负荷持续曲线的解析化模型及其预测方法

基于概率分布原理,提出了一种负荷持续曲线的数学模型和预测方法.该模型结构简洁、参数少、数学物理意义明晰、模拟结果较为精确.使用该模型,不但可以模拟历史数据,而且只要给出负荷、电量等边界条件,即可调整相关模型参数,有效预测未来的负荷持续曲线.通过对北京、江苏等地数据的测试,证明了该模型的有效性和精确性.该模型可用于电力系统规划运行经济性与可靠性评估以及电力系统电源发展规划与优化等多方面.     

Long-term forecasting of smooth approximations to the load duration curve

This paper presents a methodology for long-term forecasting of smooth approximations to the load duration curve. The forecast results, when the approach is empirically implemented, are extremely good. Finally, while the application is limited to a functional approximation that has previously been used, there isn othing to deter its adaptation to other specifications.     

基于电力系统负荷变动速率的美国得州ERCOT短期负荷预测

基于大量历史负荷数据,研究负荷数据曲线的变化性,并提出了负荷变动速率(RLF)与速率影响因子(IFR)概念。通过对ERCOT数据的分析,总结得出了得克萨斯州用电特点和相同时段内RLF的相似性。依据对RLF的历史数据统计分析,得出经验RLF值,并结合用电负荷的实时数据对短期负荷做出修正与准确预测。该方法可以应用在短期负荷预测系统及对区域中长期用电负荷变化规律的总结上。     

基于负荷分解的日最大负荷预测方法研究

提出了1种基于负荷分解的日最大负荷预测算法,即将负荷分解为正常负荷分量和天气敏感负荷分量,用结合指数趋势和周期趋势的组合模型预测正常负荷分量．用神经网络法预测天气敏感负荷分量。同时,在分析最大负荷和人体舒适度相关性的基础上,在预测中用人体舒适度替代了常规气象因子。预测结果表明,该方法可以取得较为满意的预测效果。     

最小概率最大化回归方法在电力负荷中期预测中的应用

提出使用最大化最小概率机器回归MPMR方法来解决电力负荷中期预测问题，结合EUNITE网络2001年举办的电力负荷预测比赛提供的数据进行相关数据分析，建立相应的电力负荷中期预测模型。在分析最大化最小概率机器MPM及用于回归的原理的基础上，使用MPMR方法对不同的训练样本集进行训练，并计算出预测期的预测值，取得了理想的预测结果。核函数形状参数p及回归管道宽度8的选取将直接影响MPMR回归技术的系统性能，试验中使用了交叉验证的方法确定这2个参数值。通过交叉验证求得，当核函数形状参数和回归管道宽度取值都为3时预测效果更为理想。文中对试验结果进行分析，并与相关向量机等其它方法比较，总结了MPMR预测方法的特点。     

电力负荷预测方法浅谈

简要介绍了几种常见的电力系统负荷预测的经典方法和现代方法,并介绍了近年来较为热门的支持向量机模型法及其仿真软件,并对未来负荷预测技术的发展做出了展望。     

多级负荷预测的基础问题分析

围绕多级负荷预测及其协调问题,首先剖析了多级负荷预测的基础---负荷预测的分类方式,通过拓展不同的分类角度,提出了基于雷达图的负荷预测的分类方法,从而清晰地表征负荷预测的"多级"特性.从供应侧和需求侧的角度分析了相关因素对预测对象的影响途径,提出了多级负荷预测中不同级别电网对相关因素的处理策略;研究了多级负荷预测体系下母线负荷预测与系统负荷预测的关系,提出了"虚拟母线"的概念和应用方法;最后总结了多级负荷预测的分析思路和研究内容.该文的研究为建立多级负荷预测理论提供了广阔的空间.     

多级负荷预测的基础问题分析

围绕多级负荷预测及其协调问题,首先剖析了多级负荷预测的基础---负荷预测的分类方式,通过拓展不同的分类角度,提出了基于雷达图的负荷预测的分类方法,从而清晰地表征负荷预测的“多级”特性。从供应侧和需求侧的角度分析了相关因素对预测对象的影响途径,提出了多级负荷预测中不同级别电网对相关因素的处理策略;研究了多级负荷预测体系下母线负荷预测与系统负荷预测的关系,提出了“虚拟母线”的概念和应用方法;最后总结了多级负荷预测的分析思路和研究内容。该文的研究为建立多级负荷预测理论提供了广阔的空间。     

基于负荷细分与SVM技术的电力负荷空间分布预测

提出了一种新颖的电力空间负荷分布预测模型,该方法首先对各类负荷的影响因素进行分析并分别建模预测;而后将选定区域划分成等面积小区,利用主成分分析法对小区空间信息进行处理,从而形成支持向量机的训练样本集;在此基础上用训练好的支持向量机计算待预测区域小区的属性值,并按照各类用地类型排序.根据预测结果,结合待预测区域的整体发展规划,给出待预测区域各类负荷增量;最后,结合各类负荷密度预测值、各类用地发展总量、各类用地发展排序,给出空间负荷预测值.实例验证了本文方法的有效性.     

