省级电网负荷特性分析方法研究

提出了省级电网负荷特性的分析研究思路和方法,以广东电网为例,通过选取合理的负荷特性指标对历史负荷数据进行分析,研究电力负荷特性的变化规律及其与主要影响因素的相互关系,定量定性分析产业用电结构、气温、电力体制改革相关政策等主要因素对于负荷特性指标的影响程度,并预测负荷特性主要指标的变化趋势。省级电网负荷特性的分析结果能够为电网规划阶段的全省电源布局、调峰安排等提供决策依据。     

面向智能物联的动态负荷预测量子进化方法

物联网与智能制造的结合导致大量制造数据的产生,为了实现基于大数据的智能制造电力负荷预测,提出并实现了一种智能物联云计算平台,实现用户与智能物联网之间双向通信控制的快速响应。提出一种基于改进外加输入的自回归滑动平均模型的短期动态负荷预测模型,结合平台中的智能传感设备和历史负荷、天气变化等综合数据,作为预测模型的外部输入变量,并利用改进的实数编码量子进化算法对预测模型进行参数估计以提高动态负荷预测的准确性。利用智能制造企业的实际负荷数据,采用所提方法进行预测并与实际负荷数据及传统方法的预测结果进行比较,实验结果表明,所提方案和算法能够有效提高智能制造过程中短期动态负荷预测的精度,同时通过并行化计算提升负荷预测的速度。     

典型用户负荷特性及用电特点研究

我国用电需求持续增长,为了了解用户负荷发展变化规律,提高电力负荷预测的准确度,需要对电力系统的负荷特性展开研究。在调研大量典型用户负荷的基础上,分析了不同类型用户的负荷特性,总结了各类用户的用电特点,为做好负荷预测、制定科学的电网规划方案提供了依据。     

电力计量中负荷控制技术的发展及应用研究

在电力行业进行革新的大环境下,智能电网已经成为我国电力行业的新风向,电力计量作为电力运行的重要一环,负荷控制技术的使用和发展也被关注。电能作为主要的供给能源,在国内的应用极其广泛,正是因为其地位的重要性和需求的广泛性,为了提高电网运行的质量和效率,对系统中的电力计量以及与之相关的负荷控制技术就有了更高的要求。本文通过文献的查阅以及个人经验的累积对负荷控制技术进行了初步的解析与探讨,将当前电力环境下的电力计量负荷控制的优势进行总结,对其应用进行分析论述。     

夏季电网最大负荷与气温的相关性分析

本文通过对宜昌电网夏季负荷和温度之间的相关性,分析二者之间的内在联系,从而进一步认识和掌握电网负荷结构,更好地了解电网负荷特性、更加有针对性的预测夏季电网负荷走势,为电力运行管理提供理论参考。     

基于弹性网降维及花授粉算法优化BP神经网络的短期电力负荷预测

电力负荷预测为电力系统规划和运行提供可靠的决策依据。随着智能电网的全面发展,数据采集与监视控制系统(SCADA)获取数据量增加,数据的结构也更加复杂,负荷的频繁变化以及地区性的气象因素等都将影响负荷的预测的准确性。提出一种弹性网(EN)进行大数据降维以及花授粉算法(FPA)优化BP神经网络的短期电力负荷预测方法。首先采用弹性网对负荷和气象等高维大数据进行选择和降维。弹性网通过在惩罚项中添加L1范数和L2范数,兼具了最小绝对值收缩及变量选择(LASSO)和岭回归的优点,克服了LASSO降维时因为数据内部存在共线性和群组效应而影响降维效果的问题;然后,考虑到BP神经网络权值和阈值容易受到初值的影响、收敛速度慢以及容易陷入局部最优,引入花授粉算法(FPA)优化BP神经网络,通过与粒子群算法(PSO)对比得出花授粉算法寻优速度更快,效果更好。本文方法应用于实际电力负荷预测,结果表明能有效提高预测精度。     

基于Elman神经网络的电力负荷预测模型研究

为提高电力负荷预测精度,文章采用Elman神经网络建立模型,提出了一种基于Elman神经网络的电力负荷预测方法,采用自适应学习速率动量梯度下降反向传播算法进行网络训练,对乌鲁木齐电网的实际历史数据进行了仿真,仿真结果表明,Elman神经网络对电力负荷进行预测具有收敛速度快,预测精度高的优点.     

