电力系统中长期负荷及特性预测软件

叙述华中电力集团公司技术中心所开发的“电力系统中长期负荷及特性预测”软件以及其中有关负荷特性预测的部分预测方法。这些方法的采用,使得过去在预测实践中比较难以操作的负荷特性预测变得简单易行。这对全面开展负荷预测工作实践有着重要的意义。该负荷预测软件,功能齐全,操作灵活,使用方便,适用于各种不同类型的用户。     

基于面向对象的电力系统中长期负荷预测软件的开发

为了更方便、快捷、准确地进行中长期负荷预测,开发了基于Windows的电力系统中长期负荷预测软件。软件采用面向对象程序设计方法,使系统易扩充、易维护。该软件除具有一般负荷预测软件所具有的计算快速、模型库丰富等特点之外,还有原始数据输入简单方便、模型库扩充简易、具备饱和负荷预测以及考虑了与其它常用软件的接口等独特的地方。以华东某地区的供电量历史数据为例,选择了5种不同模型进行预测,并对结果进行了分析和比较,最后还对该地区进行了“s”型饱和负荷预测。分析表明该软件使用方便,预测精度满足电力负荷预测的精度要求,具有一定的实用性。     

一种电力系统中长期负荷预测的新思路

近年来，全国大部分地区的电力需求情况发生了明显的变化，中长期负荷预测困难加大，传统的预测思路很难得到可信度较高的预测结果。文中首先阐述了传统预测思路的难点，并对人脑的预测过程进行了分析，进而提出了一种新的电力负荷成分划分方法，在此基础上提出一种简单、可靠、灵活的预测思路。具体算例表明，这种方法可以有效提高预测精度。     

电力系统中长期负荷预测的新方法

在分析灰色GM(1,1)模型缺陷的基础上,将遗传算法引入GM(1,1)模型中,对其加以改进,提出一种新的灰色预测方法,用以对电力系统的中长期负荷进行预测。通过仿真计算结果验证了该方法的正确性和有效性。     

互信息在电力系统中长期负荷预测中的应用

传统电力负荷预测方法常以电力负荷自身的历史序列特征外推预测未来负荷,或者用确定性相关关系来模拟少数几种电力负荷关联因素的影响,导致对负荷变化规律的把握存在缺陷.信息领域中的互信息理论用于分析两个随机变量间的相互依赖程度,其中包含了线性和非线性关联关系,用以描述电力负荷及其影响因素的关联程度,为进一步的预测工作提供依据.应用互信息理论,建立了电力负荷预测的互信息网络模型,根据各影响因素与电力负荷间的互信息对其量化、比较和逐层筛选,在得到各经济社会指标与负荷之间的关联程度的基础上,对未来负荷进行预测.将本模型应用于实际电力系统预测,得到了令人满意的预测结果.     

基于广义回归神经网络的电力系统中长期负荷预测

在介绍广义回归神经网络（GRNN）基本算法、网络结构及平滑参数确定方法的基础上,提出将误差序列的均方值作为网络性能的评价指标并采用最小误差对应的平滑参数,建立了GRNN的预测模型。提出了确定输入神经元数目的方法：根据自回归模型阶次的选择经验初步确定输入神经元数目m;在m值附近进行搜索,对于每一个m值,确定平滑参数后,计算网络对学习样本的预测误差;根据BIC准则评价指标的最小值确定输入神经元数目。将模型应用于某地中长期电力网负荷预测,分别进行了单步预测和多步预测。与BP神经网络模型的预测进行比较,结果表明,采用该方法的预测精度明显高于BP模型,即使在训练集样本数据较少时,该方法的预测准确度仍然很高。     

电力系统中长期负荷预测方法发展探讨

中长期电力负荷预测的主要工作是预测未来几月、几年甚至更长时间段内的电力负荷的时间和空间分布,对于制定电力系统发展规划及燃料计划等具有重要指导作用。为充分利用现有研究成果,分析了中长期负荷预测的特点和现有成熟方法,分类讨论了各中长期负荷预测方法的适用条件和存在的问题。重点讨论了将主动配电网、电力大数据与云计算、空间电力负荷预测、数据预处理、预测误差评估和概率性负荷预测等纳入未来的中长期负荷预测方法研究体系中的必要性和重要意义,探讨了中长期负荷预测方法未来的研究重点及方向。     

