基于负荷分解的日最大负荷预测方法研究

提出了1种基于负荷分解的日最大负荷预测算法,即将负荷分解为正常负荷分量和天气敏感负荷分量,用结合指数趋势和周期趋势的组合模型预测正常负荷分量．用神经网络法预测天气敏感负荷分量。同时,在分析最大负荷和人体舒适度相关性的基础上,在预测中用人体舒适度替代了常规气象因子。预测结果表明,该方法可以取得较为满意的预测效果。     

适用于地区电网的几种实用的负荷预测方法的探讨

电力负荷预测在电力系统规划和运行方面发挥着重要作用,其方法的研究也显着越来越重要。结合上海某地区负荷预测,对业扩工询法、负荷结构法和负荷功能块法等几种实用的负荷预测方法进行探讨,为今后地区电网负荷预测工作提供参考和借鉴。     

短期负荷预测中的负荷求导法及天气因素的使用

为了将超短期负荷预测中具有高准确率和高可靠性的负荷求导法移植到短期负荷预测中,从采用差分运算、降低直接预测的数值,以及充分使用负荷“近大远小”、“相似日”性质等角度对其进行了分析。结果表明可以将负荷求导法用于短期负荷预测。将其与标准日负荷曲线取平均作为预测结果,示例表明日平均误差小于2%。若将最近15天左右预测值与实际负荷值之间的差值,再通过各敏感点负荷与平均气温等作回归分析,可以实现考虑天气的负荷求导法。     

电力负荷特性预测软件及其在浙江电网中的应用

介绍了新开发的电力负荷特性预测软件包实现的年持续负荷曲线预测和典型日负荷曲线预测的预测原理和方法.软件既能通过多种负荷预测模型对未来年的年最大负荷、用电量进行预测;也能对未来年的负荷特性曲线进行预测.其中,年持续负荷曲线采用排序法进行预测;典型日负荷曲线采用分行业叠加法进行预测.应用结果表明本软件的预测效果较好,达到了实用化水平.     

区域电网规划负荷预测实例

负荷预测是电力规划的基础,采用线形趋势模型法、电力弹性系数法、空间负荷密度法对广州经济技术开发区进行了负荷预测。提出了负荷指标的改进方法,并对新发展起来的空间负荷密度法进行了论述。几种负荷预测方法的结合有效改善了负荷预测结果。     

一种基于改进分类和回归树的神经元网络电力负荷预测方法

通过改进CART(分类和回归树)分类法选择训练样本，可以降低与预测日不一致负荷模式的影响，提高预测精度，并运用人工神经元网络预测下一天的96点负荷，主要包括3个部分，首先，运用CART分类法将输入空间分成若干矩形互斥区域，每一个区域对应一种负荷模式；其次，根据分类结果选取神经元网络的训练样本．最后，合理映射天气因素和日期、星期类型并进行预测．实际应用表明本方法对于大波动负荷地区能够改善预测精度，提高预测速度．     

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。     

配电网规划中负荷预测实际问题探讨

回顾了数年来近百个实际配电网规划项目和相关文献,从县级配电网和城市配电网规划中的负荷预测两方面,介绍了工程实践中常用的负荷预测方法,指出了实际负荷预测中的难点并提出了对策。对于县级配电网规划中的负荷预测,重点分析了一般负荷与点负荷分开预测的"大用户加自然增长法";对于负荷分布预测,推荐采用基于政府部门用地规划的分类分区法和饱和密度法,并讨论了其关键参数的典型取值和相关软件工具的功能。     

基于行业大数据的饱和空间负荷预测方法

传统饱和空间负荷预测方法以负荷密度法为主,其工业划分未能准确反映各细分行业负荷特性,且关键指标取值主观因素影响较大.为此提出一种基于行业大数据的饱和空间负荷预测方法.方法 细分行业,大数据分析确定关键参数,校验现状负荷和点负荷,叠加行业负荷曲线得出最大负荷.对某市进行预测,结果表明能更切实反映行业负荷特性,提高关键指标取值和预测结果客观性.     

