电力负荷短期预防系统的研制和应用

介绍了在浙江省应用的电力负荷短期预防系统的数学模型、功能特点和应用情况，分析了应用系统后的节能效果。     

基于混沌理论的电力负荷短期预报的神经网络方法

探讨了电力负荷的混沌特性,提出一种基于混沌理论的神经网络训练样本预处理技术,该技术与常规方法相比,其预测精度和收敛速度都有较大的提高。     

电力系统短期负荷预报

展示了从１小时至１周内电力系统短期负荷预报模型与方法的现状及最新发展，讨论了两类八种的主要特性，指出了负荷预报精度的途径，并给出了有关的结论。     

基于气象因素的短期电力负荷ANN预报模型

提出了一种基于气象因素,利用人工神经元网络进行电力系统短期负荷预报的方法,该方法比较全面地考虑了气象因素对电力系统负荷的影响,操作方便,易有,仿真计算和实例预报结果表明,预报准确较高。     

基于混沌时间序列的电力负荷短期预测方法

针对加权一阶局域法单步预报计算量大且存在累积误差的不足,在相空间重构技术基础上提出了一种加权一阶局域法多步预报模型。通过对统一混沌系统的预测仿真,证明该模型对混沌时间序列多步预报的有效性。采用加权一阶局域法对四川省电力系统日负荷进行了短期预测,实际结果说明加权一阶局域法的预测精度能满足要求。     

应用小波-人工神经网络组合模型研究电力负荷预报

针对负荷时间序列的非线性和多时间尺度特性．提出了将小波分析与人工神经网络相结合进行负荷预报的方法——小波-人工神经网络组合模型。该模型吸取了小波分析的多分辨功能和人工神经网络的非线性逼近能力。以月、日平均负荷预报为例对模型进行验证．结果表明：该模型的拟合、检验精度较高。     

应用日负荷曲线进行电力调度与节能管理探索

<正> 一、日负荷曲线的概念日负荷曲线就是将一个电网、一个用电单位或者一台变压器一天内的用电情况—指负荷量—在图上反映出来。从绘出的日负荷曲线上,可以知道一天的用电峰期、低谷期的时间及其相应的负荷量;也可以反映出平均负荷、负荷率和一天的总用电量等参数。连续绘制这种负荷曲线可以掌握相应电网、用电单位、单台变压器的用电规律,为实现用电合理调度提供决策依据。二、日负荷曲线的应用 1.用日负荷曲线管理用电,实行计划调度,在我国企业中还不多见。过去,在用电管理上,单凭经验进行调度,缺乏科学性,加上人为的因素,常常形成用电不合理的状况。用电量波动大,造成超电和窝电情     

电力负荷和供热负荷的灰色关联分析

电力负荷与供热负荷紧密相关，热电联产有利于节能和改善环境质量。文章对两者进行了灰色关联分析，以期对是否采用热电联产提供一个科学的依据。     

基于VMD-LSTM-MLR的短期电力负荷预测

针对短期电力负荷预测精度不高的问题,提出集合变分模态分解(VMD)、长短期记忆(LSTM)网络及多元线性回归(MLR)的VMD-LSTM-MLR预测方法。先使用VMD将电力负荷数据分解为特征、频率均不同的本征模态函数,然后用LSTM对高频部分进行预测,用MLR对低频部分进行预测,最后将LSTM与MLR得到的预测结果进行叠加,获得完整的预测结果。使用VMD-LSTM-MLR预测方法对江苏省某市电力负荷数据进行预测,验证了VMD-LSTM-MLR在预测电力负荷数据上有较高的精度,其平均绝对百分比误差M_(APE)、均方根误差R_(MSE)均低于目前比较典型的改进算法,以及所列举的4种组合算法。     

电力负荷监控技术应用研究

阐述了我省应用负荷监控技术现状，研究分析了负荷监控系统的技术发展，对同荷监控系统及应注意解决的问题进行了探讨。     

基于CNN-BiGRU-Attention的短期电力负荷预测

针对目前电力负荷数据随机性强,影响因素复杂,传统单一预测模型精度低的问题,结合卷积神经网络(Convolutional neural network,CNN)、双向门控循环单元(Bi-directional gated recurrent unit,BiGRU)以及注意力机制(Attention)在短期电力负荷预测上的不同优点,提出一种基于CNN-BiGRU-Attention的混合预测模型。该方法首先通过CNN对历史负荷和气象数据进行初步特征提取,然后利用BiGRU进一步挖掘特征数据间时序关联,再引入注意力机制,对BiGRU输出状态给与不同权重,强化关键特征,最后完成负荷预测。试验结果表明,该模型的平均绝对百分比误差(Mean absolute percentage error,MAPE)、均方根误差(Root mean square error,RMSE)、判定系数(R-square,R²)分别为0.167%、0.057%、0.993,三项指标明显优于其他模型,具有更高的预测精度和稳定性,验证了模型在短期负荷预测中的优势。     

基于相似日和SAE-DBiLSTM模型的短期电力负荷预测

提高短期电力负荷预测精度有助于电力公司高效地管理能源和更加经济可靠地运行。随着信息通信技术在电力系统的广泛应用,可获得的电力系统数据迅速增多,为数据驱动的电力负荷预测提供了数据基础,但这些数据通常结构性较差且特征不明确。由此,提出了基于相似日和SAE-DBiLSTM模型的短期电力负荷预测方法。首先,对获得的电力负荷数据进行预处理,并利用栈式自编码网络无监督提取由相似日、基准日负荷数据和天气信息构成的数据隐含用电特征;再将所得的隐含用电特征输入深度双向长短期记忆网络(Deep bi-directional long short-term memory,DBi LSTM)进行训练学习;最后用2016年全国大学生电工数学建模竞赛数据集,将所提模型与其他模型进行对比测试(包括DBiLSTM、SAE-ELM、SAE-DGRU、SAE-DLSTM和SAE-DBiLSTM)。试验结果表明,SAE-DBiLSTM组合模型在不同地区均具有更高的预测精度,该方法简单可靠且能更好地预测短期区域电力负荷。     

