基于Gauss插值的正交化预测方法在智能电网用电量预测中的应用研究

智能电网的一个重要特征是通过高精度的用电量预测进行电能智能调配,用电量信息的精确预测是电网智能化的关键指标.在此背景下,将高斯正交化插值方法与灰色GM(1,1)预测模型相结合,构造一类新的灰色正交化预测模型--NGGM(1,1),并将此模型应用于智能电网用电量预测研究中.该模型可以有效地解决非等距序列的预测问题,较大程度提高模型的预测精度,优化数据质量,加强电网运行及调配的智能性,为智能电网的辅助决策提供更为符合实际的、可操作的科学参考.最后用所提出的方法对江苏省2008年工业用电量进行预测研究,其结果表明了所提方法的有效性.     

应用回归模型进行昆明电网用电量预测

应用回归模型进行昆明电网用电量预测昆明供电局廖泽龙人们的社会经济活动的实践表明，经济变量之间的关系不外乎两种类型。一类是经济变量之间存在完全确定的关系即精确的关系，这种关系通常称为函数关系。若用图形表示，变量的各对应点完全落在一条理论线上。另一类是...     

智能优化灰色模型在中期用电量预测中的应用

传统GM(1,1)模型在参数a的绝对值较小的情况下近期用电量预测精度较高,中期用电量预测往往误差较大,一定程度上是由于GM(1,1)模型的背景值x(1)(k)取前后2个时刻的平均值造成的.引入向量θ得背景值序列的精确计算式,将GM(1,1)模型推广为GM(1,1,θ)模型.应用微粒群优化这一智能算法求解最优向量,从而构建GM(1,1,θ)模型,并将该模型应用于山东省中期用电量预测.实例分析表明,与传统GM(1,1)预测模型相比,智能优化模型较好地得到了预测点的预测结果,更适用于中期用电量预测.     

智能电网环境下采用关联分析和多变量灰色模型的用电量预测

智能电网的发展将给传统用电方式带来重大变化,在此背景下,基于灰色理论提出一种用电量预测新方法。首先通过灰色关联分析法确定影响用电量的主因素变量,然后采用多变量灰色模型(multi-variable grey model,MGM) (1, n)进行用电量预测,该方法能够反映各因素间的相互制约、相互促进的关系,避免了传统灰色模型GM(1,1)未考虑其他随机因素对用电量影响的局限性。对一个实际电力系统的用电量进行预测,结果表明所提方法能有效提高预测精度且适用于中长期电量预测。     

陕西电网月用电量预测模型的研究

未来年度电网月用电量预测对于电网调度运行非常重要。本文基于月度乘积模型,建立了陕西电网月用电量预测模型,用该模型对陕西电网月用电量进行了预测分析,将预测值与2003年1月至2007年12月期间的实际观测数据对比,年最大误差小于1%,预测精度较高。为准确预测月用电量提供了一种较为可行的分析预测方法。     

陕西电网月用电量预测模型的研究

未来年度电网月用电量预测对于电网调度运行非常重要。本文基于月度乘积模型,建立了陕西电网月用电量预测模型．用该模型对陕西电网月用电量进行了预测分析,将预测值与2003年1月至2007年12月期间的实际观测数据对比,年最大误差小于1％,预测精度较高。为准确预测月用电量提供了一种较为可行的分析预测方法。     

灰色神经网络模型GNNM(1,1)在城市年用电量预测中的应用

针对城市电力系统年用电量增长的特点，将灰色神经网络模型GNNM(1，1)引入城市年用电量预测。GNNM(1，1)模型是把灰色方法与神经网络有机结合起来，对复杂的不确定性问题进行求解所建立的模型。该模型通过建立一个BP网络，来映射GM(1，1)模型的灰色微分方程的解。GNNM(1，1)模型采用BP学习算法，网络经训练收敛后就可进行城市年用电量预测。算例计算表明，与灰色预测方法相比，GNNM(1，1)模型具有更强的适应性和更高的预测精度，适用于城市年用电量预测。     

季度周期模型在我国用电量预测中的应用研究

针对我国仍然存在的季节性缺电问题,根据电力季用电量的周期性变化特点,利用季节周期预测法构建了用电量的季度周期模型来预测未来的季度用电量.根据季节变化特征、电力供需状况、数据可得性等,选取我国2002年第1季度—2007年第4季度的季度用电量作为样本,建立我国用电量的季度周期模型.计算结果表明,预测效果较好.并利用2008年1季度—4季度的数据对季节周期模型进行自适应矫正,使得预测更灵活、精度更高.根据所构建的预测模型预测了我国2012—2014年的用电需求量     

基于多元回归的京津唐电网用电量预测

分析京津唐电网的结构和用电负荷特性,考虑区域的特殊性,把地区GDP和当地常住人口总数作为影响社会用电量的主要因素,利用多元线性回归模型对京津唐地区社会用电量进行预测.按照国家政策分析机组现在和未来的关停情况,根据市场形势分析京津唐地区新增装机容量,得出全年机组利用小时数,为所在区域电厂和电网公司制定年度发电计划和经营预...     