基于变化趋势和气象因子的加权负荷预测方法

针对采用趋势变化法预测电力负荷时,存在因未充分考虑气象因素而影响预测精度的问题,提出了一种基于变化趋势和气象因子的加权负荷预测方法。该方法综合考虑气温、湿度和天气类型3个气象因子,对基于变化趋势的电力负荷预测方法进行修正。分析了基于变化趋势的电力负荷预测方法存在的2个问题：未考虑外界因素对电力负荷变化趋势的影响和预测电力负荷时存在累计误差。在充分研究日内平均负荷变化率和点间平均负荷变化率的基础上,给出了算法的详细计算步骤,并将其应用于苏北某地区电力负荷的预测算例中。结果表明该方法的预测误差为3.42%,预测精度高且数据波动小,验证了该方法的有效性和可行性。     

基于短时间尺度相关性聚类的负荷预测

负荷预测不仅是电力系统稳定、安全运行的基础,同样也是实现电力需求侧智能用电管理的基础。短时间尺度相关性分析能够挖掘一段时间内负荷的用电行为,相似用电行为分析有助于改善负荷预测效果,因此本文提出了基于短时间尺度相关性聚类的负荷预测方法。首先,根据短时间尺度用电时间序列之间的皮尔逊相关系数构造相关系数矩阵,并对相关系数矩阵进行去噪处理;然后,基于相关系数矩阵,利用模糊c均值聚类的方法来实现不同用电特性负荷之间的聚类,每类中负荷具有相似的用电行为;再分别对每一类中所有负荷数据求和并利用人工神经网络进行超短期负荷预测,基于每类的负荷预测结果计算系统的负荷预测;最后,通过对某110kV变电站10kV负荷馈线的实际数据进行分析,分析结果表明基于短时间尺度相关性分析的聚类提升了负荷预测的效果,从而验证了本文所提方法的有效性。     

基于层次分析法的电力负荷组合预测

为提高电力系统负荷预测的预测精度,提出了一种基于层次分析法的中长期负荷预测组合预测的方法,依据层析分析法中要素权重求取原则,建立了阶梯层次结构,构建两两比较矩阵,分层次对权向量取值,实现了中长期负荷组合预测下各单一负荷预测的总权重的求取,提高了权重求解的准确性;利用组合预测的原理,按照层次分析法中求解出的权重系数,将多个预测模型的预测结果进行拟合,得到组合预测的结果,从而有效减小单一负荷预测中不确定性因素带来的误差,规避各单一预测方法的不足,减少单一负荷预测对电力系统负荷预测的预测风险,提高预测精度。最后利用某县2005-2010年的除大用户用电负荷作为算例进行实例分析并证实了所提方法的科学性、实用性。     

奉贤地区电力需求发展分析

根据上海市奉贤地区电量增长、电量构成及负荷分布特点等情况,以GDP、人口、历史电力数据等参数,采用主要地块负荷密度法预测2010年该地区负荷及2020年远景负荷,并用回归模型预测法对预测结果进行校验.     

基于单纯形法的中长期典型日负荷曲线预测研究

针对现有的典型日负荷曲线预测方法的不足,在研究用电结构的基础上,建立了基于单纯型的典型日负荷曲线预测模型,并将预测结果与支持向量机算法的预测结果加以比较.从预测结果对比分析可以看出,起始阶段支持向量机算法比较准确,而末尾阶段单纯形法预测精度相对较高,中间部分相差不大.对于拐点比较大的时刻,预测误差普遍较大.     

