基于随动思想的月度用电量时间序列预测模型

针对北方城市月度用电量变化的特点,建立了基于随动思想的月度用电量时间序列预测模型。该模型具有数据分析功能,可根据数据变化的特点自动选择适应的模型,同时采用时间序列方法,避免了预测其他非用电量因素的困难,较好地解决了目前通用软件存在的问题。对哈尔滨市月度用电量进行实际预测,取得了理想的结果。     

月度用电量灰色预测改进模型

灰色模型是年度电量预测的有效方法。引入季节指数平滑法改进灰色模型,使其更适合具有季节周期性的月度用电量预测;并提出了一种基于马尔科夫过程的残差修正法,以提高月度电量预测的准确率。最后,以某市月度用电量进行实际预测为例,通过与其他模型的比较,验证了改进模型在月度用电量预测中的有效性。     

计及经济因素的混合模型电量预测研究

精确的电量预测是进行电网规划和建设的重要依据.为解决月度用电量预测方法思路单一、预测模型通用性不强、预测精度低等问题,通过对区域用电量与经济的历史数据研究分析,提出了一种计及经济因素影响的混合模型月度用电量预测方法.该方法将回归分析法和指数平滑法这两种预测方法相结合,建立电量预测模型,取得了较高的预测精度;最后,将本模...     

基于弹性网络模型的月度用电量预测方法

由于现有月度用电量预测所选影响因素较少,无法较为全面地反映与用电量强关联的因素,同时针对高维数据变量筛选和高精度预测等突出难题,文中提出了一种弹性网络用电量预测模型。为了考虑更为全面的影响因素,建立了用电量、气象、经济、交通4类,共340个变量的数据集。首先对8年96个点的高维变量数据进行弹性网络因子筛选,然后使用Granger因果关系分析找出了用电量数据与其它数据的关联关系,对一年范围内的全社会月度用电量使用弹性网络进行预测,预测结果的平均绝对百分误差为3.07%。为验证该模型的有效性,对比向量自回归(VAR)模型,反向传播(BP)模型和最小绝对值收缩和选择算子(Lasso)预测的效果,验证了文中所提方法预测精度较高。     

基于季节ARIMA模型的月度用电量置信区间预报模型

结合广东某地区用电量预测系统的开发工作,建立了基于季节ARIMA模型的月度用电量置信区间预报模型。该模型可方便求解出含一定置信度的预报结果范围,能体现出月用电量的真实值;时间序列方法的应用,避免了预测其他非用电量的困难。此外,还分析了数据统计中存在着的数据缺失问题及其处理方法。对地区电网月度用电量进行实际预测,取得了理想的结果。     

基于隐马尔科夫修正的光伏中长期电量预测及调度计划应用

构建高精度的光伏中长期可用电量预测模型,对电力市场调度模式下的月度计划制定具有重要意义。为此,首先建立了基于差分自回归移动平均模型的光伏发电可用电量预测统计模型,实现了横向逐月移动的未来年际预测;然后,考虑光资源月度的差异性和同季节的平稳性,提出了基于隐马尔科夫模型的光伏发电可用电量预测修正方法,实现了纵向同月递推的差异月度预测修正。基于新疆电网某地区光伏运行数据,对方法的有效性进行了验证,结果表明所提出方法预测精度较高。最后,通过在新疆新能源月度计划控制系统中进行应用,实现了月度计划和日前计划动态滚动跟踪相结合的调度计划模式,满足了调度生产运行的需求。     

基于FWA-LSSVR智能算法的钢铁行业用电量预测研究

针对近年来宏观经济指标与钢铁行业用电量关联度下降的情况,提出了一种基于行业产品及原材料价格的用电量预测方法,并使用移动平均法和时差相关分析法进行数据消噪处理和价格影响滞后期测算,在此基础上,建立了烟花算法优化最小二乘支持向量回归机智能预测模型。利用该模型对某地区实际月度用电量进行预测,结果表明,与多元线性回归、BP神经网络等模型相比,所提出的方法具有更好的预测性能,更适用于钢铁行业用电量月度预测,可为准确预测钢铁行业用电量、合理把握电力需求波动及制定经济合理电力调配计划提供参考,为电源和电网的建设提供辅助决策支持。     

基于LSTM神经网络的用电量预测

阐述了收敛交叉映射(CCM)方法及LSTM神经网络模型在用电量预测中的具体应用。针对城市用电量时间序列的非线性特点,结合动力系统理论,采用CCM方法研究用电量和温度、风速、相对湿度、降水之间的动力学因果关系,建立LSTM神经网络模型,并将该模型在H市用电量预测中进行了初步应用。研究结果表明,LSTM神经网络模型在城市用电量预测中年度预测相对误差小于月度预测相对误差,具有较高精度;改进的引入温度因素的LSTM神经网络模型,月度、年度预测相对误差均有改进,反映了运用CCM方法研究动力学因果关系的合理性以及LSTM神经网络模型在城市用电量预测中广泛的实用性。     

