夏季温湿指数与气象敏感电力负荷的研究

为了深入了解夏季电力日峰荷与气象因子之间的关系,从负荷资料中分离出随气象因子变化的气象敏感负荷,在考虑气象因子对气象敏感负荷的累积效应基础上,建立了气象敏感负荷变化率与气象因子间的关系模型。对2004～2005年某市夏季气象敏感负荷与温湿指数、日平均温度、日最大温度进行的灰色关联分析结果表明:温湿指数是对夏季气象敏感负荷影响最大的关联变量。在此基础上建立了夏季气象敏感负荷与温湿指数的三次多项式模型,计算分析了气象敏感负荷变化率与温湿指数的关系,为电网负荷的预测和运行调度提供依据。     

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.     

气象环境对电网负荷的影响因素分析

针对地区电网负荷易受多种气象因素影响,负荷预测中存在诸多不确定性问题,研究了气象因素对电网负荷的影响,最大程度减少由气象因素造成的负荷预测偏差。应用灰色关联度分析方法,基于大量历史数据,剖析气温、湿度、风速等气象因素与负荷特性变化的关联度,得到对负荷变化产生主要影响的气象因素。在此基础上,为了量化分析主要气象因素对负荷影响的程度,采用支持向量回归的方法得出日特征气象因素、实时气象因素对负荷变化的的灵敏度模型。同时,考虑到气温的累积效应对负荷特性变化的重要影响,研究气温累积效应对负荷的影响规律,得到气温累积效应修正公式,并用实例证明对历史数据经累积效应修正公式进行修正后,修正数据能够切实提高负荷预测的准确性。     

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     

基于负荷细分的差异化用户基线负荷预测

电力用户基线负荷(CBL)预测精度会极大影响需求响应效果的评估。本文基于负荷细分,考虑多维用电行为及其影响因素,通过精细化用户用电行为特征,提出一种考虑用户用电模式差异化的基线负荷预测方法。首先采用Ward-模糊C均值(FCM)聚类法,并结合负荷特性指标,改善用户负荷曲线聚类分析的效果;然后,分析气象、时间等多维影响因素,建立考虑温湿度和气温累积效应等城市微气象因素及节假日社会行为因素的差异化用电行为分析模型,提出温度敏感型、节假日敏感型以及两者均不敏感的精细化用电模式;最后,提出不同用电模式的CBL预测方法,建立综合评估方法分析其预测准确度。算例结果表明,所提算法能进一步提高CBL预测精度。     

气象因素对江苏夏季高峰负荷的影响研究

温度、湿度等气象指标是夏季高峰负荷的主要影响因素。考虑到夏季负荷峰值与各类气象因素的关联度不同,文中基于实测数据详细研究了近年来温度、湿度与江苏夏季高峰负荷的变化关系,得出了负荷对温度湿度的敏感性结果。基于敏感性分析结果,对江苏2012年夏季高峰负荷与温度、湿度之间的关系进行了预测。预测结果对即将到来的江苏迎峰度夏工作的顺利展开具有一定的参考价值。     

基于皮尔逊相关系数的电网夏季空调负荷预测研究

采用统计分析的方式研究地区电网夏季空调负荷的变化规律,综合考虑空调负荷的影响因素,构建了地区电网夏季空调负荷预测模型。该模型以地区电网负荷变化曲线为基础,实现了对空调负荷曲线的有效分离,随后采用Pearson相关系数考察各类影响因素与日最大空调降温负荷的相关性,通过比较日最大空调降温负荷与各类指标的相关系数,构造出一个能够体现最大空调负荷受本地区气象和社会经济影响较大的"经济气象综合指标",并利用回归分析提炼出空调降温负荷与综合指标的变化规律,最终实现夏季空调负荷的精准预测。基于某地区电网2006—2015年电力负荷及其相关数据,使用该模型预测2016年该地区电网夏季空调负荷,预测结果证明了模型的有效性。     

