基于负荷细分的差异化用户基线负荷预测

电力用户基线负荷(CBL)预测精度会极大影响需求响应效果的评估。本文基于负荷细分,考虑多维用电行为及其影响因素,通过精细化用户用电行为特征,提出一种考虑用户用电模式差异化的基线负荷预测方法。首先采用Ward-模糊C均值(FCM)聚类法,并结合负荷特性指标,改善用户负荷曲线聚类分析的效果;然后,分析气象、时间等多维影响因素,建立考虑温湿度和气温累积效应等城市微气象因素及节假日社会行为因素的差异化用电行为分析模型,提出温度敏感型、节假日敏感型以及两者均不敏感的精细化用电模式;最后,提出不同用电模式的CBL预测方法,建立综合评估方法分析其预测准确度。算例结果表明,所提算法能进一步提高CBL预测精度。     

考虑气象因素的电网短期负荷预测策略

影响电网负荷预测的因素很多,其中气象因素是主要原因之一,尤其在天气系统的转变过程中,气象因互对电网用电和短期负荷预测准确率的影响更大,对气象负荷进行了明确定义,提出了一种预计气象负荷分量的实用方法和考虑气象因素的短期负荷预测策略。     

基于决策树和逐步回归的气温对负荷影响的定量分析法

气象状况尤其是气温是对短期负荷预测精度影响最大的因素。文章提出了一种采用决策树和逐步回归技术对气温和用电负荷之间的关系进行定量分析的方法,并对上海地区气温与负荷之间关系进行分析。该方法首先从原始负荷数据序列中提取受气象因素影响的负荷分量;然后对气温影响负荷的滞后性进行了分析并得出了在上海地区气温对负荷影响的滞后性一般不超过12h的结论;在此基础上运用决策树和逐步回归技术进一步给出了气温对负荷影响的定量分析结果。根据定量分析结果所设计的实际短期负荷预测方法进行负荷预测实践,结果表明该分析结果能够有效反映不同气象条件下气温变化对负荷的影响。     

基于分时体感温度相关性的LSTM 负荷预测算法∗

随着经济的发展,人民生活水平的逐步提高,空调等用电设备的使用量逐年増加,直接导致气象因素对电力负荷的影响越来越大.夏季大量使用空调器带来的调温负荷被证明与气温、湿度、风速等气象因素密切相关.LSTM作为基本模型对电力负荷数据进行预测可最大限度地挖掘数据之间时序性与非线性的关系.但是此网络容易忽略影响因素导致负荷数据突变的情况.基于分钟级别气象因素进行综合建模分析,通过体感温度的变化得到负荷的变化值,并通过LSTM得到负荷的时序预测值,再得到最终的预测值.预测结果表明,该方法能有效提高短期负荷预测精度,是一种有效的负荷预测方法.     

加权马尔可夫链在负荷预测中的应用

利用小波将月售电量序列进行分解,对不受气象因素影响的趋势项和周期项,分别采用趋势外推和周期图法进行预测,对受气象因素影响的随机项,应用模糊聚类的方法确定分级标准,将观测值之间的相关系数作为权值,采用加权马尔可夫模型进行预测,然后进行综合.该法避免了精度较低的月气象资料对负荷预测精度的影响,不仅得到了未来月售电量的具体值,而且得到了其所属的区间,因此更加符合实际.最后给出了预测实例,验证了所提方法的有效性.     

基于气象敏感预测法的年度最大负荷预测模型研究

首先结合嘉兴地区的具体情况,从影响电力负荷的主要气象因素指标,负荷主导气象因素辨识与灵敏度分析几方面,分析了气象因素对电力负荷的影响;然后提出一种基于气象敏感预测法的年最大负荷预测方法,具体实施中将原网供负荷分解成"基础负荷+气象敏感负荷",对于不同成分的负荷采用不同预测方法;最后将预测的结果与传统方法对比,证明了本方法的优越性。     

影响江西电网负荷预测准确率的因素分析

本文分析了影响江西电网用电负荷的诸多因素(如气象、小水电、大用户、节假日及特殊事件的影响),从加强对气象因素、负荷类型及历史数据的精细化分析入手,研究各种负荷预测方法,找到了适应江西电网目前状况的短期负荷预测方法,进而提出了提高江西电网负荷预测准确率的主要思路。     

