含有山区小水电负荷的气象回归短期负荷预测技术

将负荷分解为正常负荷及小水电负荷,进一步将其分别分解为气象负荷和长期趋势负荷分量,建立气象因素和气象负荷的回归关系,并以回归结果对历史负荷数据进行相似搜索,该方法可提高预测样本同被预测日负荷的相似度,从而增加预测结果的可信度和精确度。采用多种负荷预测方法以权重优化组合的方式进行负荷组合预测。应用实例证明,所提出的方法可体现不同地区、不同类型、不同气象敏感度的负荷特性,对于负荷总量较小,变动范围较大,受天气因素影响明显且含有山区小水电负荷的地区具有较好的精度。     

含有山区小水电负荷的气象回归短期负荷预测技术

将负荷分解为正常负荷及小水电负荷,进一步将其分别分解为气象负荷和长期趋势负荷分量,建立气象因素和气象负荷的回归关系,并以回归结果对历史负荷数据进行相似搜索,该方法可提高预测样本同被预测日负荷的相似度,从而增加预测结果的可信度和精确度.采用多种负荷预测方法以权重优化组合的方式进行负荷组合预测.应用实例证明,所提出的方法可体现不同地区、不同类型、不同气象敏感度的负荷特性,对于负荷总量较小,变动范围较大,受天气因素影响明显且含有山区小水电负荷的地区具有较好的精度.     

基于TCN-LSTM和气象相似日集的电网短期负荷预测方法

为充分挖掘不同气象因素的相似日信息和输入特征蕴含的信息以提升负荷预测精度,提出一种基于时间卷积网络和长短期记忆网络组合（TCN-LSTM）和气象相似日集的电网短期负荷预测方法。首先通过Pearson系数和最大信息系数,选出与负荷强相关的气象因素;然后根据该气象因素,选取最佳相似日组成气象相似日集,以气象相似日集负荷、历史负荷、气象因素和时间因素作为预测模型的输入特征;最后,搭建TCN-LSTM预测模型,用TCN进行特征提取后,再用LSTM网络完成短期负荷预测。以中国某地区的实际历史数据进行仿真验证,结果表明所提预测方法可有效提升负荷预测精度。     

考虑关键气象因素的时间卷积网络充电桩负荷预测

为解决电动汽车EV(electric vehicle)充电负荷易受气象因素影响产生“时移”的问题，提出一种考虑关键气象因素的时间卷积网络充电桩负荷预测方法。首先分析不同气象因素即气温、降雨、风速、降雪、相对湿度、日照总强度对EV充电负荷的影响，利用最大相关最小冗余准则提取关键气象因素。其次，为简化相似日选取步骤并保证分类准确性，引入孪生网络选取不同天气类别下充电负荷相似日。最后以关键气象因素和相似日历史负荷作为时间卷积网络的输入向量进行EV充电负荷预测。对比实验表明，考虑气象影响可有效提高负荷预测精度。     

基于虚拟相似日与DA-LSTPNet的地区电网短期负荷预测

针对短期负荷预测精细化的需求,提出一种基于虚拟相似日与双阶段注意力机制的长短期时序神经网络(DA-LSTPNet)的地区级短期负荷预测方法.为获得与负荷相匹配的细粒度实时气象数据,首先基于粗粒度的气象数据,利用灰色关联度和关联度加权法获取含细粒度气象数据的气象虚拟相似日.然后,采用最大信息系数(MIC)对气象特征信息与负荷进行非线性关联性分析,构建MIC加权下的负荷虚拟相似日选取算法,解决选取历史日作为传统负荷相似日而导致的过分局部相似乃至非相似的问题.最后,针对过往预测模型缺乏考虑特征因素与局部负荷细粒度变化之间联系特性的问题,构建能够有效挖掘负荷特征数据长期宏观以及短期局部变化特性的DA-LSTPNet进行日前短期负荷预测.以中国南方某地区电网实际负荷数据为例,采用多种形式的仿真验证了所提预测方法具有更高的预测精度和普适性.     

