基于经济气象因素的月用电负荷预测模型研究

基于 2012—2018 年安徽省淮北地区月用电负荷、宏观经济数据和气象观测资料,运用相关分析、多元回归分析和曲线拟合等方法,将实际用电负荷分解为趋势负荷和波动负荷,分析趋势负荷与经济数据的关系建立基于经济指标的趋势负荷预测模型,拟合率达到 99.3%;研究波动负荷与气象因子的关系建立基于气象因子的波动负荷预测模型,拟合率达到 97.8%;经测试模型的泛化能力较高,符合设计要求。将研究成果作为新的服务手段为电力部门提供更加专业、定量的服务产品,为淮北电网运营调度提供科学依据,取得了明显的社会经济效益。     

基于模糊信息粒化与多策略灵敏度的短期日负荷曲线预测

针对气象变化时负荷曲线预测精度低、预测模型不能完全适应气象变化的情况,提出了一种基于模糊信息粒化与多策略灵敏度的短期日负荷曲线预测方法。提出了完全气象因子序列的概念,建立气象粒化集;采用空间多元回归及滞后模型结合多策略灵敏度分析法,建立了针对复杂气象条件下的极值预测模型;基于改进的K-means聚类分析法查找并获取气象特征日,计算初步预测曲线,主动判断预测曲线畸变概率并进行优化修正,得到最佳预测日负荷曲线;利用动态数据流对模型参数进行更新,实现精细化预测。最后采用该方法对我国南方某地区全年负荷曲线进行预测,验证了模型在多种气象条件下的预测准确性,尤其适用于短期内气象存在复杂变化的情形。     

基于聚类及趋势指标的长短期神经网络配网负荷短期预测

针对配电网线路负荷短期预测存在精度不佳的问题,提出一种基于聚类及趋势指标的长短期神经网络负荷预测方法.首先利用K-Means聚类方法将线路下特性变化相似的配电网台区负荷数据进行聚类重构;此外,按类分别计算负荷历史同期数据的趋势变化指标,并且作为负荷预测模型的输入特征;然后,建立能够传递时间序列信息的长短期神经网络预测模...     

组合预测方法在电力负荷预测中的应用

为了提高负荷预测的准确性,引入了优化组合预测模型,从而将几个电力负荷预测模型有机地结合起来,通过综合各个预测模型的优点,得出更为准确的结果。文中采用了进化规划作为优化方法,对盐城市的供电量和负荷预测的历史数据进行了优化分析计算,得到了满意的结果,并对盐城市２０００年负荷进行了预测。     

基于气象负荷因子的Elman神经网络短期负荷预测

针对地区电网负荷易受气候影响的特点,引入气象负荷因子,提出了一种综合考虑各项气象因素．采用Elman反馈神经网络的短期负荷预测模型。由于Elman神经网络具有动态递归性能．可增强负荷预测模型的适应性。经上海电网实际数据的预测仿真计算,证明此方法与传统神经网络预测模型相比．既能减少输入变量个数,又能有效地提高预测精度。     

基于气象灵敏度分析和特征日修正的短期日负荷曲线预测

短期负荷预测是电力系统运行的基础工作,准确的负荷预测是系统安全稳定运行的重要保障。随着电力市场的不断扩张,气象敏感负荷在负荷总体中所占比例急剧上升,气象成为电力调度部门在制定运行计划时不可忽略的重要因素。提出了一种基于气象灵敏度分析和特征日修正的短期日负荷曲线预测方法,研究季节性气象与负荷的相关性,提取关键气象因素建立回归拟合模型,通过函数求导法得到负荷与关键气象因子的灵敏度;由气象特征判别函数找到待预测日的气象特征日与趋势特征日,结合日负荷极值预测值计算得预测日负荷曲线。最后通过采用我国南方某地区的负荷实际数据,验证了所提方法的准确性和有效性。     

