基于统计理论的负荷特性分析及其预测

电力负荷受气象因素影响越来越大,如何准确确定气象因素是负荷预测研究的重要课题.首先采用统计学方法对影响负荷的气象因素进行分析,找到影响负荷的核心气象因索,再利用GRNN回归神经网络进行预测.经实际系统检验,证明该方法克服了传统气象负荷预测中的主观性,将气象影响因素过程量化,提高了预测结果的精度,是一种适用性很强的方法.     

实时气象因子对空调负荷的影响及处理

空调负荷在总用电负荷中的比例逐年上升,而气象因子对空调负荷影响尤为重要。分析实时气象因子对空调负荷的影响,提出考虑实时气象因子的基于改进BP神经网络的空调负荷预测模型,对空调负荷进行预测,力求找出温度、湿度与空调负荷的变化关系。     

混沌特性与气象因素在负荷分类预测中的应用

电网短期负荷预测的精确性对电力市场具有关键作用.根据电网负荷特性,将电网负荷划分为两部分,基本负荷分量和由气象因素引起的随机波动负荷.对基本负荷分量采用混沌动力学理论预测;对气象敏感负荷的预测首先引入人体舒适度指数表征各种气象因素的影响,设置舒适度等级,进而对负荷进行聚类分析,不同类型日的聚类类别作为BP神经网络的输入.仿真结果表明该电力负荷短期预测模型具有较高的预测精度.     

基于支持向量回归的短期负荷预测

对短期负荷特性进行分析,选取与负荷相关的气象因素、日期类型、前几日负荷作为最大(最小)负荷预测回归模型的输入。夏冬两季休息日的负荷特性与春秋两季不一致,根据气象因素修正日期类型对应的数值。采用最小二乘支持向量机(least squares support vector machine, LSSVM)建立气象因素和日期类型与最大(最小)负荷的映射关系。利用相似日法计算日负荷变化系数,在预测最大负荷和最小负荷基础上,计算预测日各点负荷。算例分析验证了本研究预测模型的有效性。     

分层考虑气象因素的PSO-SVM短期负荷预测方法

气象敏感负荷在总负荷中所占比重日益增大,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。利用经验模式分解方法自适应地将负荷序列分解为若干个独立的内在模式分量,采用Spearm an秩相关系数分析各负荷分量与气象因素间的关系,根据影响程度的不同分层建立粒子群算法优化参数的支持向量机模型,最后对各个分量预测的结果相加得到最终预测结果。实例研究表明,该方法具有较高的预测精度和较强的推广能力。     

基于数据挖掘技术的电力日负荷优选组合预测

提高日负荷预测精度的关键在于数据预处理。提出了基于联合数据挖掘技术的电力负荷优选组合预测方法。通过多种挖掘技术寻找与预测日同等气象类型的多个历史日负荷,由此进一步提取数据,组成规律强化、干扰弱化、具有高度相似气象特征的数据序列,对此再构建优选组合预测模型。     

基于粒子群BP神经网络的短期电力负荷预测

电力负荷预测通常采用神经网络方法,该方法训练时间较长,并且由于负荷受到气象因素影响,该算法预测的精度不是很高.为了克服当前存在的问题,采用粒子群算法优化BP神经网络的权值和阈值,归一化处理气象因素,利用神经网络预测短期电力负荷.实验结果表明,该方法比单纯BP神经网络预测具有明显优势.     

输电线路气象风险精细化建模及气象灾害的在线预警防御策略

气象因素在输电线路稳定运行中起着重要作用,在评估风险时应予以考虑。为此,提出一种输电线路气象风险预警及防护方法。该方法考虑时空发电预测、设备健康和可靠性评估以及概率负荷预测等方面对气象风险进行精细化建模,并基于气象危害、电网脆弱性和灾后恢复成本提出一种新的风险度量标准。此外,针对负荷中断恢复以及缓解用电拥堵,提出一种气象灾害的在线预警防御策略。最后,在案例中对所提出的方法和策略进行测试分析,其结果可以验证方法和策略的有效性。     

计及供给侧出力的数据挖掘负荷预测方法

针对大多数负荷预测方法缺乏对发电侧的考虑,以及预测精度较差等问题,开展了一种计及供给侧出力的数据挖掘负荷预测方法研究.采用K-means算法对样本数据集中的气象数据进行聚类,并且利用灰色关联分析得到气象因素与供给侧、用电量的关系.同时,根据风、光、水、荷的特性,提出净负荷的概念并引入气象因子.在完成数据预处理的基础上,通过支持向量机算法进行分析,以实现负荷预测.基于历史数据集和MATLAB平台对所提方法进行实验分析,结果表明,其预测结果与真实值尤为接近,MPAE、RMSE、AE和FA分别为7.05%、0.97 MW、0.83 MW和90.35%,均优于其他对比方法.     