一种新的灰色模型在城市年用电量预测中的应用

城市年用电量由于受经济、社会、气候等多种因素影响,具有一定的灰色特征.针对传统GM(1,1)模型预测误差较大的缺点,将直接灰色预测模型(DGM)引入到年用电量预测中,从而避开了灰微分方程参数辨识时合理选取背景值的问题.以DGM的还原值与实际值的平均相对误差最小化为目标,建立了相应的优化模型并设计了基于微分进化的求解算法.对5种不同增长规律的城市电网年用电量进行预测,并与多种预测方法进行比较,结果验证了所提方法的有效性.     

数据挖掘在智能电网中的应用研究

电力大数据已成为电网公司进行决策的基础,但单纯数据的积累并不能给电网公司带来益处。因此充分利用这些基于电网实际的数据,对其进行深入分析,发现隐含的信息并加以利用,对指导电力企业做出正确的决策具有重大意义。提出了数据挖掘在智能电网中的应用场景,把数据挖掘技术应用于电力负荷预测,研究了在智能电网中应用数据挖掘技术的方法。     

基于多维特征分析的链式电网短期用电量预测研究

针对链式电网短期用电量既具有波动性,又具有非线性特征,导致用电量预测精度低的问题,进行了基于多维特征分析的链式电网短期用电量预测研究。结合组织映射电网与实际环境,借助多维特征分析方法从非平稳随机序列中提取趋势变量和周期变量。通过计算用户多维特征评价结果,能够构建用户多维度用电特征集合,依据该集合分类多维用电特征集,分别为电模式特征和辅助用户特征,通过这些特征能够获取时间序列关键性信息,构建多维特征分析下用电量预测模型,获取整体数据流转情况,完成链式电网短期用电量预测。通过实验研究结果可知,该方法预测效果较好,相比于以往方法能显著提高预测精准度。     

多元线性回归方法在中国用电量预测中的应用研究

利用中国1987～2002年国内生产总值（GDP）和人口总数作为自变量,每年的用电总量作为因变量建立了多元线性回归模型。并根据中国GDP的增长率和人口自然增长率预测了2003～2020年的GDP和人口总数,并以建立的模型为基础预测了中国未来18年的用电量。     

灰色系统理论在城市年用电量预测中的应用--不同预测方法的分析比较

章对各种不同灰色系统（ＧＭ）预测模型进行详细分析比较,针对城市年用电量需求增长的特点,总结出各种ＧＭ模型的优劣及其适应范围,为电力系统工作人员进行年用电量预测提供参考依据。     

新一代人工智能在智能电网中的应用研究综述

智能电网是人工智能 （artificial intelligence, AI） 的重要应用领域之一, 以高级机器学习理论、大数据、云计算为主要代表的新一代人工智能 （new generation artificial intelligence, NGAI） 技术的进步和突破, 将会促进智能电网的发展。首先概述AI的主要方法, 并对NGAI的内涵、特点与技术体系进行论述。之后, 对NGAI在能源供应、电力系统安全与控制、运维与故障诊断、电力需求和电力市场等领域中的最新应用研究情况进行比较系统的综述。最后, 总结NGAI在智能电网中应用的关键问题, 提出人工智能在智能电网中的应用可分为三阶段实施的建议。     

智能电网用户端环境下短期负荷预测方法的研究

智能电网用户端环境下的用电模式有其自身的特点。结合该特点对成熟的神经元网络负荷预测方法进行改进,着重优化预测的输入部分,形成一套适合智能电网用户端环境下短期负荷预测方法。算例结果表明,该方案有助于预测准确率的提高。     

用电量组合预测方法的研究

用电量预测是电力系统调度、实时控制、运行计划和发展规划的前提,是电力部门最基本的决策信息。文章综合考虑经济状况、气候条件等影响用电量的因素,以湖北省历年的数据（包括GDP、产业结构、人口数量、环境平均温度）为基础,采用主成份分析和神经网络相结合的组合方法对湖北省用电量进行预测,预测精度较单一方法更高,可为该地区电力系统提供参考。     

智能电网负荷预测的常用方法分析与选择

在智能电网工作环境中,对未来的负荷展开预测,对于平衡供给、优化电网工作细节、支持诸多设备维护等方面都有积极意义。而在负荷预测领域之中,多种模型层出不穷,因此选择两种最为基础的方法进行剖析,确定其特征,便于在展开电网负荷预测的工作中进行合理选择。     

基于多元线性回归理论的河南省用电量预测

研究了多元线性回归理论模型及其在区域经济中的应用,探讨了多元线性回归模型、未知参数的估计及其参数的检验问题。以河南国民生产总值、人口及全社会用电量的数据资料为例,介绍了多元线性回归算法在区域经济研究中的应用,并对2007—2015年区域用电量进行了预测。     

基于改进灰色GM模型的用电量预测方法研究

季度用电量同时具有增长性和季节波动性二重趋势,而灰色GM(1,1)预测模型只能反映用电量的总体变化趋势,不能很好反映其季节性波动变化的具体特征。提出灰色GM(1．1)用电最预测模型的改进模型——灰色季节变动指数模型GSI(1,1)模型,将灰色预测方法与季节指数有机结合起来。算例表明,与灰色预测方法相比,GSI(1,1)模型具有更强的适应性和更高的预测精度,适用于季节性用电量预测。