深圳电网负荷与气温的关系研究

为了解深圳地区的电力负荷特性,本文对2012—2014年深圳电网负荷与气温的关系进行了全面地分析。通过引入负荷-最高气温梯度和负荷-最低气温梯度,建立了高温负荷日日最高负荷与日最高气温和日最低气温的关系模型,并通过相关系数证明了其有效性。据此获得了深圳高温负荷日负荷受气温影响的规律,对提高深圳负荷预测的准确性,指导深圳电网的运行和规划有重要的意义。同时,本文也经过计算得出深圳年最大制冷负荷的比例可达35%左右,为深圳夏季负荷的重要组成部分。     

湖北电网负荷与气温关系及负荷特性分析

以湖北电网2000年来的夏季运行整点数据为基础,分析了各负荷水平的持续时间、负荷与最高气温和最低气温的关系,以及非敏感负荷的增长规律.表明湖北电网尖峰很尖,大于90%最大负荷的时间较短并对气温很敏感.     

广州电网负荷特性分析

"十五"期间广州地区电网最大负荷持续快速增长,峰谷差逐年增大,高峰时段和电力设备检修季节电力供应紧张,给电网安全运行带来很大威胁,也给电力负荷分析预测、电网规划计划工作带来许多困难.本文在积累和分析大量负荷特性数据的基础上,第一次较伞面、完整地摸清了广州电网负荷的变化规律及发展趋势.深入分析了气温对负荷的影响,提出温度敏感点的概念,计算出广州降温负荷的比重,对电力最高负荷的短期预测有较强的指导作用.文中给出的广州电网负荷特性值有较高的可信度,将为电网规划及调度计算电网年最大负荷提供有力的依据.     

计及气温因素的年度负荷预测修正方法

为剔除气温敏感负荷对发展趋于饱和地区年度负荷预测的影响,提出计及气温因素的年度负荷预测原始数据和预测结果修正方法.根据年最大负荷与年最高温度的分段线性关系建立综合调整模型,基于该模型提出了负荷预测历史数据还原和预测结果数据调整方法,并给出预测调整修正算例.实际算例表明,该方法在上海市区的负荷预测过程中能充分考虑最高气温对最大负荷的影响,提高了负荷预测的实用性和有效性.     

基于双修正因子的模糊时间序列日最大负荷预测

天气温度变化是影响短期电力负荷预测的主要因素.为提高预测精度,引入负荷变化影响因子和气温影响因子,提出基于双修正因子的模糊时间序列预测算法.根据负荷变化趋势,提出分段预测的思想,在拐点处用负荷变化因子进行修正,然后用气温影响因子对预测结果进行二次修正.将改进的算法用于某电网夏季最大负荷的预测.数值结果表明该算法具有较高的预测精度.     

2020-2021年冬季京津唐电网负荷与气温之间的关系研究

冬季空调器、电采暖等供暖设备的使用率逐步提高,京津唐电网负荷受气温的影响也愈发明显,并在2021年1月6日的极寒天气影响下创历史新高.为了解气温对京津唐电网负荷的影响,并且准确预测次日负荷大小,首先对京津唐电网日最大(小)负荷与日最低(高)气温进行相关性分析;其次,建立负荷与气温的线性回归模型,分析京津唐地区负荷对气温...     

夏季日最大降温负荷的估算和预测方法

随着空调等降温设备的大量使用,降温负荷对电力系统安全经济运行的影响越来越显著。以广州市的历史负荷和气温数据为基础,分析了广州市夏季降温负荷与气温之间相关性。首先,考虑到夏季基准负荷逐日的增长量,提出利用灰色系统GM(1,1)模型预测出电网夏季的日基准负荷曲线,进而准确剥离出夏季的日降温负荷曲线,并分析了日降温负荷曲线的“W”型变化特征。其次,基于日最大降温负荷与日最高温度的相关性分析,建立了日最大降温负荷与日最高温度之间关系的分段回归模型,并对日最大降温负荷进行预测。最后考虑温度累积效应的影响,对分段回归模型进行了修正,进一步提高了预测精度,从而为准确预测电网夏季日高峰负荷提供依据。     

山东电网气温敏感负荷研究

随着社会经济的发展以及居民生活水平的提高,气温敏感负荷对电网生产运行的影响越来越大,气温敏感负荷分析愈发重要。收集山东省2011—2014年用电负荷和相关温度数据,测算空调降温负荷及单位温升负荷,并在此基础上,定量分析降温负荷对日负荷特性的影响,为电网规划和生产调度提供参考。     

人体舒适度指数对用电负荷的影响

通过引入人休舒适度指数这一气象新概念，对电网负荷与气象变化之间的关系进行相关性、离散性和灵敏度分析。通过对南京电网的分析可得，相对于日最高气温、日最低气温而言，使用人体舒适度指数更能准确表明日最大负荷的变化。     

湖北电网负荷与气温关系及负荷特性分析

根据多年对湖北电网负荷与温度关系的研究成果，分析了湖北电网最大负荷与夏季日最高气温之间的关系，并以详尽的史料对湖北电网负荷的时间、负荷一气温敏感性、湖北电网日负荷特性等进行了分析。     

Long-term load forecasting and economical operation of wind farms for Egyptian electrical network

Several traditional methods have been presented for long-term load forecasting of electrical power systems without sufficient accuracy of the relevant results. In this paper, in order to improve the results accuracy, the artificial neural network (ANN) technique for long-term peak load forecasting is modified and proposed as an alternative technique in long-term load forecasting. The modified technique is applied on the Egyptian electrical network dependent on its historical data to predict the electrical peak load demand forecasting up to year 2017. This technique is compared with extrapolation of trend curves as a traditional method. Installed power generation capacities of Egyptian electrical network up to year 2017 are estimated dependent on the peak load forecasting of this network. Also, a proposed methodology to assess the economical operation of the wind farms (WFs) beside the conventional power system (CPS) is introduced. This methodology includes a mathematical model to develop the economical operation of wind farms on the whole power generation capacity through a considered period.     