基于LSTM神经网络的短期电能负荷预测

针对电网用电量准确预测的问题,本文利用电能负荷历史数据的时间序列特性,提出了一种基于电能负荷历史数据的递归神经网络预测方法,首先分析了短期负荷预测的关键影响因素,以自回归方法为例介绍了传统负荷预测模型框架。接下来以BP神经网络和递归神经网络为例,阐述了神经网络模型原理以及与负荷预测任务的契合点。最后,(1)以卢布尔雅那城市的真实负荷数据为例,基于长短期记忆单元,采用前一周的负荷数据和气象数据,对当前时刻的用电负荷进行预测;(2)采用前一周的负荷数据和气象数据对未来一周每小时的用电负荷进行预测;(3)在(2)的基础上引入未来一周的气象预测数据,对用电负荷进行预测。实验结果表明,在训练数据充沛的情况下,长短期记忆神经网络能够基于历史数据和气象数据对电能负荷进行较为可靠地预测。     

基于气象因素粗糙集理论的负荷预测方法

电力负荷受气象因素影响越来越大,如何准确预测负荷中的气象负荷是负荷预测中的一项有意义的课题。本文首先采用粗糙集对影响负荷的气象因素进行规则简约,找到影响负荷的核心气象因素;然后以这些核心因素为坐标寻找与预测日距离最小的历史数据,利用时间序列方法进行预测。经实际系统检验,证明该方法克服了传统气象负荷预测中的主观性,将历史数据的发掘过程量化,便于机器预测。并且预测结果误差小,是一种适用性很强的技术。     

含有山区小水电负荷的气象回归短期负荷预测技术

将负荷分解为正常负荷及小水电负荷,进一步将其分别分解为气象负荷和长期趋势负荷分量,建立气象因素和气象负荷的回归关系,并以回归结果对历史负荷数据进行相似搜索,该方法可提高预测样本同被预测日负荷的相似度,从而增加预测结果的可信度和精确度.采用多种负荷预测方法以权重优化组合的方式进行负荷组合预测.应用实例证明,所提出的方法可体现不同地区、不同类型、不同气象敏感度的负荷特性,对于负荷总量较小,变动范围较大,受天气因素影响明显且含有山区小水电负荷的地区具有较好的精度.     

基于EMD和ELM的短期负荷预测

为了快速、准确预测具有随机性的电力负荷,引入经验模式分解和极限学习机组合负荷预测算法。首先,利用EMD将非平稳负荷序列分解成一系列相对平稳的分量,减少不同负荷影响因素间的相互影响;然后针对各分量的不同特性,利用ELM具有预测能力强、计算时间短、计算准确性高等特点建立不同的预测模型,分别预测各分量值;最后组合ELM预测的各分量值,得到最终预测结果。仿真算例表明,EMD和ELM组合预测方法较传统单一神经网络方法在短期负荷预测精度和运算时间方面具有其独特的优势。     

小波包变换在冲击负荷地区短期负荷预测中的应用

针对大量冲击负荷接入系统给负荷预测造成困难,提出一种基于小波包变换的电力系统短期负荷预测新方法:通过小波包变换将负荷序列分解成不同频率的负荷子序列,根据负荷分量不同的变化特点,分别采用相匹配的模型进行预测,最后叠加各子序列的预测值,得出实际预测结果。选择广东某电网实测负荷数据作为算例,仿真结果表明该方法能有效提高冲击负荷地区的短期负荷预测精度。     

一种时频尺度下的多元短期电力负荷组合预测方法

随机因素的增加导致电力负荷数据成分日渐复杂,使短期负荷预测的难度逐渐增大。针对该问题,提出一种时频尺度下的时间卷积网络与多元线性回归相融合的组合预测模型。利用自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)在时频域上将负荷数据分解为若干个频率特征不同的本征模态分量,在模糊熵准则下聚类为随机项和趋势项。采用皮尔逊系数从诸多影响因素中筛选出与电力负荷高度相关的特征,鉴于小时间尺度分析更易于挖掘局部细节特征,分别构建了随机项与趋势项的细颗粒度特征集。利用具有强非线性处理能力的时间卷积网络(temporal convolutional network, TCN)去预测随机项,利用结构简单及线性拟合效果好的多元线性回归(multiple linear regression, MLR)去预测趋势项,将二者的预测结果进行叠加重构后获得最终预测值。在新加坡和比利时两组数据集上的实验结果证明：所提模型具有较高的预测精度、较好的泛化性能及鲁棒性。     