基于改进ABC和IDPC-MKELM的短期电力负荷预测

为提高受外部因素影响敏感的短期电力负荷预测精度,提出了一种基于改进ABC优化密度峰值聚类和多核极限学习机的短期电力负荷预测方法。构建融合特征提取、人工蜂群算法（ABC）、密度峰值聚类（DPC）和核极限学习机（KELM）的短期电力负荷预测模型。针对ABC收敛效率不高的缺陷,设计新型蜜源搜索和蜜蜂进化方式,以提升改进ABC全局寻优能力;针对DPC截断距离与聚类中心人为设定的不足,定义邦费罗尼指数函数和聚类中心截断指标,并将改进的ABC应用于DPC参数优化过程,以实现DPC最佳聚类分析;针对KELM回归能力不强、参数选取难以确定的问题,设计多核加权KELM,并采用改进的ABC进行参数优化,以提高极限学习机预测精度。仿真结果表明,所提短期电力负荷预测方法更具有效性,平均误差低了约8.8%～39.8%。     

短期电力负荷预测的GM(1,1)模型群方法及应用

针对灰色GM（1，1）模型用于电力短期负荷预测不能有效反映负荷周期性变化及精度不高的问题，提出了GM（1，1）模型群方法。该方法通过分时段（时、天）单独建模，利用一群GM（1，1）模型进行预测，有效提高了预测精度并很好地反映了负荷的周期性变化。该方法克服了使用GM（1，1）模型不能很好体现实际负荷过程的局限，具有较高的实用价值，拓宽了GM（1，1）模型用于电力负荷预测的范围。     

谈电力负荷计算方法的改进

谈电力负荷计算方法的改进辽宁省轻工设计院齐岱云１前言电力负荷计算是供电设计的基础，无论是单台用电设备，还是一组、两组、多组用电设备，其电力负荷均不是一个固定值，它在一昼夜、一年内均随时间、工艺等特征、生产规律等因素而不断地变化。负荷或高或低、或大或小...     

多元负荷条件下的电力需求预测

微电网作为公用电网的有益补充,位于负荷末端,可以在电网末端起到提高用户供电可靠性,加强电网供电能力的作用,其规划设计必须紧密联系负荷情况确定。目前电网末端的负荷逐渐趋向于多元化,已不再仅仅为简单的电力负荷,逐渐向多元负荷的耦合性转化。探讨了在多元负荷情况下进行微电网负荷预测。阐述了现有负荷预测的方法,选择负荷密度法作为基础负荷预测方法,并以上海浦东为例进行了负荷特性调研,作为负荷密度法预测负荷的基础,然后针对微电网系统中较多出现的分布式电源及较大范围下可能出现的电动汽车的负荷进行了建模分析。其中,风电与光伏采取了数据拟合的方法求取了±95%概率下的出力;电动汽车利用蒙特卡洛模拟法分析了无序充放电及有序充放电情况下对微电网的负荷预测影响。     

基于EMD和长短期记忆网络的短期电力负荷预测研究

针对电力负荷非线性、非平稳性、时序性等特点,提出了一种基于EMD-LN-LSTM的短期电力负荷预测模型。利用经验模态分解(EMD)将经数据预处理之后的原始电力负荷数据分解为有限个内涵模态分量(IMF)和一个残差分量,以降低负荷序列的非平稳性和复杂度。将分解后的各分量分别输入到长短期记忆网络(LSTM)中进行预测,同时利用层标准化(LN)对LSTM进行规范化处理,优化网络模型。对各分量预测值进行重组,求出最终的负荷预测结果。以多伦多真实数据为算例,分别使用EMD-LN-LSTM模型和其他模型进行预测,结果表明:EMD-LN-LSTM模型24 h平均绝对百分比误差相较于RNN模型、LSTM模型分别降低了3.600%、1.864%,而拟合优度均高于RNN模型、LSTM模型,表明该模型能够更好地拟合负荷曲线,具有较高的预测精度。     

火电厂时间序列的神经网络预报

神经网络用于火电厂时间序列预报无需作平稳性假设。它从序列样本中学习序列本身的内在规律,从而建立正确的火电厂时间序列模型。神经网络将寻求序列规律的过程转化为Ｒ＾ｎ→Ｒ＾ｍ逼近的非线性映射的非线性优化问题,用经过改进的静态ＢＰ算法可以取得较炙满意的结果。适当增加输入单元的历史序列样本,可以得到对序列更为精确的预报。实例表明神经网络能够对火电厂时间序列进行较好的预测。     

华中地区电力负荷与气温的关系分析

基于华中电网六省(市)2010年3月~2013年2月逐日的电力负荷资料,分离出随气象因素变化的气象负荷,采用相关分析法分析了气象负荷与同期气温的相关关系,研究了气象负荷随气温变化的规律,探讨了华中各省(市)气象负荷与气温关系的异同。结果表明,华中电网气象日负荷与日平均气温的相关关系最显著,日平均气温大于20℃时呈正相关,日平均气温小于20℃时呈负相关;夏季日平均气温在28℃以上、冬季日平均气温在4~10℃时,气象日负荷对气温变化最敏感。     

加强季节性电力负荷研究

分析了季节性电力负荷的成因、发展及危害,建议开展季节性电力负荷的调查研究,并对扼制季节性电力负荷的发展提出若干条原则性意见。