基于计量经济-灰色理论的多变量电力负荷预测方法

为了充分考虑城市发展变化的多元性与预测电力负荷过程中的各种影响变量,提高电网规划中电力负荷的预测精度,本文提出了基于计量经济-灰色理论的多变量电力负荷预测方法。该方法首先通过电力负荷与各变量之间的相关性分析,确定预测过程中与电力负荷强度相关的各影响变量。然后利用统计学中的计量经济理论,找到彼此之间的联系,建立电力负荷与各变量之间的数学预测模型。最后再利用灰色理论对目标年各变量的值进行预测,以解决数据匮乏、波动的不确定性所带来的难题,并带入数学模型,完成预测。工程实例验证了该方法是正确和有效的。     

基于智能技术的短期负荷预测研究

电力系统负荷预测是电力研究的一个重要组成部分,随着电力智能化的加快发展,为电力负荷预测提供了更准确有效的方法。目前有多种电力负荷预测方法,但由于预测模型适用条件的限制,使得负荷预测存在困难。因此,本文选择了基于统计理论的支持向量回归方法来进行预测。文中结合贵州某经济开发区短期电力负荷的历史数据,应用支持向量回归法对该负荷进行了预测,得到了精度较高的预测结果。     

基于相空间重构和EMD-ELM的短期电力负荷预测

<正>为了提高短期电力负荷预测准确度,本文将相空间重构、经验模态分解和极限学习机等理论相结合,建立了基于相空间重构和EMD-ELM的短期电力负荷预测模型。预测结果表明,基于相空间重构和EMD-ELM的短期电力负荷预测模型的均方根误差、平均相对误差和全局最大相对误差分别为23.49(均方根误差没有单位)、4.24%和9.58%,远小于其他预测模型,验证了该短期负荷预测方法的正确性和有效性。     

基于SARIMA-GRNN-SVM的短期商业电力负荷组合预测方法

针对短期商业电力负荷预测准确性与周期难以满足现有电力现货市场的问题,提出了一种基于SARIMAGRNN-SVM(seasonal autoregressive integrated moving average-generalized regression neural network-support vector machine)的商业电力负荷组合预测模型。首先,对商业电力负荷变化的周期规律与随机因素的复杂影响进行了分析;然后,结合以上分析,选用SARIMA和GRNN为单一预测模型对商业电力负荷进行预测,并利用SVM进行组合,实现日前商业电力负荷预测;最后,通过某商业综合体的电力负荷数据进行验证。所提组合预测模型较单一预测模型拥有更优的预测精度与鲁棒性,可以为短期商业电力负荷预测提供借鉴。     

基于改进MOPSO-BP算法的短期电力负荷预测研究

短期电力负荷预测为电力规划的科学性、电力调度的合理性、电力运行的经济性提供了有效的指导,近年来,神经网络在预测短期电力负荷中得到了广泛应用。针对BP神经网络预测方法的自主学习能力强但预测结果容易陷入局部最小值的缺点,首先建立了三种短期电力负荷预测模型,分别是基于BP神经网络的预测模型,基于自适应网格法的多目标粒子群优化算法(MOPSO)优化BP神经网络的MOPSO-BP预测模型,以及基于拥挤距离法改进的MOPSO优化BP神经网络的改进MOPSO-BP预测模型;再利用Matlab软件进行仿真对比,研究哪种模型预测电力负荷的精度更高。结果显示,基于拥挤距离法的改进MOPSO-BP模型预测结果比其他两个预测模型的预测结果更接近真实负荷值,这表明利用改进MOPSO-BP模型对电力负荷预测的效果最好,可以为现场短期电力负荷预测提供理论依据与借鉴。     

山西电网年最大电力负荷和峰谷差的灰色预测及电网调峰的对策

本文应用灰色系统理论，建立了山西电网年最大电力负荷和峰谷差的灰色预测模型并计算出到2005年的年最大电力负荷和峰谷差的预测值。根据预测结果，针对解决电网调峰问题提出了相应的解决办法和措施。     