基于相似日和CNN-LSTM的短期负荷预测

为充分发掘历史信息,解决气象数据不足影响预测精度的问题,采用灰色关联分析(GRA)选取天气相似日和CNN-LSTM混合神经网络的方法来预测电力负荷。利用GRA计算每日各气象因素与日总负荷的灰色关联度,再计算各日与典型日的相同气象因素之间的欧氏距离,将各气象因素的欧氏距离分别乘以对应因素的关联度,并将同一天的结果累加,得到一个综合得分。选取待预测日之前分数最低的5天作为相似日,将相似日各时刻的负荷数据输入CNN-LSTM网络中,预测出待预测日的负荷,通过与其他模型对比,验证了该方法的有效性。     

基于Attention-BiLSTM神经网络和气象数据修正的短期负荷预测模型

基于循环神经网络的负荷预测模型大多将历史负荷数据和影响负荷的其他因素如气象数据等共同作为预测模型的输入特征,但气象数据内部规律性不强,不适合作为循环神经网络的输入.针对该问题,提出一种基于Attention-BiLSTM神经网络和气象数据修正的短期负荷预测模型.采用最大信息系数分析影响负荷的主要因素;考虑到负荷序列较长...     

基于支持向量机回归组合模型的中长期降温负荷预测

提出基于支持向量机回归组合模型的中长期降温负荷预测方法。其中,支持向量机模型以多种社会经济数据为输入参数,年最大降温负荷值为输出参数。在训练过程中采用网格搜索法对支持向量机回归模型参数进行优化;回归分析中,综合采用线性、二次和三次多元回归的组合模型;最后利用最优组合预测方法将二者组合。采用广东省2008~2011年实际负荷数据和社会经济数据为训练样本,2012~2014年数据为测试样本,对支持向量机回归组合预测模型进行验证,同时也对2015和2020年最大降温负荷进行预测。结果表明,预测值与真实值的误差控制在5%以下,验证了该中长期降温负荷预测模型的有效性。目前该预测模型已在广东电网得到实际应用。     

基于K-Adaboost数据挖掘的配电网负荷预测

气象因素是造成配电网负荷波动的主要原因,在利用斯皮尔曼相关系数分析气象因素与配电网负荷相关性的基础上,着重把握部分气象因素与配电网负荷的联系,针对这类气象因素对配电网负荷的影响,提出一种基于数据挖掘聚类分析和Adaboost的负荷预测方法。首先对历史负荷数据进行预处理,然后应用K均值聚类算法对待测点气象因素进行分析,选择与待测点同类气象因素的历史负荷作为训练样本,最后采用Adaboost算法建立配电网负荷预测模型。通过实例证明K-Adaboost预测模型比BP神经网络预测模型更加稳定并且更贴近实际负荷。     

基于最大信息系数和多目标Stacking集成学习的综合能源系统多元负荷预测

精确的多元负荷预测对于综合能源系统的能源调度与运行规划起到重要的作用.对电、热、冷负荷单独进行预测的传统方法会忽略多元负荷间的耦合关系.针对这一问题,提出一种基于多目标Stacking集成学习的多元负荷协同预测模型.引入最大信息系数对多元负荷及天气因素进行相关性分析,并提出负荷耦合形态指标来深度挖掘多元负荷间的耦合关系...     

基于天气分类和卷积神经网络的短期负荷预测方法

为减少天气因素对短期电力负荷预测效果的影响,提高模型的预测精度,提出了一种基于天气分类和卷积神经网络的短期负荷预测模型。首先通过天气类型初分将原始数据样本集划分为晴天、阴天、多云和雨天4种类型。其次,为了识别相似气象条件,运用相关系数和k均值聚类方法,找到对新型负荷出力影响最大的气象因素,并对其聚类,选取高相似度的数据样本。之后根据特征选择的结果,构造神经网络输入数据集。最后,将该数据集输入至卷积神经网络训练并预测。通过算例验证分析所提模型具有更高的预测精度。     

短期负荷预测中气象因素处理的费歇信息方法

在能提供大量实时负荷数据和气象数据的智能电网大数据环境下,挖掘合适的气象因素处理方法对提高短期负荷预测精度尤为重要。针对一个或多个气象变量,解决一维或多维费歇信息计算问题。在此基础上,提出基于费歇信息的气象因素建模方法及新预测模型。实际测试结果表明:采用所提模型可以获得更精确的预测结果,解决了短期负荷预测中对气象因素处理的主观随意性问题。     

