基于面向对象的电力系统中长期负荷预测软件的开发

为了更方便、快捷、准确地进行中长期负荷预测,开发了基于Windows的电力系统中长期负荷预测软件。软件采用面向对象程序设计方法,使系统易扩充、易维护。该软件除具有一般负荷预测软件所具有的计算快速、模型库丰富等特点之外,还有原始数据输入简单方便、模型库扩充简易、具备饱和负荷预测以及考虑了与其它常用软件的接口等独特的地方。以华东某地区的供电量历史数据为例,选择了5种不同模型进行预测,并对结果进行了分析和比较,最后还对该地区进行了“s”型饱和负荷预测。分析表明该软件使用方便,预测精度满足电力负荷预测的精度要求,具有一定的实用性。     

电力系统中长期负荷及特性预测软件

叙述华中电力集团公司技术中心所开发的“电力系统中长期负荷及特性预测”软件以及其中有关负荷特性预测的部分预测方法。这些方法的采用,使得过去在预测实践中比较难以操作的负荷特性预测变得简单易行。这对全面开展负荷预测工作实践有着重要的意义。该负荷预测软件,功能齐全,操作灵活,使用方便,适用于各种不同类型的用户。     

基于空间饱和负荷密度的负荷预测方法

负荷预测对电力系统规划具有至关重要的作用,根据华中某市的社会经济发展水平,在借鉴国内其他城市负荷密度水平的基础上,制定了某市的负荷密度指标集。根据某市的远期发展规划,对市各功能分区的饱和负荷值进行了预测,最终得到了某市至饱和年的饱和负荷。人均饱和电量法验证了空间负荷预测方法的有效性,饱和负荷密度主题图直观地反映了市规划区未来的负荷空间分布情况。饱和负荷预测结果为后续电源点布置、输电廊道确定和输电线路选型提供了有力的科学依据。     

基于GM-GRNN的电力系统长期负荷预测

由于长期负荷历史数据比较少,因此预测难度较大.在分析了灰色预测和神经网络预测的优缺点的基础上,提出了一种新型的预测方法--GM-GRNN预测方法,此方法就是将灰色预测方法和人工神经网络中的广义神经网络相结合的预测方法,新方法发挥了灰色预测方法中的"累加生成"的优点,能够削弱原始数据中随机性并增加规律性,同时避免了灰色预测方法及其预测模型存在的理论误差.最后采用我国某省年用电量的预测的算例表明该方法的预测精度优于单一的灰色预测和单一的神经网络预测方法,为电力系统长期负荷预测提供了一种有用的方法.     

基于数据挖掘的电力系统中长期负荷预测新方法

中长期电力系统负荷预测受大量不确定因素的影响,研究表明聚类方法能够将各种影响因素综合引入预测模型。所提出的改进聚类算法结合了层次方法中的变色龙(Chameleon)法与基于密度算法的优点,实现了最优聚类,同时还弥补了单纯层次法无法对复杂形状数据聚类和算法不可逆的缺点。算法在进行聚类前以不完备数据分析补全法算法(ROUSTIDA)为数据处理前导．确保了聚类所需历史数据的准确性和完备性。实践证明该算法具有计算速度快、预测精度高、预测误差变化小等优点。尤其在影响因素繁多、历史数据不完整或不准确时,改进算法更能体现出优越性。     

基于Matlab的电力系统中长期负荷预测及应用

在中长期负荷预测理论和方法的基础上,利用Matlab强大的数据处理能力和Visual C++的灵活性,通过混合编程开发了电力系统中长期负荷预测软件。该软件实现了几种典型的负荷预测方法,包含一元线性回归模型、抛物线模型、Logistic回归、移动平均算法、灰色系统预测模型等。将该软件应用到江苏电网的中长期负荷预测中,在分析影响负荷预测的相关因素的基础上,提出考虑相关因素的分类专用的年度和月度预测方法。     

基于粗糙集和多元线性回归的电力系统中长期负荷预测

基于粗糙集理论和多元线性回归模型,提出一种预测电力系统中长期负荷的新方法。首先采用一种完备的属性约简算法对影响电力负荷的诸多相关因素进行约简,得到与负荷关系最为密切的核心因素。在此基础上,建立多元线性回归模型来预测未来年的负荷。对一个实际电网的负荷进行预测,结果表明所提方法符合中长期负荷预测的特点并具有较高的预测精度。     

基于改进的预测有效度的中长期负荷组合预测

变权组合预测是负荷预测研究领域的热点,预测的关键是确定加权系数的原则.引入可信赖域α,改进了预测精度矩阵,推导了单个预测和组合预测的k阶改进预测有效度.通过拟合样本因子β,区分了样本区和预测区的加权系数.给出了基于一阶和二阶改进预测有效度最优级原则的中长期负荷组合预测模型.实际算例说明了预测模型的有效性.     

基于系统动力学的电力系统中长期负荷预测

将系统动力学应用于电力负荷的中长期预测。首先根据历史用电情况分析建立模型结构图,然后进行方程式设计,最后通过仿真和参数敏感度测试证明模型的合理性和实用性。电力系统负荷中长期变化是一个受政策、经济等多方面不定因素综合影响的动态过程,采用系统动力学的方法进行预测可以充分利用专家的经验,并且在模型使用中不断积累经验,提高了预测精度。     

