两种短期负荷预测精度考核标准的比较

负荷预测精度是对电网的负荷预测结果相对于实际发生负荷的偏离程度的事后衡量指标，是电力主管部门促进各级负荷预测部门提高负荷预测精度的考核手段之一。现行的两种考核标准还存在一些问题。文中主要对日负荷预测准确率和日合格点百分数进行了比较分析，揭示出这两种考核指标之间的内在联系，并对存在的问题进行了针对性研究，界定了这两种考核标准的适用范围。在对实际负荷进行概率统计分析的基础上，初步给出了针对具体电网负荷变化的规律性制定考核标准的参考方案，并验证了其可行性。     

应用人工神经网络进行短期负荷预测

本文提出了一种应用人工神经网络进行电力系统短期负荷预测的方法。负荷按照每周各日进行分类，共七种模式，学习样本选取每周中的相同类型日。为了提高预测精度，对原始数据中的伪数据进行清除，对于那些可以预料到的随机干扰，应用专家系统原理予以处理。通过对银川供电局负荷的实际预测，表明本文所提供方法可以实际应用。     

基于分配因子和信息熵的母线负荷组合预测模型

负荷预测是指导电力系统规划和安全经济运行的重要依据。传统的负荷预测一般指区域负荷总量的预测,不能够体现底层母线负荷水平,无法满足电网精益化管理的要求。因此,母线负荷预测是解决这一问题的关键途径。然而,系统内母线数量庞大,负荷基数小,特性各异,波动性强,给母线负荷预测工作带来了困难。本文研究了母线负荷预测模型,根据实际电网情况提出了负荷分配因子的概念及预测思路;充分考虑历史数据的有效性,采用日特征量和趋势相似度综合选择相似日,并提出基于信息熵的变权重组合预测方法,提高各类型负荷预测精度;结合类型负荷预测结果和负荷分配因子,最终得到各条母线的预测结果。采用某区域电网负荷进行实例验证,结果表明,本文所建立的预测模型具有良好的预测精度和稳定度。     

南京地区春节负荷特性分析及其预测方法

研究分析了南京市春节用电负荷曲线的形状、走势和特点，综合考虑天气、历史负荷等对春节负荷变化的影响，提出了一种简便的负荷预测方法。该方法通过选取气候条件相似的双休日来预测春节日最大负荷，然后根据日负荷曲线百分比值计算出各点负荷值，工作量较小，预测精度较高。算例表明，这是一种行之有效的春节负荷预测方法。     

基于相似日选取样本的短期风电功率混沌预测

为减小构成初始条件的样本数据所导致的预测误差，本文借鉴负荷预测中基于相似日选取样本的思想，采用趋势相似度的概念选择相似日作为模型输入量，对短期风电功率进行混沌预测。选择我国某区域风电功率数据作为研究对象，考虑不同预测步长和季节差异，进行了大量的算例仿真，结果验证了该方法提高混沌预测精度的有效性和适用性。     

短期负荷预测中相似日选择的判别方法

在对短期负荷数据相关特性及判别结果进行分析的基础上，以吉林地区实际负荷为例。比较、分析了统计相似日负荷的均值和方差．提出合理选择相似日是提高综合预测模型预测精度的有效途径。     

基于相似日与多模型融合的短期负荷预测

为提高负荷预测精度，以相似日思想为基础，构建了一种基于相似日与多模型融合的短期负荷预测框架。首先，通过Pearson相关系数确定负荷的气象影响因素，并结合气象因素及负荷日期类型进行相似日选取，构造历史数据集；其次，采用互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)技术将历史数据集分解为不同频率下的固有模态函数(intrinsic mode function,IMF)分量；然后，采用长短期时序网络(long short term time-series network,LSTNet)及极限学习机(extreme learning machine,ELM)模型分别对高频及低频IMF分量进行预测，经过结果的融合得到最终的负荷预测结果；最后，经过实际电力负荷验证，所提出模型具有较高的负荷预测精度。     

基于粒子群优化神经网络的“煤改电”地区短期负荷预测研究

为提高"煤改电"地区短期负荷预测水平,本文基于北京市大兴区"煤改电"工程,探索利用神经网络算法对"煤改电"地区短期负荷进行预测。本文首先研究了"煤改电"地区负荷的年周期、周周期以及日周期负荷特性,并对负荷预测进行分类,分析得出了负荷预测的主要影响因素,明确了负荷预测的步骤及误差分析方法。其次,本文研究了BP神经网络的构成和运算过程,分析了历史数据处理方法,建立了基于BP神经网络的"煤改电"地区短期负荷预测模型,并对短期负荷预测模型进行检验。最后,为进一步提高预测效果,本文研究利用粒子群算法和列文伯格-马夸尔特算法对神经网络进行优化改进,建立了基于粒子群算法优化的BP神经网络负荷预测模型,满足了预测目标精度要求。     

相空间重构和SVR耦合的短期电力负荷预测

电力系统的短期负荷预测精度对智能电网安全运行有着重要影响,其中预测精度和训练步数至关重要,目前当地气象因素逐渐成为负荷预测中的关注点。以某市短期电力负荷为研究对象,建立了考虑日特征相关因素的支持向量回归机短期电力负荷预测模型,随后对某市考虑气象及日期类型的电力负荷做出预测。研究表明:利用考虑实时气象因素的SVR预测模型对短期电力负荷进行预测精度较高;考虑气象及日期类型的预测误差比不考虑气象及日期的预测误差小;嵌入维数和时间延迟对负荷预测模型精度具有重要影响。     