基于改进Prophet算法的短期日负荷预测方法研究

将Prophet算法引入负荷预测领域,并结合XGBoost算法提升Prophet负荷预测准确性。Prophet算法基于时间序列分解及机器学习的拟合,将负荷数据分解为趋势项、周期项、随机波动项3部分,引入XGBoost算法改进Prophet算法对随机波动项的预测,将XGBoost算法对随机波动的预测结果与Prophet算法对趋势项和周期项的预测结果叠加,获得最终的预测结果。该算法适用于用电负荷这种具备一定周期变化特征的序列,易于理解,预测准确性较高。通过某地区用电信息采集系统提供的专公变用户日冻结数据实验验证,结果表明在相同条件下,改进后的算法预测的结果的平均绝对误差百分比较原始的Prophet算法可降低2.5%,同时均方根误差降低幅度可达30.79%,体现出显著的改进效果。     

维纳滤波在短期负荷预测中的应用

针对大型特种钢铁企业所产生的冲击负荷影响地区负荷曲线的问题,介绍了一种利用维纳滤波对冲击负荷进行预处理的方法。对负荷曲线进行了频谱分析,得出维纳滤波具有过滤冲击负荷、消除毛刺使预测曲线光滑易于人工调整的优点。根据用维纳滤波在江苏苏州电网短期负荷预测中的实践,经过维纳滤波后的负荷曲线光滑平顺,可以提高预测算法的准确率。     

经济因素对电量的影响分析与预测

以某市2000-2005年上半年的GDP增长数据,第一产业、第二产业、第三产业的经济增长数据,用电量数据为基础,重点分析GDP变化和产业结构的调整与电力需求量的关系。根据电力系统中长期负荷的特点,提出了一种基于主成分分析的预测方法,通过对影响电力负荷的相关因素数据进行主成分分析,减少负荷预测系统的输入量,提高了系统预测的效率,实际应用表明该方法有效、可行。     

多因素影响的灰色神经网络组合电力负荷预测

一般的电力负荷预测都是只针对电力历史负荷值做预测,而实际电力负荷是受到各种因素制约的复杂非线性系统.首先提出多因素影响的灰色神经网络组合预测模型,研究同时考虑了在各可定量分析因素影响下的负荷增长和波动二重趋势性问题.通过电力负荷预测应用的实例,对某地区电力负荷值,GDP值和各产业值进行分析,建立对应的优化组合预测模型,并与其它算法进行比较,计算结果表明,所提出的方法综合考虑了电力负荷的多种特性,能有效地提高负荷预测精度.     

基于粗糙集理论与D-S证据理论改进的多元回归负荷预测方法研究

当前,中长期负荷预测大多采用多元回归算法,但在建模时对影响因子及历史年的选择缺乏良好的依据,很难在考虑更多影响因子及历史年数据与降低回归模型误差之间做出平衡。这使多元回归算法在实际负荷预测中的精准度很不稳定。将粗糙集理论与D-S证据理论引入多元回归算法,利用粗糙集理论对影响因子进行重要性排序。分别以历史年和影响因子为对象进行聚类,以此建立多个多元回归模型。利用D-S证据理论对多个组合预测的权重分配方案进行权重融合,得出最终基于多元回归分析法的组合预测模型。经算例验证,该模型能较好地平衡影响因子和历史年的选取,能有效提高多元回归算法在中长期负荷预测中的准确性,适用性强。     

几种灰色模型用于电力消费中期预测研究

根据三类产业与居民生活用电量在用电方式、用电增长趋势等方面的不同特点,对灰色ＧＭ（１,１）模型、改进的ＧＭ（１,３）模型以及关联多因子模型在地区用电量和最高用电负荷预测中的应用做了初步研究。以上海市１９９０～１９９８年的电力资料和经济资料为基础,应用几中灰色模型对三类产业用电量、居民生活用电量及最高用电负荷进行了预测,并将几种模型的预测 结果进行了比较。结果表明,不同模型适用于不同特点的电力消费预     

短期负荷预测中实时气象因素的影响分析及其处理策略

短期负荷预测对于电力系统安全经济运行有着重要的作用,因此,人们一直致力于研究新的预测模型,提高预测精度。目前,实现提高预测精度这个目标的关键是如何更加合理地考虑气象因素对负荷的影响,因为气象敏感负荷在总负荷中所所占的比重越来越大。长期以来,鉴于气象部门无法提供实时温度等气象预测结果,电力系统所建立的预测模型绝大多数都是基于日特征气象因素,诸如日最高温度、最低温度等。针对短期负荷预测,作者剖析了气象因素的影响和作用,分析了处理不同阶段气象因素的策略,并提出了考虑实时气象因素的短期负荷预测新模型,该模型基于神经网络,力图寻求温度、湿度等实时气象因素与负荷曲线之间的相关关系和变化规律。实际应用表明,文中的预测模型和处理策略可以得到更加精确的预测结果。此短期负荷预测新模型也适用于超短期负荷预测。