基于相似日选择和BP神经网络的商场短期负荷预测

为了改进传统楼宇短期负荷预测的准确度与效率,以上海市某商场建筑为研究对象,采取了基于相似日选取和BP神经网络的方法,对其夏季短期负荷进行了预测。首先,对夏季气象类因素进行去量纲处理,并采用灰色关联度挑选出对负荷影响最大的气象因素;然后,以关键气象因素为基准,采用加权相似度函数选择相似日,并按照相似度大小进行降序排列;最后,将相似日的负荷和关键气象因素数据输入到BP神经网络模型中,预测输出该商场2017年夏季短期负荷值,并对预测结果进行对比分析。通过实例数据进行了算例验证,结果表明,提出的方法具有较好的有效性和实用性。     

考虑实时气象耦合作用的地区电网短期负荷预测建模

传统的短期负荷预测中并未考虑实时气象因素的耦合作用,针对此提出了考虑实时气象耦合作用的时域卷积网络短期负荷预测方法。首先,分析了各项实时综合气象指数与负荷曲线的相关性,进而构建了混合日特征量与实时气象因素的相似日选取方法。然后,引入各项实时综合气象指数作为模型输入。最后,采用能够充分考虑并包容实时气象因素与负荷"时差性"特点的时域卷积网络进行日前负荷预测建模。实验仿真以某地区电网实际负荷为例,研究表明该预测模型能够有效提升地区电网日前负荷预测精度。     

基于分区逐时气象信息的全网负荷预测研究

负荷与气象是密切相关的,尤其在夏冬两季。以省网负荷预报为例,在传统的电力负荷预测中,所采用的气象信息一般是全省、全天的气象信息,比如全省最高温度、最低温度等等。当前,气象预报技术已经可以做到分区、逐时预报。该文总体思路是将分区逐时气象预测数据应用于负荷预报,以进一步提高负荷预测精度。指出了按照行政区域和气候区域相结合来分区,定义了基于负荷的综合气象因素,提出了根据网供电与综合气象因素进行预测的策略,给出了将相似日方法与支持向量机相结合的负荷预测方法。最后给出在河南电网应用的实际结果,对比表明采用逐时气象信     

基于分区逐时气象信息的全网负荷预测研究

负荷与气象是密切相关的,尤其在夏冬两季.以省网负荷预报为例,在传统的电力负荷预测中,所采用的气象信息一般是全省、全天的气象信息,比如全省最高温度、最低温度等等.当前,气象预报技术已经可以做到分区、逐时预报.该文总体思路是将分区逐时气象预测数据应用于负荷预报,以进一步提高负荷预测精度.指出了按照行政区域和气候区域相结合来分区,定义了基于负荷的综合气象因素,提出了根据网供电与综合气象因素进行预测的策略,给出了将相似日方法与支持向量机相结合的负荷预测方法.最后给出在河南电网应用的实际结果,对比表明采用逐时气象信息的预测精度比采用全天性气象指标的预测精度更高.     

基于相似日负荷修正的台风期间短期负荷预测

在台风期间现有的负荷预测方法的预测精度一般不高.在此背景下,以广东地区为例,首先分析了气象因子与系统负荷之间的相关性,从总负荷中分解出趋势分量、周期分量和气象敏感分量,在此基础上提出了基于相似日气象负荷修正的适用于台风期间的短期负荷预测方法.同时,为克服台风日样本较少所导致的预测困难,将近期及往年同期气象因素相似的历史日扩充到相似日样本中,并引入趋势相似度因子、气象相似度因子和时间相似度因子来评估历史日的相似性.用广东电力系统的实际数据做了测试,预测结果表明采用所发展的修正模型时台风日的负荷预测精度较现有方法有了较大提高.     

一种变权灰色组合预测模型在中长期电力负荷预测中的应用

提出了一种基于灰色理论的中长期负荷变权组合预测模型,通过分析负荷曲线走向,对不同变化趋势的阶段组合后建立不同的灰色模型分别进行预测,通过基于累加残差的变权组合预测得到最终结果,简单有效地将变权组合预测应用到电力负荷预测中.实例计算证明了该模型在中长期电力负荷预测中的有效性,该模型兼具了灰色模型的简单性和变权组合预测的精确性.     

用于小水电地区负荷预测的两阶段还原法

影响电力负荷预测的因素较多,其中小水电出力的强不确定性对多小水电地区负荷预测准确率的影响尤其明显。文章首先分析了小水电发电负荷的特性及主要相关因素,根据小水电的规律性,提出了小水电负荷预测的有效方法。考虑到不同负荷成分的差异性,提出了多小水电地区负荷预测的两阶段还原法,将网供负荷分解为全社会负荷与小水电负荷,根据各自特点选择不同的适合的方法预测,再还原为网供负荷预测结果。实例验证了文中方法的正确性和有效性。文中的工作对于多小水电地区网供负荷或小水电负荷预测具有重要现实意义与实用价值。     