基于广义回归神经网络的电力系统中长期负荷预测

在介绍广义回归神经网络（GRNN）基本算法、网络结构及平滑参数确定方法的基础上,提出将误差序列的均方值作为网络性能的评价指标并采用最小误差对应的平滑参数,建立了GRNN的预测模型。提出了确定输入神经元数目的方法：根据自回归模型阶次的选择经验初步确定输入神经元数目m;在m值附近进行搜索,对于每一个m值,确定平滑参数后,计算网络对学习样本的预测误差;根据BIC准则评价指标的最小值确定输入神经元数目。将模型应用于某地中长期电力网负荷预测,分别进行了单步预测和多步预测。与BP神经网络模型的预测进行比较,结果表明,采用该方法的预测精度明显高于BP模型,即使在训练集样本数据较少时,该方法的预测准确度仍然很高。     

电力系统中长期负荷预测的参数抗差估计研究

主要介绍提高中长期负荷预测结果的准确性和改善中长期负荷预测方法的抗粗差效果，对中长期负荷预测中参数的抗粗差估计进行了研究，提出了基于权函数的电力系统负荷预测参数抗差估计算法，通过对加权最小二乘法的修改，实现了负荷预报模型参数的抗差估计。算例表明，所提出的算法在处理中长期负荷预测中数据的粗差问题上效果较好，是改善预测精度的有益尝试。     

基于物元理论的中长期电力负荷预测综合模型研究

介绍了将物元分析理论应用于电力系统中长期负荷预测,在对物元关联函数进行了改进的基础上,构建了中长期电力负荷的物元综合预测模型。该模型应用于我国某实际系统,算例分析表明,应用物元模型能对电力系统中长期负荷进行较为精确的预测,物元分析理论在负荷预测领域具有广阔的应用前景。     

运用遗传规划法进行电力系统中长期负荷预测

运用遗传规划法进行中长期负荷预测,将预测模型作为遗传规划中的个体,根据"优胜劣汰"的原则,运用复制、变异和交叉三个主要的遗传算子操作,搜索最优预测模型。它根据历史样本数据自动生成负荷预测模型,包括模型的函数形式以及模型参数。同时在模型的实现上对遗传个体进行Read线性编码,用十进制编码来代替个体树,通过对编码的操作来实现各种遗传操作,极大地提高了程序运算效率。通过对某地的年用电量进行预测,同时与传统的多元线性回归模型进行比较,结果表明,GP模型可以显著提高预测精度。     

运用遗传规划法进行电力系统中长期负荷预测

运用遗传规划法进行中长期负荷预测,将预测模型作为遗传规划中的个体,根据"优胜劣汰"的原则,运用复制、变异和交叉三个主要的遗传算子操作,搜索最优预测模型.它根据历史样本数据自动生成负荷预测模型,包括模型的函数形式以及模型参数.同时在模型的实现上对遗传个体进行Read线性编码,用十进制编码来代替个体树,通过对编码的操作来实现各种遗传操作,极大地提高了程序运算效率.通过对某地的年用电量进行预测,同时与传统的多元线性回归模型进行比较,结果表明,GP模型可以显著提高预测精度.     

基于改进的预测有效度的中长期负荷组合预测

变权组合预测是负荷预测研究领域的热点,预测的关键是确定加权系数的原则。引入可信赖域α,改进了预测精度矩阵,推导了单个预测和组合预测的k阶改进预测有效度。通过拟合样本因子β,区分了样本区和预测区的加权系数。给出了基于一阶和二阶改进预测有效度最优级原则的中长期负荷组合预测模型。实际算例说明了预测模型的有效性。     

神经网络预测中长期电力负荷对比研究

为避免传统方法预测中长期电力负荷建模的复杂性,根据电力负荷历史数据,研究了基于LM算法的BP网络、RBF网络在中长期电力负荷预测中的应用,通过神经网络对训练样本的学习,自动提取影响中长期电力负荷的诸多因素。从训练速度、预测误差等方面分析对比了两种神经网络预测能力,仿真和实例数据表明了两种神经网络在中长期电力负荷预测方面的可行性和良好效果。     

神经网络预测中长期电力负荷对比研究

为避免传统方法预测中长期电力负荷建模的复杂性,根据电力负荷历史数据,研究了基于LM算法的BP网络、RBF网络在中长期电力负荷预测中的应用,通过神经网络对训练样本的学习,自动提取影响中长期电力负荷的诸多因素.从训练速度、预测误差等方面分析对比了两种神经网络预测能力,仿真和实例数据表明了两种神经网络在中长期电力负荷预测方面的可行性和良好效果.     

基于最小一乘法的组合赋权法在中长期负荷预测中的应用

中长期负荷预测是电网规划的重要依据和前提,出现了大量的算法模型,但每种模型都有自己的适用条件,采用组合预测能有效地组织各种模型做到扬长避短.组合预测法的关键是确定组合模型的权重,最小二乘法是应用较为广泛的确定模型权重的方法,但研究表明,该方法在确定负荷有突变情况的权重时存在较大的误差,因此,提出基于最小一乘法的权重确定方法,与最小二乘法相比,该方法以误差绝对值之和最小为优化目标,而非平方和最小,避免了误差的缩放,残差可以真实反映与真值的偏离程度,有利于权重的确定,最后通过实例验证了该方法的有效性和优越性.     

基于最小一乘法的组合赋权法在中长期负荷预测中的应用

中长期负荷预测是电网规划的重要依据和前提,出现了大量的算法模型,但每种模型都有自己的适用条件,采用组合预测能有效地组织各种模型做到扬长避短。组合预测法的关键是确定组合模型的权重,最小二乘法是应用较为广泛的确定模型权重的方法,但研究表明,该方法在确定负荷有突变情况的权重时存在较大的误差,因此,提出基于最小一乘法的权重确定方法,与最小二乘法相比,该方法以误差绝对值之和最小为优化目标,而非平方和最小,避免了误差的缩放,残差可以真实反映与真值的偏离程度,有利于权重的确定,最后通过实例验证了该方法的有效性和优越性。