基于负荷分解的短期负荷预测传递函数模型

短期负荷预测主要用于预测未来几小时、1天甚至几天的负荷,对电力系统运行的安全性和经济性具有重要意义。时间序列模型在电力系统短期负荷预测中得到了广泛应用。然而,这种方法的一个主要缺点是无法将影响负荷预测的主要因素之一即气象因素考虑进去。在此背景下,首先基于历史负荷数据,采用传统的分解方法提取出负荷中的周期分量,得到剔除周期分量后的非周期分量。在此基础上,首先采用逐步回归法筛选出影响负荷非周期分量的主要因素,之后发展了预测负荷非周期分量的传递函数模型。最后,用广东电力系统实际负荷数据对所发展的短期负荷预测模型的准确性进行了验证。     

典型气象因素对省网夏季日最大负荷的影响

针对湖南省的气象特点和电源特点,研究该地区夏季持续高温、连续晴天和持续降水等典型气象因素对省网日最大统调负荷的影响．刻画高温累积效应以直观描述持续高温对负荷产生的影响,定义连续晴天数和降水累积滞后效应,用以反映连续晴天和持续降水对小水电出力的影响．通过分析典型气象因素和人们生产生活规律等影响因素,建立基于差分法的多元线性短期负荷预测模型．对近年湖南夏季日最大统调负荷进行模型仿真和实例预测,取得了较好的预测效果．     

用时间序列法进行电力系统短期负荷预测

电力系统负荷预测是指从电力负荷自身的变化情况以及经济、气象等因素的影响规律出发,通过对历史数据的分析和研究,探索事物之间的内在联系和发展变化规律,以未来的经济、气象等因素的发展趋势为依据,对电力需求作出预先的估计和推测。本文通过使用经典的时间序列法进行短期负荷预测,以C++语言程序为计算手段,并将预测结果与实际值进行比较分析。同时类比其他各种预测的方法,对短期负荷预测的方法、过程、意义进行一些分析。     

被阳台封闭外围护结构耗热量的计算

将封闭的阳台作为一个整体，建立了热平衡方程，并依据天津典型年气象资料进行了热平衡计算．根据工程设计习惯，对负荷计算方法进行了简化，得出了天津地区被阳台封闭外围护结构的温差修正系数和传热系数修正系数．结论说明将阳台封闭是降低围护结构耗热量的有效途径．     

神经网络在短期电力负荷预测中的应用

给出了改进的BP网络和RBF网络的构造过程和训练方法.在改进的BP网络中不仅加入了动量项和变步长法，而且在模型中合理地考虑了影响负荷变化的主要气象因素，使其能够适应天气的变化.在RBF网络中，为了克服传统K均值聚类法局部寻优的缺陷，采用了正交最小二乘法选取RBF中心.利用改进的BP网络和RBF网络进行了短期电力负荷预测，并对训练的收敛速度和预测精度进行了分析.比较两种模型，RBF网络比BP网络更具有实用性和可开发性.     

不同生长时期马铃薯产量与气象因子的关系研究

将宜昌地区马铃薯产量进行HP趋势分解,得到趋势产量和气象产量,并建立了各个生长时期气象产量与各个气象因子的二次回归方程.结果表明,马铃薯在不同生长时期影响气象产量的气象因子是不同的,同一气象因子在不同生长时期对气象产量的影响程度也是不一样的.     

汉江中下游非点源磷负荷对水质的影响

非点源污染是河流水体富营养化的主要来源之一,也是当前流域水质管理的重要难题,然而目前关于非点源磷负荷对水质的影响研究尚少.选取汉江中下游流域作为研究区,基于Landsat TM影像、DEM、土壤、水文、气象等环境监测和社会经济统计数据,运用SCS模型和负荷输出经验方程,估算了研究区内非点源磷负荷,结合2007年点源排放的调查结果,在分析污染物迁移转化规律的基础上,建立了汉江中下游的一维水质模型,并利用2007年研究区内16个水质断面监测数据进行了验证.结果表明:2007年汉江中下游平均非点源磷负荷量达5 381.30t,迁移进入河道后对水质污染的贡献率在60%左右,其中农业非点源和城市非点源影响尤其突出,已成为汉江中下游最主要的污染类型.