基于时间序列模型的售电量预测方法

采用基于时间序列模型的售电量预测方法,将各项影响因素有机结合,应用回归方程、季节因素分析等理论方法,研究售电量变化在社会发展过程中的规律,并进行阶段性预测,预测准确率保持在98%以上,取得了显著效果。     

大坝监测分析中的时间序列叠合模型

叙述了用时间序列叠合模型建立大坝监测预报模型的2种基本方法:统计-时间序列模型和确定性时序叠合模型。通过统计软件SPSS实现2种时序叠合模型的实例表明，在环境量记录完整的情况下，统计-时间序列模型比单纯的统计回归模型精度要高;在缺少环境量监测或与环境量的因果关系不明显的情况下，用确定性叠合模型分析和预报大坝监测效应量的测值，精度也很高，并能够分离出趋势性分量、周期分量和随机平稳分量，分析的结果简单明了，是大坝监测分析中一种比较好的方法。     

一种电力负荷预测的新型时间序列模型

本文以年、月用电量为基础资料,构成一种时间序列模型,对预测未来年用电量的需求问题作一探讨,以期能对进一步做好中、长期电力规划有所帮助。文中还以东北某地区做一实际举例.     

基于SV模型的风速时间序列峰度分析

风速预测是风力发电领域的重要课题之一。风速波动剧烈,预测难度大,深入发掘风速数据波动性特征对于提高风速预测的准确性有积极意义。根据随机波动(SV)模型的峰度分析技术,研究风速时间序列的高峰度特征。基于电力系统领域对峰度的定义,理论推导并证明SV超峰度定理的衍生形式,建立适应风速预测的SV风速模型,模拟风速数据的整体峰度。在分析SV-t族模型的基础上,为选择适当的SV风速预测模型的条件分布类型提供了一种有效方案。实际风电场数据算例分析表明,该方法能有效建立高峰度特征的实际风速模型,对实际风速建模有一定的实用意义。     

观测数据分析中几种方法的探讨（三）混沌时间序列的预测

介绍了混沌时间序列分析中根据单个时间序列重建相空间，用关联维方法和李雅普诺夫指数来辨识观测数据中存在混沌的可能性，以及全局和局部预测方法。这些概念与技术必将对大坝监测的非线性预测发挥重要影响。     

观测数据分析中几种方法的探讨（二）整体分析与多变量灰色模型

首先介绍了用因素分析法进行监测数据的整体分析。计算结果表明该方法的确能从较多的数据中提取出含义明确的关键因素，能阐明坝体变形的特征，而且由模型复制出的数据与原来数据很接近，两者间有高的相关系数。然后，介绍了用多变量灰色模型MGM（1， n）来处理有多个相关变量并且是小样本量预测的问题。对某土石坝的应用经验表明，这一模型与算式是可行和有效的，与其他模型如GM（1，1）相比较，MGM（1， n）模型能反映出多变量间的相互影响，且可获得更好的预测结果。     

基于时间序列分析的风电功率预测模型

风电功率的精确预测对于电网合理调度,降低电网运行成本和保证电网系统安全性等方面有重要的意义。基于风电功率历史数据具有的时间序列特性,应用时间序列法建模,对风电场的发电功率进行短期和中长期预测,同时分析单一机组和汇聚机组对预测效果的影响。实证研究结果表明,利用时间序列分析方法,能比较精确地预测风电场发电功率,且短期内预测平均绝对百分比误差不超过15%,预测的合格率已超过85%,并且集中开发的方式可以减少预测误差。     

基于时间序列ARMAX模型的短期电价预测方法

电力市场环境下,准确的电价预测可为市场参与者制定合理的竞争策略提供重要的参考信息.在对美国PJM电力市场日前电价的各种影响因素和波动规律综合分析的基础上,建立了一个基于ARMAX考虑负荷与电价之间非线性关系的短期电价预测模型.对PJM电力市场2008年1月到4月的历史数据的算例研究表明,该方法能够准确反映电价的变化规律,具有较高的预测准确性.     

基于PMU数据和时间序列模型的发电机参数识别

电力系统动态仿真的精度往往由同步发电机等元件模型及参数的精度所决定。在对同步发电机模型进行时间序列分析的基础上,提出了一套依靠同步相量测量单元对惯性时间常数、发电机转速调节常数以及涡轮调速器的时间常数等发电机动态参数进行识别的方法。该方法首先将发电机的经典模型和摇摆方程统一转换为一个时间序列模型,并利用线形参数辨识方法对此时间序列模型的参数予以辨识;最后通过求解发电机模型参数与时间序列模型参数的等式关系得到发电机的模型参数。对不同功率变化波形进行了仿真试验,按照本文方法计算得出的发电机参数与实际参数一致,验证了本文提出方法的有效性。     