基于气象指标的安徽电网负荷特性分析及研究

电力负荷特性分析是电网调度运行、生产规划的重要组成部分。为充分发掘安徽电网负荷特性与气象因素的关系,首先对安徽电网基础负荷与气象负荷进行分解;然后基于相关系数法进行多维度气象指标主导因素辨识,在此基础上建立气象指标—负荷二次回归模型,获得气象负荷的灵敏度;最后结合2018年安徽气象情况,阐明了安徽电网2018年夏季负荷特性,并对2019年安徽最大负荷做出预测,对安徽电网负荷预测和电力平衡工作具有指导意义。     

基于逐日分段气象算法的日前负荷预测

在分析电网高峰负荷、腰荷负荷以及低谷负荷与多个气象指标之间的相关性和灵敏度基础上,提出基于逐日分段气象算法的日前电力负荷预测方法。该方法摒弃了传统预测方法使用回归模型确定基值做法,以当日负荷曲线为基值进行动态滚动建模,以气象指标变化带来的高峰、腰荷以及低谷负荷变化差值进行动态修正,并考虑到分布式光伏发电对电网负荷预测的影响。该方法利用每天的基值变化在动态过程中修正了同一拟合曲线带来的误差,同时克服了气象算法不能反映光伏接入后对电网净负荷影响的缺点。算例表明,所提出的逐日气象预测算法不仅具有能够反映多轮高温、寒潮叠加效应的优点,而且在计算过程中将基础负荷增长带来的误差进行了有效的修正,在实际应用中达到了更好的预测效果。     

提高电网短期负荷预测精度的研究

以广东珠海电网为例,对负荷特性、经济发展特点、气候变化、预测技术等影响负荷预测的因素进行分析,提出提高电网短期负荷预测精度的措施:建立和完善典型日负荷样本数据库;特殊事件造成负荷较大变化时进行人工干预;合理做好负荷日的类型分析;采用扩展短期负荷预测方法进行明日负荷预测;建立气象负荷数据源预测模型.这些措施在珠海电网中应...     

基于变化趋势和气象因子的加权负荷预测方法

针对采用趋势变化法预测电力负荷时,存在因未充分考虑气象因素而影响预测精度的问题,提出了一种基于变化趋势和气象因子的加权负荷预测方法。该方法综合考虑气温、湿度和天气类型3个气象因子,对基于变化趋势的电力负荷预测方法进行修正。分析了基于变化趋势的电力负荷预测方法存在的2个问题：未考虑外界因素对电力负荷变化趋势的影响和预测电力负荷时存在累计误差。在充分研究日内平均负荷变化率和点间平均负荷变化率的基础上,给出了算法的详细计算步骤,并将其应用于苏北某地区电力负荷的预测算例中。结果表明该方法的预测误差为3.42%,预测精度高且数据波动小,验证了该方法的有效性和可行性。     

基于生长曲线与气温累积效应的气象负荷预测

夏季受高温天气的影响,由降温设备所引起的气象负荷日趋变大.针对气象负荷获取困难以及负荷预测精度不高的问题,提出一种新的气象负荷预测方法.首先,为获得准确的气象负荷数据,采用生长曲线来描述基础负荷的增长特性,通过剔除基础负荷来获得气象负荷数据;其次,考虑到夏季高温天气的气温累积效应,需要对高温天气的日最高温度进行修正,提...     

短期负荷预测中实时气象因素的影响分析及其处理策略

短期负荷预测对于电力系统安全经济运行有着重要的作用,因此,人们一直致力于研究新的预测模型,提高预测精度。目前,实现提高预测精度这个目标的关键是如何更加合理地考虑气象因素对负荷的影响,因为气象敏感负荷在总负荷中所所占的比重越来越大。长期以来,鉴于气象部门无法提供实时温度等气象预测结果,电力系统所建立的预测模型绝大多数都是基于日特征气象因素,诸如日最高温度、最低温度等。针对短期负荷预测,作者剖析了气象因素的影响和作用,分析了处理不同阶段气象因素的策略,并提出了考虑实时气象因素的短期负荷预测新模型,该模型基于神经网络,力图寻求温度、湿度等实时气象因素与负荷曲线之间的相关关系和变化规律。实际应用表明,文中的预测模型和处理策略可以得到更加精确的预测结果。此短期负荷预测新模型也适用于超短期负荷预测。     