电力系统中长期负荷的可变权综合预测模型

中长期电力负荷预测是电力系统安全调度、经济运行、优化规划和科学管理的基础与前提，预测的精度高低对国民经济各部门至关重要，因而对电力负荷中长期预测方法的研究既有理论价值又有实际意义。鉴于中长期负荷预测具有研究时间跨度长，影响预测的物理因素复杂且不确定性较大等特点，同时现有的综合预测模型中大都采用了固定不变的权重，本文提出了一种权重可变的电力负荷综合优化预测模型，以更好地反映电力负荷变化的规律。详细的算例分析充分说明了该预测方法的有效性。     

基于LSTM与XGBoost组合模型的超短期电力负荷预测EI北大核心CSCD

为进一步提高电力负荷预测精度,提出了基于LSTM(longshorttermmemorynetwork,LSTM)和XGBoost(eXtremegradientboosting)的组合预测模型。针对电力负荷数据,首先建立了LSTM预测模型和XGBoost预测模型,然后使用误差倒数法将LSTM与XGBoost组合起来进行预测。采用2016年电工数学建模竞赛的电力负荷数据进行算例分析,结果表明所构建的LSTM和XGBoost组合预测模型的MAPE(mean absolute percentage error)为0.57%,明显低于单一预测模型。将上述方法与GRU(gated recurrent unit)和XGBoost两者组合的预测模型相比较,结果表明所提出的方法具有更高的超短期电力负荷预测精度。     

组合预测方法在电力系统负荷预测中的应用研究

组合预测方法是一种性能优越的预测方法。选择了电力负荷预测精度较高的两种单一预测模型——无偏灰色预测模型和时间序列预测模型,通过它们建立了三种不同的组合预测模型,对我国电力负荷进行了预测,验证了组合预测模型的优越性。最后,通过对三种组合预测模型的预测结果进行对比,选择一个最适合电力负荷历史数据的模型,通过该模型对我国社会用电量进行预测,获得了较好的预测效果。     

基于组合式神经网络的短期电力负荷预测模型

通过对电力负荷变化规律和影响因素的分析,提出了一种基于组合式神经网络的短期电力负荷预测模型。该模型综合运用神经网络、模糊聚类分析和模式识别理论方法进行建模。首先,采用模糊聚类分析方法,以每天的24点负荷数据、天气数据以及天类别数据为指标,将历史数据分成若干类别;其次,对每一类别建立相应的神经网络预测模型;预测时通过模式识别,批出与预测天相符的预测类别,利用相应的神经网络预测模型进行24小时的短期电力负荷预测。对绍兴地区2年多的实际负荷变化数据进行预测分析的结果表明,该模型不仅对普通工作日有较高的预测精度,对双休日、节假日和一些特殊情况也有较好的预测精度。     

小网电力短期负荷预测的理论与数学建模

结合自贡沿滩局电力负荷预测的实际,提出了小网电力负荷预测应遵循的原则和采取的方法;提出了这类负荷预测的数学预测建模。     

基于ARMAX模型的电力负荷预测

在综合考虑电力负荷的特点和影响电力负荷各种因素的基础上 ,采用 ARMAX模型对电力负荷进行预测 ,该模型具有在线修正参数的功能。对兰溪供电局的电力负荷的预测结果表明 ,该模型具有比较高的预测精度。     

售电量分类预测模型及其软件开发

为了进行有效而高质量的售电量预测,根据实际电力系统电价和影响因素的不同,将售电量分为五类,运用人工神经网络中的误差反向传播算法,利用重庆某地区历年来的月温度和月售电量等数据建立起最佳预测模型进行学习训练,并用重庆某供电局2006年的售电量实际值和预测值进行校验.最后利用MATLAB平台开发出了实用化的售电量分类预测软件.实际算例的分析表明,售电量分类预测比售电量总体预测具有更好的预测精度和实用价值.     

