则成为可能,减少了计算量,提高了算法速度。     

基于人工神经网络和模糊集的电力系统短期负荷预测方法

综合考虑到温度、日期类型和天气等因素对短期电力负荷的影响,提出了一种将人工神经网络(ANN)RBF模型和模糊逻辑相结合的短期负荷预测方法.该方法将电力负荷分为周期性的基本负荷和受多种因素影响的变动负荷两部分,对于周期负荷用ANN进行预测,采用负荷预测中比较精确的RBF算法;变动负荷采用模糊逻辑对天气因素、温度、日期类型分别做不同的模糊处理,然后利用模糊推理规则对基本负荷预测结果进行修正.通过典型算例与普通BP法预测结果相比较,结果表明该方法具有较高的预测精度.     

基于模糊聚类与RBF网络的短期负荷预测

采用模糊聚类分析方法,应用隶属度来描述负荷与影响负荷变化因素之间的关系,得到一批与预测日在样本信息上类似的历史日;改进RBF网络的训练算法,增强RBF网络的局部逼近能力和泛化能力,采用由模糊聚类分析获得的样本对RBF网络进行训练,在不需大量训练样本的前提下实现对短期负荷的预测。对浙江省某地区电网的实际负荷数据仿真结果表明:该方法预测的日平均相对误差为1.91%,预测准确度为97.41%。     

南京市夏季气温--日峰荷特性分析

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。南京市夏季的季节性成分在一年中为最大,其中温度因子的影响是其构成的主要因素。通过对1996－1999年期间夏季典型日负荷曲线、夏季日峰荷与温度因子的相关性分析和对温度因子热积累效应的研究,为提高电力负荷的预测精度打下了基础。     

基于模糊神经网络的电力负荷短期预测

针对电力负荷的特点,综合考虑了温度及日期类型等因素对日最大负荷的影响,提出了一种采用模糊神经网络进行短期负荷预测的方法,并详细介绍了该方法的实现过程。通过对EUNITE(the European Network of Excellence on Intelligent Technologies for Smart Adaptive Systems)网络提供的实际数据进行详细分析确定了影响日最大负荷的相关因素,进而选择了合适的模糊输入以建立相应的模糊神经网络预测模型,并取得了较为理想的预测结果。算例分析结果充分证明了模糊神经网络在短期电力负荷预测方面具有较好的应用前景。     

Development of peak load forecasting system using neural networks and fuzzy theory

This paper presents a peak load forecasting system using multilayer neural networks and fuzzy theory. Electric load forecasting in power systems is a very important task from the perspective of reliability and economic operation. Daily peak load forecasting is one of the basic operations of generation scheduling for the following day. Therefore, many statistical methods have been developed and used for such forecasting even though it has been difficult to construct a proper functional model. The developed system is applied by neural network and fuzzy theory to forecast for daily, weekly and monthly peak load. The system consists of an engineering workstation (EWS) and a personal computer (PC). The EWS is for learning and data-bases, and the PC is for man-machine interface such as forecasting operation. The system has been used since June 1993. The result evaluated with an absolute mean error is 1.63 percent for 10 months. From the results shown here, the system applied by neural network and fuzzy theory has high validity.