基于数据挖掘的电力系统中长期负荷预测新方法

中长期电力系统负荷预测受大量不确定因素的影响,研究表明聚类方法能够将各种影响因素综合引入预测模型。所提出的改进聚类算法结合了层次方法中的变色龙(Chameleon)法与基于密度算法的优点,实现了最优聚类,同时还弥补了单纯层次法无法对复杂形状数据聚类和算法不可逆的缺点。算法在进行聚类前以不完备数据分析补全法算法(ROUSTIDA)为数据处理前导．确保了聚类所需历史数据的准确性和完备性。实践证明该算法具有计算速度快、预测精度高、预测误差变化小等优点。尤其在影响因素繁多、历史数据不完整或不准确时,改进算法更能体现出优越性。     

模糊理论在中长期负荷预测中的应用

本文先介绍三种用模糊理论进行中长期负荷预测的方法的数学模型，即模糊指数平滑法，模糊线性回归法和模糊聚类预测法，然后以邢台地区实际预测为例，给出预测结果，并对三种方法进行了比较和误差分析，实践证明了这三种方法具有比传统方法预测精度高、预测误差小的优点，应予推广使用。     

电力系统中长期负荷预测的最大模糊熵模型研究

根据模糊数学理论和熵的性质，建立了应用于电力系统中长期负荷预测的模糊熵模型。该模型采用最大模糊熵的高斯聚类算法，根据历史年各项经济和人口指标，将其进行分类，然后将预测年各项指标与各类的特征指标相比较，从而预测出该年的负荷增长率。实际算例表明建立在模糊熵基础上的这种模型是有效的。     

基于偏最小二乘回归的中长期电力负荷预测

为了支持将来的经济发展和不断满足电力需求,负荷预测已成为电力部门的重要任务,而提高预测精度是负荷预测的关键问题。为此,判断了影响负荷的经济因素之间存在的多重共线性,用偏最小二乘回归方法消除其共线性影响,并建立了预测模型。结果表明,该方法能准确地估计出变量的回归系数,能避免使用普通最小二乘回归时出现的异常回归系数,预测的相对误差平均为9.83%,最小相对误差为-0.01%。     

基于改进灰色理论的中长期负荷预测方法研究

中长期负荷预测是配电网规划的必要前提,对于电力系统经济效益和社会效益的提升具有重要意义。针对传统灰色预测模型预测精度低,适用性不强的缺陷,提出了一种基于改进灰色理论的电力系统中长期负荷预测方法。该方法在经典灰色预测GM(1,1)模型的基础上,首先利用三点平滑法对历史数据进行预处理,然后再构建基于等维新息矩阵的GM(1,1)模型,最后利用残差处理方法对预测结果进行修正。基于四川某地区售电量负荷预测的实际算例的仿真结果表明,相比于传统灰色预测模型,本文提出的改进灰色预测方法在预测精度和适用性方面都具有显著优势。     

区间组合模型在中长期负荷预测中的应用

由于年负荷的发展包含稳定增长趋势成分和随机成分,因此针对单一中长期负荷预测模型通常难以达到理想的预测精度,而组合模型可以对不同的预测模型进行优化组合和信息的综合利用,提出建立基于支持向量机的变权组合预测模型,实现了组合模型的结构风险最小化代替传统的经验风险最小化。同时针对以往预测模型仅仅实现点预测的不足,建立基于区间参数估计理论的中长期负荷区间组合预测模型,可以解决以往负荷模型预测的无精度范围的问题,对传统的中长期负荷预测模型进行了拓展。最后将该模型应用于实际负荷预测中,验证了该方法的有效性和可靠性。     

