部门负荷预测法在用电负荷预测中的应用

常用的电力负荷预测的主要方法有电力弹性系数法，部门负荷预测法(分产业产值单耗法)，时间序列分析法，人均综合用电水平法等。近年也发展一些新颖的预测方法如灰色系统方法等。各种预测方法都各有特点。笔参加的用电负荷预测课题组主要应用部门电力需求预测法，通过对诸多影响电力增长的因素的研究，找出     

基于灰色与计量经济模型的用电最优组合预测

通过对电力市场需求影响因素的分析,提出了计量经济与灰色预测的优化组合预测模型,经过论证并用实例比较得出此模型比其中任一单一模型预测误差率都小,预测结果更精确,为电力市场用电量需求提供了一个实用有效的预测方法。     

基于系统动力学的山东省电力需求预测

为增进影响电力需求因素选择的深度和广度,利用系统动力学知识对社会用电需求进行系统分析,并建立了电力需求预测的系统动力学模型,该模型能够反映多方面因素的综合作用。利用历史数据验证了系统动力学模型的准确性,然后利用模型对全社会用电量进行模拟预测,并对节能技术变量和城镇化建设进程变量进行政策分析,给出了相应的政策建议。     

新发展格局下青海省电力需求水平预测

电力规划关乎国计民生，电力需求预测是制定电力规划的首要边界条件。新发展格局下消费和投资对青海省经济发展的驱动作用将巩固增强，欧盟碳关税将驱动东部产业向青海转移。高载能驱动的第二产业仍是拉动青海省电力需求增长的关键因素，新基建驱动的第三产业、城镇化驱动的居民生活用电为电力需求增长提供新动能。本文采用多种方法对电力需求水平进行预测，预计“十四五”及中长期青海用电需求将保持中高速刚性增长。本文提出的电力需求水平预测对指导青海省电力安全供应保障，促进新能源消纳具有重要意义。     

需求侧管理综述

需求侧管理(Demand-Side Management,简称DSM)是指电网公司为了影响(改变)用户的电力消费,使其产生公司希望的负荷形状(即改善负荷时间特性及数量)而计划和实施的措施.DSM通过提高终端用电效率和优化用电方式,在完成同样用电功能的同时减少电量消耗和电力需求,从而达到节约能源和保护环境,实现低成本电力服务的目的.     

几种电力负荷预测方法在用电分析系统中的应用

在全社会用电分析系统中，电力负荷预测是系统分析与规划的基础，其准确度直接影响到对供电量的预测，进而影响到电网建设；而负荷预测的方法是多种多样的，本介绍、分析了电力负荷预测技术在用电分析系统中的几种常用方法。     

基于生产力及城镇化布局的省级长期电力需求分布预测

准确把握省级电网长期电力需求,尤其电力需求在各区域分布,对省级电网合理规划和网架优化具有重要的前瞻性指导作用。文章构建了基于生产力及城镇化布局的省级长期电力需求分布预测模型,并以安徽为例,预测了2030年安徽全社会用电量在各地市分布,结果显示:该模型实现了从全省电力需求到各区域电力需求的科学有效衔接,且预测结果相较于一般占比预测方法更为科学合理。对电力市场分析及电网规划人员合理预测省级长期电力需求分布、实现前瞻性电网规划具有一定的参考价值。     

基于多头注意力卷积网络的电力负荷预测

预测居民用电相当于预测一个多元时间序列.针对多个传感器信号的特定窗口能够利用预测模型提取不同的特征来预测用电量.然而,由于时间序列内部特征存在着不规则的模式,包括电力属性之间隐藏的相关性,使得负荷预测准确率不高.为了提取复杂的不规则电力模式,选择性地学习时空特征以减少电力属性间的平移方差,本文提出了一种基于多头注意力的卷积循环神经网络深度学习模型.相较于单纯的时间序列模型,该模型利用卷积和加权机制对电力属性和有功功率间的局部相关性进行建模.它利用softmax函数和点积运算的注意力分数来模拟电力需求的瞬态和脉冲特性,有效地对瞬时脉冲功耗进行预测.在美国加州大学欧文分校(University of California, Irvine, UCI)家庭用电数据集共2 075 259个时间序列上的实验表明,所提出的模型与现有方法相比,准确率得到了较大提升.     

基于多维度的城市饱和负荷预测方法研究

城市的饱和负荷是城市发展过程中各种因素的结果,研究城市的饱和负荷对确定电网的最终建设规模具有重要影响。针对城市饱和负荷预测的问题,提出了基于多维度的城市饱和负荷预测方法。首先,分析影响城市电力负荷的主要因素,建立了以经济、人口指标为影响因素的城市饱和负荷预测指标;其次,以多元回归分析理论为基础构造了以影响因素为自变量、用电需求为因变量的函数,并建立了多元二项式回归模型;最后,基于多元回归理论和Logistic曲线模型预测了城市电力负荷的发展情况,并通过对某市的案例分析,证明该方法的有效性、准确性和可行性,为未来城市饱和负荷预测的研究提供理论参考。     

基于萤火虫算法改进BP神经网络的电力用能行为预测方法

针对BP神经网络由于随机初始化权重和偏置导致对用电情况预测的误差偏大且容易陷入局部最优的问题，提出了一种利用萤火虫算法对BP神经网络的权重和偏置进行优化的电力用能行为预测方法.该方法基于用户不同时间段的用电量数据提取时间序列特征，并采用K-means聚类算法对用电行为类似的用户进行聚合及分析，从而建立电力负荷预测模型对每类用户的负荷加以预测.实验结果表明，基于萤火虫算法改进BP神经网络预测模型的均方根误差以及平均绝对误差百分比均低于BP神经网络模型，能够合理地对电力用能行为进行预测.     