基于饱和负荷密度指标约束下的大连市中心区电网负荷预测

随着城市电网发展与城市发展之间的协调问题越来越突出,电力饱和负荷预测对电网的规划与发展具有重要的作用。以大连市经济社会发展现状为基础,结合城市发展定位和发展规划,参照国外发达国家或城市的主要经济指标,分别采用基于人均用电量的特征参数类比法、饱和负荷密度特征参数类比法以及空间负荷预测法,对大连市中心区饱和负荷进行了预测,并进一步研究得出城市中心区饱和负荷在空间上的大致分布,为城市电网规划中确定变电站站址和线路走廊提供借鉴。     

电力负荷预测的方法研究

阐述了电力负荷预测的基本概念和方法,收集了本地区近5年来经济发展的GDP值和供、售电量的历史数据,采用弹性系数法、时间序列法和回归分析法对本地区未来5年的电力负荷进行预测,并且对预测结果的准确性和各类预测方法的优缺点进行分析对比,分析结果表明,优选组合预测法具有较好的预测效果.     

A new method for short-term load forecasting based on fractal interpretation and wavelet analysis

Load forecasting based on fractal interpolation is a very important method. However, traditional methods exists several disadvantages such as vertical scale factor difficult to calculate, low-precision, difficult to use. Therefore, a method is proposed combined with self-similarity theory and fractal interpolation theory to solve the above problems. In this paper, the self-similarity of electrical load historical data is analyzed using multi-resolution wavelet firstly, then use the Hurst parameter values to calculate vertical scaling factors in Iterative Function Systems (IFS) based on the values of Hurst parameter. The vertical scaling factors can be used to get the other parameters of IFS affine transformation. Then the electrical load forecasting curve was generated by the iterations system. According to the actual needs of electricity production, this algorithm was used to forecast electrical load from two aspects: fractal interpolation and fractal extrapolation, and the average relative errors are only 2.303% and 2.296%, in the case of only six interpolation points for the entire set of forecast data. The result shows this algorithm has advantages of high-precision, less-sample demands, less-interpolation points and easy to use.     

考虑数据周期性及趋势性特征的长期电力负荷组合预测方法

为解决长期电力负荷预测精度不足及模型适用性不强等问题,考虑将区域经济发展、社会发展等多项宏观指标与区域用电负荷的时间序列数据进行因素耦合。利用BP神经网络与差分整合移动平均自回归方法(ARIMA)整合改进预测模型,提高年度负荷预测模型的趋势预测能力。采用函数型非参数方法预测月度负荷数据中周期性负荷数据,将年度负荷预测与月度负荷预测相结合以提高模型整体预测精度。最后通过灰色预测等模型数据比对及MAPE误差分析方法验证,考虑数据周期性与趋势性组合的模型方法预测精度显著提升,适用于区域电力负荷的长期性预测。     

采用长短期记忆深度学习模型的工业负荷短期预测方法

工业负荷不同于其他电力负荷, 受气温、时间、人口等外部因素的影响较小, 其功率需求主要由相关企业的生产计划来决定。在电力市场环境下, 准确的负荷预测有助于工业用户更好地制定电力交易策略, 从而增加收益。在此背景下, 基于改进的长短期记忆（long short term memory, LSTM）深度学习网络模型, 提出了一种工业负荷短期预测算法。首先,在网络层次上构建层数更多即网络层次更深的LSTM深度学习负荷预测模型。接着, 在每个LSTM单元构成的隐含层中, 采用Dropout技术对神经元进行随机概率失活, 并通过正则化有效避免深度学习过拟合问题并改善了模型性能。然后, 采用真实的工业用户历史负荷数据对所提算法进行测试, 并与已有的短期负荷预测算法进行对比, 包括自回归滑动平均模型 （auto-regressive and moving average model, ARMA）, 最邻近回归算法 （K nearest neighbor regression, KNN） 以及支持向量回归算法 （support vector regression, SVR）。仿真结果表明, 所提深度学习工业负荷短期预测算法相比于一些现有方法, 其预测准确度有明显提升,预测结果的平均绝对百分误差（mean absolute percentage error, MAPE）在9%以下。