组件化负荷预测软件的设计开发

介绍了预测模型组件化的实现方法，对模型组件的接口进行了设计，阐述了模型的驱动方法，并讨论了软件平台与组件建立联系的方法。采用组件化程序设计方法，实现了一个基于三层结构的组件化负荷预测软件系统。系统运行证明，组件化的负荷预测软件可方便地实现预测模型的升级，具有较好的可扩展性。     

基于改进最小二乘支持向量机和预测误差校正的 短期风电负荷预测

为了提高风电负荷预测精度,保证风电场资源得到有效利用,提出了基于改进最小二乘支持向量机和预测误差校正相结合的方法。首先引入提升小波分解原始数据,可以有效提取其主要特征,从而克服风电场的随机性。然后采用最小二乘支持向量机对分解后的信号做预测,保证了预测精度。接着用误差校正方式修正预测结果,减少了较大误差点的出现,提高了预测结果的稳定性。最后,通过某风电场预测结果表明,基于提升小波和最小二乘支持向量机的方法可以提高预测的精度,误差预测的方法也可以有效地校正预测结果。仿真结果验证了该方法用于风电负荷预测是有效可行的。     

基于负荷误差和经济发展趋势的组合预测模型在中长期负荷预测中的应用

针对组合预测未来预测期权重的确定,充分考虑电力需求与未来经济发展的关系,提出基于两个评价指标来计算各单一预测模型的权重,指标一是各单一模型预测值与实际负荷的误差,指标二是各预测值的年增长率与国内生产总值年增长率的误差。采用客观熵权法和主观G1法来确定两指标的相对重要性,最后综合得出各单一预测模型的权重。该改进组合预测模型解决了未来预测阶段权重的求解问题,通过对农网中长期电力负荷进行预测,结果表明该方法比常规方差优选组合预测模型更为准确和可信。     

基于负荷误差和经济发展趋势的组合预测模型在中长期负荷预测中的应用

针对组合预测未来预测期权重的确定,充分考虑电力需求与未来经济发展的关系,提出基于两个评价指标来计算各单一预测模型的权重,指标一是各单一模型预测值与实际负荷的误差,指标二是各预测值的年增长率与国内生产总值年增长率的误差.采用客观熵权法和主观G1法来确定两指标的相对重要性,最后综合得出各单一预测模型的权重.该改进组合预测模型解决了未来预测阶段权重的求解问题,通过对农网中长期电力负荷进行预测,结果表明该方法比常规方差优选组合预测模型更为准确和可信.     

基于GOA-SVM的短期负荷预测

支持向量机是借助于凸优化技术的统计学习方法,与传统神经网络相比,泛化错误率低并且结果易于解释。将支持向量机用于负荷预测时,参数选择不准确会导致预测性能较差。提出一种基于蚱蜢优化算法的支持向量机短期负荷预测方法,以某地区负荷、天气等历史数据对SVM进行训练,并通过GOA优化选取支持向量机参数,然后以得到的最优参数建立GOA-SVM负荷预测模型。算例分析表明,GOA-SVM预测模型比GA-SVM和PSO-SVM模型有更好的收敛性能,且预测精度更高。     

ALFA: automated load forecasting assistant

ALFA, an expert system for forecasting short-term electricity demand is presented. ALFA is in operation at the Energy Management System center at Niagara Mohawk Power Corporation in upstate New York, generating, in real time, hourly load forecasts for up to 48 hours in advance. ALFA uses an extensive 10-year historical database of hourly observations of 12 weather variables and a rule base that takes into account daily, weekly, and seasonal variations of load, as well as holidays, special events, and load growth. A satellite interface for the real-time acquisition of weather data, and the machine-operator interface are also discussed     

电网自然区域负荷预测研究

农网改造中变电站的规划是一项核心工作,其中对变电站所带区域的负荷,称为自然区域负荷,进行准确的预测又是关键.分析了典型的农村用电量结构,将之分为四类,并对其中三类主要用电量进行单独分析和预测.首先利用粗糙集理论对每类用电量的影响因素集合进行约简,之后利用支持向量回归机对其进行分别预测.最后的预测结果是三个预测结果相加再按比例加上其它用电量.实验结果表明粗糙集结合支持向量回归机的方法比传统方法有比较大的优势,预测精度比较好.     

基于CEEMD-FE和AOA-LSSVM的短期电力负荷预测

针对电力负荷预测精度不高、效率低的问题,采用算术优化算法(AOA)和最小二乘支持向量机(LSSVM)的模型对经过互补集合经验模态分解(CEEMD)和模糊熵(FE)综合处理后的子序列进行预测,构建了CEEMD-FE-AOA-LSSVM预测模型。首先,利用FE算法对经过CEEMD处理后的各子序列进行熵值重组,该过程提高了模型的抗干扰能力和运算效率。然后,用AOA-LSSVM模型对处理后的子序列进行预测,并将预测叠加输出。最后,通过误差函数对模型进行横向对比和纵向对比,利用两种对比结果来检验其性能。通过实验可知,与CEEMD-LSSVM、AOA-LSSVM、CEEMD-AOA-LSSVM等其他模型相比,CEEMD-FE-AOA-LSSVM组合模型能够兼顾到预测精度与预测效率两方面,做到了综合性能的提升。同时也验证了经过CEEMD或AOA处理的模型能够有效地提升预测精度。     

基于EEMD-LSSVM的超短期负荷预测

针对传统的最小二乘支持向量机(LSSVM)参数不易确定且单一预测模型精度不高的问题,提出了一种基于集合经验模态分解(EEMD)与LSSVM的组合预测模型。首先利用EEMD将历史数据分解成一系列相对比较平稳的分量序列,再对各子序列分别建立合适的预测模型。进一步通过贝叶斯证据框架来优化LSSVM的参数,用贝叶斯推理确定模型参数、正规化超参数和核参数。然后将各子序列预测结果进行叠加得到最终预测值。最后,将该预测模型用于某一家庭超短期负荷预测中,仿真结果表明,该模型取得了比单一模型更好的预测效果。