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。     

气象敏感性负荷特性分析及预测

以电网迎峰度冬和迎峰度夏为背景,将电网负荷中的气象敏感负荷作为研究对象,对负荷预测气象指标进行分析,结合天气预报准确性分析,得出累积温度指标的适用性范围。分别采用基于累积温度指标的预测方法和基于综合气象指标的预测方法对气象敏感负荷进行预测,并针对大幅度升温/降温以及天气转化情况时对预测方法进行改进,提出在累积温平均温度变化超过2℃时,宜采用基于累积温度在平日预测时采用变化和平均温度变化加权指标进行负荷预测,在晴雨转换时采用修正后的综合气象指标预测法的综合气象敏感性负荷预测方法。实际算例和应用表明,该预测算法具有更高的准确度,为目前负荷预测提供一定依据。     

基于小时气象因子的神经网络短期负荷预测模型

目前在短期负荷预测模型中,气象因子的应用主要是其日特征值。负荷对气象因子的响应具有实时性的特点,因此,小时气象因子在负荷预测模型中的应用对提高负荷预测精度具有积极作用。通过分析小时温度、湿度、云量、降水、风等气象因子对电力负荷的影响,并与日气象因子的影响进行对比分析,结果表明:小时气象因子对负荷的影响与日气象因子对负荷的影响特征有很大不同,尤其是在天气发生突然变化时,小时气象因子对电力负荷的影响比日气象因子的影响更加显著。建立了基于小时气象因子的神经网络短期负荷预测模型,预测效果较好。针对目前气象部门对小时气象因子的预测能力及其在实际负荷预测中的应用情况,总结了应用中存在的问题并提出改进策略。     

南京市夏季气温--日峰荷特性分析

气候变化对负荷的影响在逐年增大。同时也影响着电力系统负荷预测的精度。南京市夏季的季节性成分在一年中为最大,其中温度因子的影响是其构成的主要因素。通过对1996－1999年期间夏季典型日负荷曲线、夏季日峰荷与温度因子的相关性分析和对温度因子热积累效应的研究,为提高电力负荷的预测精度打下了基础。     

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。     

基于气象成分分解的夏季短期负荷预测

夏季负荷受温度等气象因素影响大,表现出随机性强、波动性大的特点。针对现有短期负荷预测模型在夏季预测精度不高的问题,提出在负荷成分分解的同时,将温度分解为日周期分量和波动分量,以此准确把握短时气象波动对夏季短期负荷预测的影响。在充分分析负荷各分量变化趋势及对整体负荷预测精度影响的基础上,针对各个负荷分量特征分别选择预测方法。在预测气象敏感负荷分量时引入温度波动分量,基于XGBoost智能算法构建预测模型。选用我国中部某市夏季历史负荷建立训练样本,对2017年8月份日96点负荷进行预测,预测结果验证了所提模型和算法的有效性。     

考虑温度模糊化的多层长短时记忆神经网络短期负荷预测

智能电表的普及为短期负荷预测提供了海量数据,使得负荷精细化预测成为可能,而温度是影响夏季负荷的重要因素。提出一种考虑温度模糊化的多层长短时记忆神经网络(ML-LSTM)短期负荷预测方法。利用隶属度函数将预测时刻的温度和当日的平均温度进行模糊化处理,减小夏季温度波动性对负荷预测的影响;建立含3层隐藏层的长短时记忆神经网络(LSTM)预测网络,并利用适应性矩估计(Adam)优化算法提高LSTM梯度参数的自适应性学习能力。利用西南某地区2018年6月至8月的实测温度和负荷数据进行验证,负荷预测结果表明,ML-LSTM模型比BP神经网络和支持向量机的负荷预测精度更高,且温度的模糊化处理提高了模型的泛化性。     

计及元胞发展程度的空间负荷预测方法

针对分类负荷在不同元胞内发展程度不同导致元胞负荷分布不均衡,从而影响空间负荷预测结果精度的问题,提出一种计及元胞发展程度的空间负荷预测方法。首先建立电力地理信息系统(GIS),在电力GIS中生成元胞,并整合基础信息,其中包括用地信息、10kV馈线的供电范围及分类负荷数据。其次求出总分类负荷密度的饱和值,再结合生长曲线揭示总分类负荷密度的发展规律。然后找到当前年各元胞内分类负荷密度在总分类负荷发展规律曲线上的位置,即为各元胞内分类负荷密度的发展程度。最后根据当前年元胞内各分类负荷密度的发展程度,结合总分类负荷密度发展规律曲线,确定目标年各元胞内分类负荷密度,再乘以元胞中每类负荷所对应的面积实现对元胞负荷值的预测。实例分析表明了该方法的正确性和有效性。