基于改进深度稀疏自编码器及FOA-ELM的电力负荷预测

智能电网的发展使得电网获取的数据逐渐增多,为了从多维大数据中获取有用信息并对短期内电力负荷进行准确的预测,提出了一种基于改进的深度稀疏自编码器(IDSAE)降维及果蝇优化算法(FOA)优化极限学习机(ELM)的短期电力负荷预测方法。将L1正则化加入到深度稀疏自编码器(DSAE)中能够诱导出更好的稀疏性,用IDSAE对影响电力负荷预测精度的高维数据进行特征降维,消除了指标间的多重共线性,实现高维数据向低维空间的压缩编码。采用FOA优化算法优化ELM的权值和阈值,得到最优值,能够克服因极限学习机随机选择权值和阈值导致预测精度低的缺点。首先将气象因素通过IDSAE降维,得到稀疏后的综合气象因素特征指标,协同电力负荷数据作为FOA优化的ELM预测模型的输入向量进行电力负荷预测。通过与DSAE-FOAELM、DSAE-ELM和IDSAE-ELM等模型的对比实验,证明了提出的预测模型能有效提高预测精度,经计算得出预测精度提升大约8%。     

浅谈县级电网负荷预测

通过对现行电力规划常用负荷预测方法的研究,收集F市电网负荷数据为分析对象,运用弹性系数法、全局负荷预测法、分区负荷预测法进行负荷预测。     

地区电网电力负荷预测分析

电力系统的用电负荷,主要是指电力系统具备的能满足用户用电量需求的发电能力,电力负荷预测是电网规划中的基础工作,是制定电力发展规划的重要依据,是电力系统经济调度中的一项重要内容。现首先对地区电网电力负荷预测的分类和影响因素进行了说明,然后对A地区电网负荷预测进行了详细的分析。     

基于改进支持向量机的湖北电网特高压规划研究

针对湖北电网未来可能面临的电力紧张问题,分析了湖北电网电源装机现状和未来建设规划,提出了一种基于改进支持向量机的中长期电力负荷预测方法,该方法利用遗传算法对支持向量机进行改进,克服了支持向量机模型参数需要人工试验选取的缺陷,利用所提出的预测方法对"十三五"期间湖北省全社会最大负荷进行了预测,在此基础上对湖北电网进行了电力平衡。结果表明:该方法的预测精度比BP神经网络提高了3.66%,并且湖北电网将在2017年出现全年性电力缺口,2020年缺口将达到相当严重的1.533×107k W,因此需在"十三五"期间加快特高压建设进程。     

智能用电环境下电力负荷预测方法的研究

针对在智能用电环境下研究对象复杂且负荷随机性强,短期电力负荷预测算法精度差、计算时间长等问题,提出一种基于ELM-Adaboost神经网络改进算法预测短期电力负荷的新方法。该方法引入Adaboost算法,首先对经过预处理后的历史数据进行测试样本权重初始化,然后反复训练ELM网络预测输出,ELM算法预测过程简洁,速度快;通过Adaboost算法调整测试样本权重并确定弱预测器权重,最后将得到的多个ELM弱预测器组成强预测器。实验以某市的电力负荷数据的进行预测仿真以及结果比较。仿真结果表明该方法具有较高的预测精度,泛化性能好,具有一定的理论意义和较好的应用前景。     

智能电网短期负荷预测的研究

基于灰色系统的理论研究方向,建立智能电网短期负荷预测模型,将负荷预测的关键性评价指标——平均绝对百分误差(MAPE)通过采用粒子群优化PSO计算方法,通过优选实验模型中的阶数和背景参数实现预测和实际运行曲线逐步靠近甚至重合的结果。为达到模型预测的高精度,再通过运用"马尔科夫过程"进一步对原先预测的残值数差进行修正,实现智能电网中短期负荷预测。     