基于人工神经网络和模糊推理的短期负荷预测方法

电力系统短期负荷预测是电力系统调度部门制定发电运行计划的依据，也是制定电力市场交易计划的基础。人们提出了许多种短期负荷预测方法，如时间序列法、状态空间法、人工神经网络法等，但是这些方法都无法精确地描述电力负荷模型。在对大量历史负荷数据进行统计分析的基础上，作者提出了一种基于人工神经网络和模糊推理的预测新方法，其中首先根据实际经验将负荷日类型划分为周一、工作日、周六、周日和节假日5种类型；然后根据不同的类型日建立相应的人工神经网络模型用以预测负荷归一化系数，最后通过模糊推理策略预测日最大负荷和日最小负荷。实际算例表明，所提出的方法能够提高短期负荷预测的精度。     

基于支持向量机的中长期日负荷曲线预测

提出了一种预测中长期日负荷曲线的新方法,通过历史典型日负荷数据构造出典型日年度发展时间序列,运用支持向量机方法对预测日各时刻负荷值进行预测并得到了典型日负荷曲线。该方法不需要对日负荷特性、最大负荷及需电量进行预测,因此避免了可能的误差积累问题。以某电网为例对该方法进行了测试,结果表明其具有较高的预测精度。     

扩展短期负荷预测的原理和方法

在电力市场环境下，制定和调整当日负荷计划的周期缩短，负荷预测系统需要在留有2h时间裕度的情况下，对当日未知负荷进行重新预测。该文提出的扩展短期负荷预测方法可以满足这种要求，并在文中仔细阐述了该方法的应用背景，理论及概念，给出了实现方案，最后，以实际系统数据说明了该方法的必要性和实用性。     

小波包变换在冲击负荷地区短期负荷预测中的应用

针对大量冲击负荷接入系统给负荷预测造成困难,提出一种基于小波包变换的电力系统短期负荷预测新方法:通过小波包变换将负荷序列分解成不同频率的负荷子序列,根据负荷分量不同的变化特点,分别采用相匹配的模型进行预测,最后叠加各子序列的预测值,得出实际预测结果。选择广东某电网实测负荷数据作为算例,仿真结果表明该方法能有效提高冲击负荷地区的短期负荷预测精度。     

基于负荷混沌特性和最小二乘支持向量机的短期负荷预测

以负荷时间序列的混沌特性为基础,结合混沌时间序列的相空间重构理论和支持向量机的回归理论建立了一种基于负荷混沌特性和最小二乘支持向量机的短期负荷预测模型。首先将原始负荷数据进行相空间重构,形成相点序列,然后选择与当前相点最邻近的相点作为此负荷预测模型的训练样本,经过训练寻求决策函数后就可以求出包含预测点的相点,最后还原此相点得出预测值。通过与BP神经网络的预测结果进行比较,证明了该模型在短期负荷预测中的有效性。     

基于小波分析的月度负荷组合预测

针对电力系统月负荷数据同时具有趋势增长性和季节波动性的非线性特征，提出了一种基于小波变换的月负荷预测方法。通过小波变换把月负荷序列分解为多个频率成分的叠加，针对不同频率成分的不同特点采用不同的预测方法，最后将各频率成分的预测结果重构进而得到预测数据。该方法避免了考虑气候、政策等因素，仅利用电力负荷历史数据进行预测。实例结果表明采用该方法进行月负荷预测可以达到较高的精度。     

基于模糊聚类识别及统计相关的短期负荷预测

应用模糊聚类理论，通过对负荷历史数据进行聚类和隶属度分析，依据模糊聚类和模糊模式识别、类别（或级别）变量特征值与概率统计相关分析等模型，根据模糊聚类参数与预测因子的前期特征值，确定相应的类别变量特征值，建立类别变量特征值与预测对象之间的相关关系，利用此相关关系进行负荷预测。应用隶属度来描述负荷与影响负荷因素之间的相关关系，可以同时考虑多种影响负荷因素，在算法上只是隶属度矩阵的阶数发生变化，预测过程简单明了。实践结果表明，此方法具有较高的预测精度，能较好地适应不同地区的负荷特性。     

基于补偿模糊神经网络和线性模型的短期电力负荷预测sfsfsf

在考虑了气象因素对负荷的影响的基础上，提出了一种补偿模糊神经网络和线性模型相结合的短期电力负荷预测新方法。首先采用补偿模糊神经网络求出峰、谷负荷，然后利用线性外推法求出未来1日中24个时刻的负荷值。该方法具有神经网络和线性模型的优点，实例仿真结果表明其具有较快的收敛速度、较高的预测精度和较强的鲁棒性。