月前日负荷曲线的概率预测和随机场景模拟

针对现有中长期日负荷曲线预测方法大多为点预测,难以满足电力系统不确定性分析的不足,提出了一种基于因子分析和神经网络分位数回归的月前日负荷曲线概率预测和随机场景模拟方法。采用因子分析技术,在保留日内负荷时序相关性的前提下,对日负荷序列向量降维;提取出少数相互独立的负荷公共因子作为预测变量,以日气象因素、星期类型和前一日公共因子值为输入特征,建立计及相邻日负荷相关性的神经网络分位数回归概率预测模型;以此为基础,利用中期气象预报信息,逐日预测和模拟未来30日的负荷曲线,并生成未来月负荷曲线的随机模拟场景。实际算例结果验证了所提概率预测方法的准确性和高效性,其生成的日负荷曲线模拟场景更好地体现了负荷的时序相关性,能为调度人员提供更准确、全面的月前负荷预测信息。     

融合历史数据和实时影响因素的精细化负荷预测

随着智能电网技术的飞速发展,对负荷预测的精度提出了越来越高的要求。融合负荷、天气等多源数据,提出了一种基于数据融合的支持向量机精细化负荷预测方法。首先对负荷历史数据进行聚类分析,将运行日分成六类。然后将负荷数据和温度、湿度等天气数据进行融合,针对六类聚类结果分别建立基于数据融合的支持向量机精细化负荷预测模型,并对模型参数进行全局优化。采用不同的预测模型对浙江省某地级市2013年的负荷进行预测,结果表明所提出的负荷预测方法的预测精度明显高于传统的负荷预测方法的预测精度。     

基于量子加权多层级GRU神经网络的综合能源 系统多元负荷短期预测

针对综合能源系统多元负荷短期预测问题,提出一种基于量子加权多层级GRU(quantum weighted multi hierarchy gated recurrent unit, QWMHGRU)神经网络的多元负荷短期预测模型。采用最大信息系数对多元负荷间和负荷与天气因素间的相关性进行分析,选取模型输入量。然后改进GRU的门控结构,形成多层级门控循环单元(multi hierarchy gated recurrent unit, MHGRU),并将量子加权神经元引入MHGRU,构成QWMHGRU多变量负荷预测模型。仿真算例结果表明,QWMHGRU多元负荷预测模型在夏季和冬季的权重平均精度均可达97%以上,相比MHGRU、QWGRU和GRU模型具有更高的预测精度。     

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。     

Nonparametric regression based short-term load forecasting

This paper presents a novel approach to short-time load forecasting by the application of nonparametric regression. The method is derived from a load model in the form of a probability density function of load and load affecting factors. A load forecast is a conditional expectation of load given the time, weather conditions and other explanatory variables. This forecast can be calculated directly from historical data as a local average of observed past loads with the size of the local neighborhood and the specific weights on the loads defined by a multivariate product kernel. The method accuracy relies on the adequate representation of possible future conditions by historical data, but a measure to detect any unreliable forecast can be easily constructed. The proposed procedure requires few parameters that can be easily calculated from historical data by applying the cross-validation technique     

Peak load forecasting using multiple-year data with trend data processing techniques

This paper presents a regression-based daily peak load forecasting method using multiple-year data with trend cancellation and trend estimation techniques. Daily peak load heavily depends on daytime temperature and is influenced by the other weather factors such as humidity. Since the characteristic of the load is varying, peak loads just before a forecasting day are more significant for the forecasting. The regression model can represent relationships between these weather factors and peak loads. However, the forecasting model is sometimes not adequate for precise load forecasting. The regression model is well matched with the late data, but the model causes large forecasting errors in transitional seasons because of seasonal change of load characteristics. In order to forecast precisely through a year, a method of using seasonal or whole year data from past years is proposed. In this paper, two kinds of trend data processing techniques are described. The first is trend cancellation. The second is trend estimation. The trend cancellation technique removes annual load growth by means of division or subtraction processes with morning load on the forecasting day. The trend estimation technique estimates the trend between the forecasting year's load and the past year's load by using the variable transformation techniques. The performance of both techniques, verified with simulations on actual load data, is also described. © 1998 Scripta Technica, Electr Eng Jpn, 124(1): 7–16, 1998