基于遗忘因子的极限学习机电网负荷响应能力预测研究

为了实现电网调度的精细调控,除需要预测负荷需求外,还需预测电网实际负荷响应能力。现针对电网负荷响应能力具有时效性的特点,提出一种电网负荷预测新算法——遗忘因子极限学习机预测模型。基于传统的在线递推极限学习机,推导了带遗忘因子的极限学习机递推公式,通过引入遗忘因子可以避免由于电网构成特性的改变导致早期采集数据对预测精度的影响,从而实现更高的负荷预测精度与逼近效果,与其他常规预测模型相比有效地克服了学习速度慢、难以合理确定网络结构、存在局部极小点的缺陷。经实例验证,该方法能有效地提高预测精度,可用于预测电网实际负荷响应能力。     

基于AMI的家庭智能用电系统设计

近年来全球资源环境问题以及用户对用电质量要求面临着前所未有的挑战,智能用电作为建设智能电网的着力点和落脚,逐渐成为整个电力行业研究的热点.结合现有的应用条件、应用需求以及高级量测体系（AMI）的相关应用,提出基于AMI的家庭智能用电系统设计,使得用户能够合理安排用电、经济用电,也使得电力公司在用户互动参与下能够平稳电力负荷,保证生产安全.     

基于Transformer模型的电力负荷预测

根据已知的历史用电需求来预测未来的用电需求是电网稳定且经济运行的重要一环。针对现有电力负荷预测方法存在无法准确长期预测的问题，提出一种新的基于Transformer模型的电力负荷预测模型。该方法在循环神经网络可以捕捉用电负荷短期依赖的基础上，通过编码器-解码器结构很好地捕捉了电力负荷的长期依赖特征；通过建立电力负荷数据集，训练得到了具备精准预测能力的Transformer模型。实验结果表明，Transformer模型具有较高的预测精度，随着预测时间巨幅增加，预测误差只出现了微小累积，该模型较好地预测了电力负荷可能出现的波动，且无时滞效应。     

基于EEMD和PSO-LSSVM模型的短期电力负荷预测

短期电力负荷预测是电力系统规划、运行、维护的基础。精确的负荷预测对电网的运行和供电调度提供了可靠的指导。为了提高负荷预测的精度,提出了一种基于集总经验模态EEMD和粒子群算法优化下的最小二乘支持向量机(PSO-LSSVM)模型方法。该方法先利用EEMD将数据分解成不同尺度的模态固有分量IMF分量和剩余分量,将分解的分量在PSO-LSSVM模型下对负荷数据进行预测。通过引进粒子群算法下的LSSVM模型与b P神经网络模型法进行仿真分析比对表明,优化下的LSSVM预测方法比b P神经网络方法在绝对误差、相对误差以及均方根误差都有提升。     

基于Hadoop的高频电力负荷监测数据存储研究

电力负荷数据采集频率已从分钟级低频数据转向秒级甚至毫秒级的高频数据,数据存储量级呈数百倍增长,对数据的存储及查询的效率要求更高。为处理这些海量数据,设计了基于Hadoop技术的负荷数据存储系统,并验证了该系统具备分布式存储及实时查询的优势,适合智能电网环境下高频负荷数据的存储。     

电力负荷预测方法在配网规划中的应用

电力系统负荷预测是实现电力系统安全、经济运行的基础。负荷预测包括两方面的含义：对未来需求量（功率）的预测和未来用电量（能量）的预测。负荷预测的目的是提高电网运行的安全性和经济性。改善输送电能的质量。同时确定各供电区、各规划年供用电量、供用电最大负荷和规划地区总的负荷发展水平。确定各规划年用电负荷构成。通过对海盐县电力负荷预测，对预测方法及其在配电网规划的应用进行初步探讨。     

一种简单实用的超短期负荷组合预测方法

超短期负荷预测是电力市场的重要组成部分。现结合淮安供电公司洪泽供电公司的大量电网历史负荷数据,提出了一种简单实用的最优组合预测方法,该方法结合了线性外推法和改进的负荷求导法的优势,对于最优组合预测模型中权重正负的问题,寻找到了一个有利于提高预测精度的新不等式约束。实例证明,该预测方法计算速度快,预测时间短,预测精度高,符合工程应用的要求。