基于PCA-SVM模型的中长期电力负荷预测

电力系统负荷预测模型可以分为单一指标模型和信息集(多指标)模型,为客观准确地对中长期负荷预测进行研究,就要避免重要信息的遗漏,尽可能多的考虑与其有关联的信息。针对信息集模型中的大量信息,通过主成分分析法把综合信息集简化为少数几个主成分,降低了数据的维数;引入核函数和对偶技巧对支持向量机算法进行改进,有效避免了维数灾难和目标函数不可微的问题。通过标准SVM和PCA-SVM模型仿真对比,验证PCA-SVM模型预测结果更为准确,所提方法具有一定的实用性和有效性。     

中长期电力负荷预测中的新思路

简要地介绍了中长期电力负荷预测方法的类型及局限,详细地阐述了如何用模糊聚类等方法模拟专家分析预测过程的新思路,并给出实例。     

采用正交信号修正法与偏最小二乘回归的中长期负荷预测

介绍正交信号修正法的基本思想并详细推导该算法的实现步骤,将一种改进后的正交信号修正法(orthogonal signal correction,OSC)与偏最小二乘法(partial least square method,PLS)相结合,对原始数据通过OSC消除正交分量,利用PLS建立中长期负荷预测模型。该方法能有效地去除自变量系统中与因变量无关的正交数据信息,增强自变量、因变量之间的相关性,在有限的成分中提高成分解释能力。通过算例将PLS与OSC-PLS进行比较分析,结果表明,运用OSC-PLS进行中长期负荷预测,尽管预测模型提取的成分个数变少了,但模型成分的解释性却大幅度增强, 预测精度明显提高,具有较强的实用性。     

考虑经济发展趋势的中长期电力负荷SALSSVM预测

准确的中长期电力负荷预测对电力系统的合理规划具有重要作用.考虑了经济发展趋势,提出了一种应用模拟退火算法(sA)优化最小二乘支持向量机(LSSVM)的中长期负荷预测新方法(SALSSVM).首先将反映经济发展趋势的指标和历史负荷数据作为输入变量;其次运用SA优化选择用于负荷预测的LSSVM模型最优参数值;最后将该方法与未考虑经济发展趋势或未经SA优化的LSSVM预测方法进行对比.实例验证结果表明,考虑经济发展趋势并经SA优化的LSSVM模型具有更高的预测精度.该方法是有效可行的.     

中长期负荷预测的GMDH多结构自动搜索模型

针对我国当前经济、政策变动的大背景,提出了采用数据分组处理方法GMDH(group method of data handling)结合多结构突变理论,实现时序突变点自动搜索建模,建立了中长期负荷预测的GMDH多结构自动搜索模型。该模型能够客观准确地搜索时间序列中的所有突变点,并充分利用突变点信息修正由于经济环境和突发事件引起的预测偏差,大大提高了传统时序外推预测模型的精度。华东地区的实际算例结果表明了该模型的有效性。     

中长期负荷预测模型的扩展策略

提出中长期负荷预测模型的扩展策略。该策略不仅可对现有预测方法进行改造，也可构造新预测方法。对已有预测模型通过适当扩展其可变参数数目，可增加模型自由度，提高参数估计效果和历史数据拟合精度。在进行新模型求解时，为避免最否最速下降法等直接优化方法陷入局部最优解，采用遗传算法进行模型参数辨识，从而获得更好的拟合效果。     

基于市场的中长期电力消费需求预测

中长期电力消费需求与市场发展密切相关,目前的电力需求预测方法对市场的关注度远远不够。文中从市场着眼,建立基于宏观经济、产业结构和终端能源结构等市场因素的电力消费需求预测模型。将经济增长构成要素分为投资、消费、出口3个方面,运用向量自回归(VAR)模型表征电力消费的时间序列与经济指标时间序列的关系。采用灰色理论常见模型GM(1,1)的精确形式DGM(1,1)模型对分产业用电量进行预测。根据马尔可夫预测无后效性的特点,建立最优化模型求取预测年份的终端能源概率。采用残差均方根来反映预测模型对历史数据的拟合程度,确定各预测方法权重,进行组合预测。文中以某省电力消费数据为实例,预测该省中长期电力需求,并通过校验证明了方法的准确性。