基于日特征量相似日的PSO-SVM短期负荷预测

通过引入人体舒适度指数,综合分析了气象因素对电力负荷的影响,并加入星期类型、日天气类型、日期差3个主要影响因素,构成了日特征向量,采用求取相似度的方法来选取相似日,利用相似日的日特征向量和负荷数据来建立PSO-SVM预测模型。经2001年EUNITE负荷预测竞赛的数据预测分析表明,该方法适应性较强,能够选取较合适的相似日,有较高的预测精度和推广能力。     

基于相似日和IGA-BP的光伏发电功率预测方法研究

准确预测光伏发电功率有利于并网后电网调度管理,现阶段光伏发电功率预测存在精度较低和对不同天气类型的适应性弱的问题。探索了一种相似日与免疫遗传神经网络（IGA-BP）结合的预测方法：基于天气类型、温度及风速,结合灰色关联度和余弦相似度指标构建气象相似日判别模型;以相似日气象特征向量为输入,建立IGA-BP功率预测模型。利用实测数据对比分析所提IGA-BP模型与GA-BP、BP模型的预测精度,结果为：在不同天气类型下IGA-BP模型具有较高精度,其RMSE平均值为14.142%,TIC平均值为0.017 58,均优于其他对比模型。表明IGA-BP模型能够提高功率预测精度,且具有较高的适应性。     

基于天气分类和卷积神经网络的短期负荷预测方法

为减少天气因素对短期电力负荷预测效果的影响,提高模型的预测精度,提出了一种基于天气分类和卷积神经网络的短期负荷预测模型。首先通过天气类型初分将原始数据样本集划分为晴天、阴天、多云和雨天4种类型。其次,为了识别相似气象条件,运用相关系数和k均值聚类方法,找到对新型负荷出力影响最大的气象因素,并对其聚类,选取高相似度的数据样本。之后根据特征选择的结果,构造神经网络输入数据集。最后,将该数据集输入至卷积神经网络训练并预测。通过算例验证分析所提模型具有更高的预测精度。     

基于广义学习矢量量化和支持向量机的混合短期负荷预测方法

提出了一种基于广义学习矢量量化的负荷特征聚类方法,既考虑了专家经验的指导,同时兼备人工神经网络强大的非线性处理能力。归纳提取的负荷、气象综合指数更能反映日负荷的基本特征,同时减少了网络输入层的维数。实际预测结果表明,综合了广义学习矢量量化和支持向量机的混合短期负荷预测方法无论是在聚类准确度方面,还是在预测准确度方面,与单纯的支持向量机算法和自组织特征映射与支持向量机的混合算法相比,均具有明显的优势。     

基于模糊信息粒化与多策略灵敏度的短期日负荷曲线预测

针对气象变化时负荷曲线预测精度低、预测模型不能完全适应气象变化的情况,提出了一种基于模糊信息粒化与多策略灵敏度的短期日负荷曲线预测方法。提出了完全气象因子序列的概念,建立气象粒化集;采用空间多元回归及滞后模型结合多策略灵敏度分析法,建立了针对复杂气象条件下的极值预测模型;基于改进的K-means聚类分析法查找并获取气象特征日,计算初步预测曲线,主动判断预测曲线畸变概率并进行优化修正,得到最佳预测日负荷曲线;利用动态数据流对模型参数进行更新,实现精细化预测。最后采用该方法对我国南方某地区全年负荷曲线进行预测,验证了模型在多种气象条件下的预测准确性,尤其适用于短期内气象存在复杂变化的情形。     

基于改进评价指标的波动性负荷短期区间预测

针对传统点对点预测难以适用于波动性较大、不确定性较强的负荷的问题,提出了一种基于改进评价指标的区间预测方法,从区间宽度和累计误差2个角度对现有区间预测评价指标做出改进,提高了预测结果的合理性。在此基础上,从各个评价指标的自身特性及其对预测结果的影响程度进行考量,建立了区间预测综合评价指标,并利用神经网络构建了区间预测模型,以综合评价指标最优为目标,采用粒子群优化算法对网络结构参数进行训练优化,从而取得理想的波动性负荷区间预测效果。仿真中通过对某波动性较强的历史负荷数据进行预测分析,并与传统的点预测和区间预测方法进行对比,验证了所提方法的有效性和优越性。