基于数据挖掘的电力负荷脏数据动态智能清洗

来源于SCADA系统的负荷历史数据由于各种原因含有一定的脏数据,在进行高精度的电 力负荷预测或系统分析前必须仔细而合理地对历史数据进行清洗。文中基于数据挖掘理论提出一 种动态的智能清洗模型,先根据模糊软聚类思想对Kohonen神经网络进行了改进,改进后的 Kohonen神经网络能实现模糊软聚类的并行计算,提出的动态算法能根据样本集的更新而自动确 定新的聚类中心(即特征曲线),最后与径向基函数(RBF)网络一起构成脏数据的智能清洗模型。 模型的快速性和动态性特点使其宜于进行负荷数据的实时处理,对重庆江北负荷数据的实例分析 说明了该模型的高效性。     

基于水气用量的配电网线路负荷精准预测

在电网迎峰度夏和度冬时,空调负荷急剧变化,部分输电线路出现过载、越限等情况,严重时甚至造成主变压器过载,影响电网安全运行;因此,有必要对配电网线路的空调负荷进行预测,进而实现配电网线路短期负荷的精准预测。为此,调用水务公司的用水量数据和燃气公司的用气量数据,以供电台区为分析单元,利用大数据挖掘方法分析人口迁移变化情况,采用偏最小二乘回归分析方法研究配电网线路的空调负荷与水、气用量的关系,结合ARMA(自回归滑动平均)时间序列分析法综合预测配电网线路负荷。该方法极大地提升了负荷预测的准确性,对于电网的规划改造、安全运行以及提升供电服务质量都具有重要的意义。     

基于灰色模型的电力负荷短期预测

准确的负荷预测可以保证电网的安全稳定运行,提高电力系统运行的经济效益,为此,基于灰色理论建立了电力负荷预测模型,并结合陕西省汉中市区电力局某变电站2006年7月的实际负荷讨论了灰色模型在短期负荷预测中的应用,实例计算表明,该模型具有预测精度高、计算过程简单等特点。     

基于混沌神经网络理论的小电网短期电力负荷预测

通过对小电网负荷数据的特点分析,将时间序列处理、混沌理论和神经网络理论相结合提出了一种基于混沌神经网络理论的电力负荷预测模型。利用Matlab对实际数据进行了仿真计算。通过实例计算,并和不用相空间重构的神经网络的负荷预测算法的各种误差指标的分析比较说明,利用相空间重构对历史数据序列进行拆分或重构可以提高负荷预测的精度。     

基于混沌神经网络理论的小电陨短期电力负荷预测

通过对小电网负荷数据的特点分析，将时间序列处理、混沌理论和神经网络理论相结合提出了一种基于混沌神经网络理论的电力负荷预测模型。利用Matlab对实际数据进行了仿真计算。通过实例计算，并和不用相空间重构的神经网络的负荷预测算法的各种误差指标的分析比较说明，利用相空间重构对历史数据序列进行拆分或重构可以提高负荷预测的精度。     

基于小波软阈值的中长期电力负荷预测研究

由于中长期电力系统负荷数据相对较少，影响因素广泛，常用的负荷预测方法很难达到满意的精度，所以提出一种结合小波软阈值和广义回归神经网络的综合预测模型，该模型充分考虑了长期负荷数据相对较少和影响因素广泛的特点，把负荷预测看作一个信号序列，应用小波去噪原理，将信号与噪声分离，然后利用广义回归神经网络进行预测。实际应用证明，预测结果是令人满意的。     

针对电网负荷突变的可再生能源系统并网算法研究

RPS（可再生能源系统）的推广需要考虑特定电网的供求量、气象及地理特性,以预测合理的RPS容量及最优经济配比,从而达到建设成本的最优.一种合理的并网算法,能够保证RPC 与负荷需求的供需平衡,同时保障电网的电压水平.利用一个模拟电网模型,基于潮流算法设计了一种电网负荷突变的RPS并网稳定算法,以确保电网内负荷突变与RPS的供需平衡及电能质量.