电力期货价格的协整建模与预测

在电力市场环境下,电力期货价格受现货价格、利率和负荷需求等多种因素影响,变化趋势复杂,很难将所有的因素都加以考虑来建立一个准确的模型对其进行全面描述．因此,选取最重要的影响因素：电力现货价格,利用协整理论来研究电力期货价格和现货价格之间的动态关系,并建立向量误差修正模型（VECM）,对电力期货价格进行有效的预测．     

城市电力需求灰色预测模型研究

采用灰色系统理论预测城市用电量,通过1999~2006年的数据来对模型进行验证,结果表明,模型的检验值P>0.95、C<0.35,这说明模型的预测精度为"优"。同时,对南京市2009~2015年全社会用电量进行预测,结果表明,今后几年南京市的用电量增加很快,这就要求加快电力建设,来满足今后几年经济发展对电力的需求。     

基于C-LSTM的短期用电预测模型和应用

基于深度学习下的长短期记忆循环神经网络对家庭短期用电预测进行研究.本研究引入卷积神经网络(convolutional neural network,CNN)和长短期记忆(long short term memory,LSTM)模型结合的混合深度神经网络模型C-LSTM,并在此模型基础上提出多步预测策略.根据对5个真实家...     

电力市场需求叠加预测模型分析

本文运用叠加原理综合分析了电力需求变化的渐进性与周期性两大特点,进而引申出一种更加科学合理的组合式预测技术来解决短期电力需求预测的实际问题,为电力交易提供了有力的依据与指导,从而进一步提高了我国电力市场的运转效率。     

基于业扩报装的全社会电量预测方法研究

电力系统需求侧业扩报装的容量是分析预测全社会用电量的一个重要参考指标,长期以来,都以定性分析为主,文章以安徽为例,在对相关变量进行季节性分解的基础上,建立业扩报装容量和全省全社会用电量之间的定量关系月度模型。结果表明所建模型预测结果具有较高参考意义,并适用于短期月度电量预测。     

浅谈几种电力需求量的预测方法

根据多年从事电力负荷预测的经历和感受,重点介绍在电力需求预测中需电量预测的几种常用方法,并对这几种预测方法作了阐述,同时就如何做好电力需求预测工作提出建议。     

电价与负荷的相关性分析及其在电价预测中的应用

为解决传统电价预测模型需要对周末等电价波动较大预测日单独建模,以及模型不加区分地引入负荷因素影响预测精度的问题,提出了利用电价与负荷的相关系数判定是否将负荷因素引入粒子群-BP神经网络模型的新方法,将相关系数作为输入样本的阈值,判定是否在模型输入样本中引入负荷因素.在电价变化平稳、电价与负荷相关性较弱时,在电价预测模型中不引入负荷因素,解决了粒子群-BP神经网络模型由于非关联输入样本过多而影响学习效率、导致预测精度降低的问题.仿真结果表明,新的预测模型对电价相对平稳和波动较大的预测日预测精度明显提高,可用于电力市场的短期电价预测.     

Electricity price forecasting using generalized regression neural network based on principal components analysis

A combined model based on principal components analysis (PCA) and generalized regression neural network (GRNN) was adopted to forecast electricity price in day-ahead electricity market. PCA was applied to mine the main influence on day-ahead price, avoiding the strong correlation between the input factors that might influence electricity price, such as the load of the forecasting hour, other history loads and prices, weather and temperature; then GRNN was employed to forecast electricity price according to the main information extracted by PCA. To prove the efficiency of the combined model, a case from PJM (Pennsylvania-New Jersey-Maryland) day-ahead electricity market was evaluated. Compared to back-propagation (BP) neural network and standard GRNN, the combined method reduces the mean absolute percentage error about 3%.     

基于神经网络和相似搜索技术的电力价格钉预测方法

电力市场中普遍存在“价格钉”,其特殊性给电价预测带来困难。通过对其特征和影响因素的分析,提出了一种基于神经网络和相似搜索技术的价格钉预测方法。首先,采用BP神经网络建立价格钉识别模型,对未来某一交易时段市场清算电价可能出现的区间进行预测,并提供相应的置信度;其次,对判别为价格钉的时段采用相似搜索技术进行二次预测。采用澳大利亚昆士兰州电力市场2004年至2005年全年的电价数据进行训练和预测分析,结果验证了该方法的有效性。     

基于GAELM神经网络的日前电价预测

针对日前电价预测问题,利用极限学习机建立预测模型.鉴于极限学习机在训练前随机产生输入权重和隐藏节点偏置,可能导致预测结果不稳定以及预测精度太低的问题,提出了一种基于遗传算法(GA)和极限学习机(ELM)的预测方法.首先利用遗传算法对极限学习机随机生成的参数进行寻优,然后根据优化后的参数建立基于GA-ELM的电价预测模型.最后以此模型对PJM电力市场的日前电价进行预测.结果表明,相比ELM和BP神经网络,GA-ELM具有更高的预测精度.