陕西电网月用电量预测模型的研究

未来年度电网月用电量预测对于电网调度运行非常重要。本文基于月度乘积模型,建立了陕西电网月用电量预测模型,用该模型对陕西电网月用电量进行了预测分析,将预测值与2003年1月至2007年12月期间的实际观测数据对比,年最大误差小于1%,预测精度较高。为准确预测月用电量提供了一种较为可行的分析预测方法。     

陕西电网月用电量预测模型的研究

未来年度电网月用电量预测对于电网调度运行非常重要。本文基于月度乘积模型,建立了陕西电网月用电量预测模型．用该模型对陕西电网月用电量进行了预测分析,将预测值与2003年1月至2007年12月期间的实际观测数据对比,年最大误差小于1％,预测精度较高。为准确预测月用电量提供了一种较为可行的分析预测方法。     

基于多层分解——累加原理的城市综合体月度用电量预测方法

由于存在严重的模型过拟合问题,传统的城市综合体月度用电量单步预测方法往往不能提供准确的预测结果。提出一种基于多层分解-累加原理的城市综合体月度用电量预测方法。该方法首先将城市综合体内部负荷根据其负荷特性细分为3类;然后,针对每一类型的负荷搜集其历史小时用电量数据,并根据数据的星期标签再次分解,以提高多步预测模型的预测精度;接着,使用改进的经验模态分解(improved empirical mode decomposition, IEMD),将用电量序列中不同尺度的波动和趋势特性分离开来,并利用极端梯度提升(extreme gradient boosting, XGBoost)算法对分解后的各分量分别建立对应的多步预测模型;最后将预测结果逐层累加得到月度用电量预测结果。研究结果表明,文章提出的方法能够有效地捕捉城市综合体用电量变化规律,其预测误差精度比传统方法提升了18.2%~34.9%。     

基于功率或电量预测的智能配电网统计线损同期化方法

智能配电网中电量采集数据缺失、遗漏导致按月线损统计不是严格意义上的自然月。为解决线损统计不同期问题,提出基于功率或电量预测的方法来改善配网线损统计。通过挖掘售电量数据,提出了一种基于年度售电量的灰色预测结果。再根据季度、月度层级占比得到月售电量的预测方法,与实际值的平均相对误差仅为1.94%,证明此方法简单有效适合电力各部门的广泛应用。将月售电量预测结果应用于线损统计,结合供电比例系数法,改善表计供、售电量不对应的问题,使得同期化,对按月实时分析网损有实际意义。     

应用于月度用电量预测的小波分析法

月度用电量预测是中期负荷预测的主要内容,也是制定月度发电规划的基础。文中以美国亚利桑那州为例,采用小波分析法,首先使用小波变换获得若干个采样点减少一半的小波系数;然后分别对各系数插零、重构,恢复到原数据的长度;最后采用RBF神经网络对恢复长度的各系数进行预测。该方法将月度用电量的时间序列分解成趋势项和波动项,分别进行预测,提高了预测精度。     

提高月度售电量预测精度的一种新方法

通过对地区售电量历史数据的研究分析,挖掘出其发展的规律和特点,并创新性地提出了一种月度售电量预测的新疗法该方法在预测某月售电量时,先预测出该月所在季度的季度售电量,再根据占季比和所在季度的季度售电量的预测值,预测出该月的售电量,若该月处于春节影响期将最后给予修正．利用该预测新方法对江苏某市2005年4月至2007年12月的月度售电量进行了预测,预测的平均相对误差为2．35％,顶测精度得到了较大的提高,证明了该预测新方法的准确性和可靠性。     

基于多维特征分析的月用电量精准预测研究

用户用电量的精准预测是智能配用电大数据应用和发展的关键之一。区别于传统的基于行业分类的预测办法,提出基于大数据挖掘技术的用户用电多维度特征识别,以及在此基础上的精准用电量预测方法。基于海量多用户用电特性,建立多维度用电特征评价指标体系。对用户用电特性空间进行聚类和分析,挖掘和识别用电模式。在不同的用电模式下,分别建立用电量时间序列预测模型,避免用电模式差异对预测算法准确性造成的不利影响。该方法适用于大数据平台的分析与处理,算例分析结果表明其相比以往方法能显著提高预测精度和稳定性。     

基于协整-格兰杰因果检验和季节分解的中期负荷预测

近年来,随着国民经济的转型,中国的经济结构发生了较大的变化,仅仅依靠电力负荷历史数据进行负荷电量预测会造成较大的误差。为解决传统负荷预测方法对于经济、气象等因素考虑不足的问题,提出了一种可以计及经济与气象等因素影响的中期负荷电量预测方法。首先利用季节分解将历史月度用电量分解为长期趋势及循环分量、季节分量以及不规则分量;并以计量经济学中的协整检验以及格兰杰因果检验分析经济因素与用电量长期趋势及循环分量的关系,确定影响该部分电量预测的关键性指标;基于电量、气象以及经济数据,对各个分量利用支持向量机分别进行预测并综合得到月度电量总量预测值;最后通过算例分析了方法的有效性与可行性。