一种基于趋势的时间序列相似性模型

针对传统基于欧氏距离的时间序列相似性模型,搜索相似时间序列子段效率低、形态不完整的问题,本文提出了一种基于趋势的时间序列相似性模型。该模型以时间序列分段线性表示和符号化为基础,通过计算符号串的编辑距离得出时间序列在形态上的差异性。同时该模型把时间序列长度和时间序列变化幅度单独考虑,扩大了该模型的使用范围。实验表明,本文提出的基于趋势的时间序列相似性模型,在相似性匹配方面,搜索效率高于传统基于欧氏距离时间序列相似性模型;同时,该模型侧重于形态方面的相似性,所以对时间轴方向的偏移和白噪声不敏感,适用于不等长时间序列的相似性匹配。     

一种用于短期电价预测的分时段时间序列传递函数模型

在电力市场环境下,准确的价格预测可为市场参与者制定合理的竞争策略提供重要信息.本文提出了一种基于时间序列法的分时段传递函数模型来预测短期电价,该模型考虑了负荷因素对电价的影响,同时利用累积式自回归滑动平均模型(ARIMA)对电价序列和负荷序列的非平稳性进行处理,并且对一天24个小时时段分别建立了预测模型.采用加州历史电价数据进行算例研究,结果表明,利用本文模型进行电价预测能够提高预测的准确性.     

一种用于短期电价预测的分时段时间序列传递函数模型

在电力市场环境下,准确的价格预测可为市场参与者制定合理的竞争策略提供重要信息。本文提出了一种基于时间序列法的分时段传递函数模型来预测短期电价,该模型考虑了负荷因素对电价的影响,同时利用累积式自回归滑动平均模型（ARIMA）对电价序列和负荷序列的非平稳性进行处理,并且对一天24个小时时段分别建立了预测模型。采用加州历史电价数据进行算例研究,结果表明,利用本文模型进行电价预测能够提高预测的准确性。     

基于相似模型泛函时间序列的短期电力负荷预测

采用一种新型的泛函时间序列方法预测短期电力负荷．建立一种历史日分段负荷与预测分段负荷相似模型的加权平均关系,根据实际观测的分段负荷与参考的分段负荷之间的贴近度．从历史数据中辨识出历史分段负荷,进而通过这种方法捕获需要预测的负荷特性和量化特征。为便于比较说明,将所提泛函时间序列方法应用于某地区的历史日负荷数据,并与近年文献中提出的类似方法进行了比较,证明了本文所提短期负荷预测方法的可行性。     

一种新的风电场风速时间序列建模及超短期预测方法

提出了一种新的风速时间序列建模方法。首先,将归一化后的历史风速时间序列分解为矢量集,按相似性度量原则提取相似性最高的多个矢量作为模型训练样本对的输入,再取相应矢量的下一时刻风速值作为训练样本对的输出,然后采用自适应模糊推理系统来对风速序列建模,再通过多步循环预测实现了风速的超短期预测。以上海地区某风场的实际风速数据为例,验证结果显示预测模型具备良好的精度。     

基于时间序列和神经网络的电力设备状态异常检测方法

为进一步提高电力设备异常检测方法对设备信息的利用率,发现更多潜在设备故障,结合大数据分析技术和设备评估技术,提出了一种将时间序列和神经网络相结合用于电力设备状态数据异常检测。首先通过时间序列自回归模型和自组织映射神经网络将连续的电力设备数据离散为单个序列,对时间轴上的状态变量转移概率进行计算,通过状态转移概率和聚类算法快速检测数据异常。通过实验对该方法的有效性进行验证。 结果表明,该方法能快速有效地检测出电力设备的异常状态。     

基于时空自回归移动平均模型的风电出力序列模拟

多风电场出力序列间的时空耦合相关性对风电并网下的电力系统运行具有重要影响。时空自回归移动平均(ST-ARMA)模型以较为简洁的形式对多维序列时空耦合相关性进行统计建模。针对多风电场出力时空序列的模拟问题,首先从时空序列的角度对风电场实测功率数据进行了统计分析,着重探讨了多风电场出力的时空耦合相关性。在此基础上,采用空间关系矩阵对风电场位置进行描述,并将其嵌入ST-ARMA模型的自回归过程建立多风电场出力序列的时空耦合相关性模型。该模型有效地模拟了实测风电场出力序列的时间相关性、空间相关性以及二者之间的耦合特性,可用于产生大量与实际风电出力统计特性相同的模拟数据,为风电并网下的电力系统运行与规划研究提供数据基础。     

基于小波分析和时间序列的风速预测

由于风速具备很好的时序性和随机性,因此选用时间序列的ARMA（p,g）模型对风速进行预测。为了进一步提高预测精度,先利用小波多分辨分解对全风速进行高低频分解,提取出低频平缓信号,然后对平缓后的数据进行时间序列预测。并以某风电场实测风速为例,实际算例表明：该组合模型可以有效提高风速预测精度,具有一定实用性。