电力系统短期负荷预测的高木-关野模型研究

电力系统短期负荷预测在电力系统的运行设计中有重要的意义，利用模糊神经网络的方法进行电力负荷预测是国际上近年来很热门的一个方向。本文在传统的BP神经网络基础上，提出了一种短期负荷预测的模糊神经网络模型一高木一关野模型，以某供电局2000年的负荷实测值建立模型，进行了负荷预测，与实际值进行比较分析表明，这一模型应用于短期负荷预测能获得较高的预测精度，具有一定的研究价值。     

基于一周内负荷方差分析的96点负荷预测模型研究

不同于通常在96点负荷预测时对工作日和休息日所使用的自然区分方法,本文通过引入方差概念对一周各天同时间段电量进行分析,给出了重新划分工作日和休息日的方法。在满足样本相似性的前提下增加了合格样本的数量,为人工神经网络法96点负荷预测提供更为充分和可靠的历史数据。实际预测计算表明,该方法有效地提高了预测精度。     

银川市短期电力负荷预测方法研究及应用

介绍了短期电力负荷的预测方法,对银川市2011年短期电力预测结果进行分析比较,为本地区电网平衡与系统稳定提供参考,并对进一步提高预测准确性提出了建议。     

模糊专家系统用于短期负荷预测修正的初步探讨

针对人工神经网络短期负荷预测方法的不足,考虑天气中的日平均气温以及特殊事件等影响负荷变化的主要因素,利用专家经验,模仿专家处理问题的方法,设计了一个模糊专家系统,对负荷预测结果进行修正,以提高负荷预测精度.通过合理选择模糊推理规则的形式,有效地减少了规则的数目,使人工总结专家经验并确定模糊推理规则成为可能,并减少了计算量,提高了算法速度.     

基于小波包分析的电力负荷预测算法

提出基于小波包分解和重构的电力负荷预测算法.算法使用具有线性相位的双正交小波对电力负荷数据进行小波包分解和重构,然后用神经网络直接对各尺度上的电力负荷分量进行预测,最后将各尺度上的预测值相加,得到实际负荷预测值.算例表明算法具有较高的预测精度,优于传统的BP神经网络,有利于分析不同时频区域的电力负荷特性,为更准确地建模和预测提供了条件.     

基于改进模糊聚类的典型日负荷曲线选取方法

典型日负荷曲线对负荷调度计划以及运行控制有着重要意义,针对常用的传统典型日负荷曲线选取方法不满足目前电力市场需求的问题,提出了基于自适应因子与概率统计法相结合的改进模糊聚类算法典型日负荷曲线选取新方法,应用日负荷率、日负荷波动率等描述性特征指标,确定最优聚类数;引入模糊-离散系数,辨识样本数据中的畸变日,并予以剔除;计算日负荷与月平均负荷之间的相关系数,依据相关系数选取典型日负荷曲线。以新疆电网2015年1月份负荷数据进行实例仿真,结果表明所提方法能够准确选出典型日负荷曲线,验证了方法的可行性和有效性。     

基于粗糙集理论和动态时序模型的日负荷曲线预测新方法

作者提出了一种短期日负荷曲线预测新方法.该方法首先采用日最小负荷对日负荷曲线进行规范化,再将日负荷曲线预测转化为对日最小负荷的预测和对日规范化负荷曲线的预测.对日最小负荷预测应用动态时序模型;对日规范负荷曲线应用专家系统进行推理预测,专家系统中的推理规则应用粗糙集理论从历史数据中获取.采用上海电网数据对该预测方法进行了测试,结果表明该方法便于对各种影响因素进行分析处理,能够更有效地利用历史数据所包含的信息.     

基于人工神经网络的城镇日负荷预测

电力负荷预测是进行电网规划建设的依据,为准确预测清溪镇日负荷情况,对神经网络预测原理进行了研究,对清溪镇日负荷数据进行调查,依据BP神经网络的预测方法建立日负荷预测模型,通过Matlab实现清溪镇日负荷预测并对预测结果进行分析,结果表明基于BP神经网络的预测方法在城镇日负荷预测中效果理想。     

Forecasting daily peak load by a deterministic prediction method employing Gram-Schmidt orthonormalization

A technique for forecasting daily peak load in a utility power system is presented. After embedding time series data of daily peak load into a reconstructed state space, a nonlinear mapping is constructed by a local approximation method based on the orthonormal Gram-Schmidt bases. This method utilizes only the past load data for short-term prediction of the daily peak load, while many conventional methods make predictions with various kinds of data such as temperature and weather. The quality of prediction by the proposed method is as good as those with other prediction methods. Moreover, the results of short-term prediction by this method are satisfactory even with data as small as 250 points.     

基于GM（1，1）校正模型的转折性电力负荷特性预测

电力负荷系统是典型的灰色系统，电力负荷特性指标的预测具有直接的经济意义．讨论了当预测对象系统存在转折性变化时，灰色预测校正模型在此方面的有效应用．该模型具有充分利用历史信息而且短期预测精度高的优点．     

基于偏最小二乘回归的中长期电力负荷预测

为了支持将来的经济发展和不断满足电力需求,负荷预测已成为电力部门的重要任务,而提高预测精度是负荷预测的关键问题。为此,判断了影响负荷的经济因素之间存在的多重共线性,用偏最小二乘回归方法消除其共线性影响,并建立了预测模型。结果表明,该方法能准确地估计出变量的回归系数,能避免使用普通最小二乘回归时出现的异常回归系数,预测的相对误差平均为9.83%,最小相对误差为-0.01%。