基于CC-2000的负荷预测在东北电网的实现

介绍了基于ＣＣ－２０００支撑平台的东北电网ＥＭＳ应用囫件中负荷预测软件的各项功能、数据库和人机界面的设计,以及负荷预测与其它应用软件的接口。针对东北电网的实际情况,在完善人机界面、维护历史数据方面做了大量工作,负荷预测软件已经实现了实用化在线运行 。     

基于饱和负荷密度指标约束下的遵义城市电网负荷预测

阐述了城市饱和负荷的概念和特征,并结合相关城市发展规划,采用空间负荷密度法对饱和年遵义城网负荷做出预测,得到合理的负荷水平。     

嵌入式深圳电网负荷预测分析管理平台

嵌入式深圳电网负荷预测分析管理平台集负荷预测、数据分析和市区分层管理三大功能于一体,搭建一个科学、透彻且高效的负荷预测、分析和管理的综合平台。通过数据稳定度分析、负荷与气象相关性分析、分行业负荷数据分析和数据的分级管理实现了负荷预测从表象预测到里象分析、管理的转变。     

城市区域电网负荷预测的实践

通过对泉州市泉港区原始资料的分析,确定采用区域负荷密度指标法进行远期年预测,及多种数学模型外推进行中间年预测的预测方案.利用同类型地区同类型负荷的负荷密度相似原理,得到了远期年泉港区各类性质用地的负荷密度指标.根据确定的方案,预测了泉港区总电量、总负荷以及分区和分类负荷.经过对预测结果的校核,确定结果符合泉港区的经济发展趋势,是有效的.     

地区电网负荷预测管理系统技术分析

结合哈尔滨地区电网的实际情况,论述了建立地区电网负荷预测管理系统的功能、设计原则;对系统结构的硬件、网络结构和系统平台、数据库、工具软件的选择及网络通信功能、面向用户软件包等问题进行了技术分析和比较。     

应用信息熵原理的多路径负荷预测协同方法

将最大信息熵原理应用于多路径负荷预测中,提出了一种对含不确定信息的多路径负荷预测结果的协同方法.该方法将负荷预测结果的期望、二阶中心矩作为约束信息,利用最大信息熵原理得到预测结果的概率分布函数,并应用概率论自动得到综合两条预测路径的高、中、低方案;其次通过两两组合融合直至每组原始数据至少使用一次,不同组合方式结果的信息熵不同,选取信息熵最大的一组为最终预测方案.算例表明,应用上述方法所得预测结果的信息熵总是大于原始预测结果的信息熵,熵的提高验证了该方法在负荷预测信息融合中的有效性.     

电网负荷的非线性灰色预测

应用非线性灰色模型对电网用电量进行预测,与线性灰色模型进行了对比并对模型特性进行了分析。理论分析和实例表明非线性灰色模型较线性模型性能优越,值得在负荷预报领域推广应用。     

城市电网规划的负荷预测方法研究

电力负荷预测是电网规划的基础性工作。在对现有的城市电力负荷预测的众多模型归纳和总结的基础上,提出了一套适用于城市电网规划的电力负荷预测模型,介绍了计算流程及具体步骤,并以具体实例验证该方法的有效性。     

电网负荷的组合预测

应用组合预测方法将自适应滤波模型、灰色模型、指数平滑模型、指数函数模型组合在一起进行电网负荷预测,得到了改善的结果。     

基于互信息的电力负荷组合预测模型

针对电力负荷组合预测中权重难以分配问题,运用信息论与模糊评价方法,提出一种新的确定权重的方法.用互信息度量各个预测模型的精度,对所有预测模型的互信息进行模糊评价,并赋予各预测模型相应的权重,互信息大的模型获得较大的权重;反之,获得较小的权重,进而建立一个新的组合预测模型.实例应用表明,经多个误差分析指标的评价,所提出的组合预测模型不仅优于其中任何单个预测模型,而且优于基于熵的组合预测模型.     

基于集成模型的混合神经网络电力负荷预测

为了提高负荷预测的精度与泛化能力,提出了一种基于Bagging集成算法的GRU-BiLSTM-Self-attention模型。为充分提取高维输入数据的多个特征,该模型采用BiLSTM-Self-attention模型提取局部特征,采用GRU模型提取时序特征,从同一训练集中独立抽取样本子集并进行训练,对输出结果集成处理并得到最终的预测结果。选取南京某供电公司真实数据进行实验,并与LSTM神经网络、GRU神经网络、BiLSTM神经网络等预测模型进行对比。实验数据表明,该模型的均方根误差为50.770 3,准确率为97.36%。相较于其它用于对比的模型,该结果表明本模型在预测效果上具有一定程度的优势,说明所提出的模型具有更好的泛化能力与预测精度。     

基于LSTM循环神经网络的短期电力负荷预测

为了保障电网安全稳定和电力市场高效运行,电网调度人员和电力市场参与者对电力负荷预测准确度提出了更高要求,分布式电源和间歇性负荷是影响负荷精准预测的关键因素。针对传统负荷预测方法无法同时对负荷本身变化规律及其影响因素进行建模的问题,提出基于长短期记忆单元(LSTM)的负荷预测方法。利用具备时序记忆功能的LSTM构建深度循环神经网络(RNN),综合考虑历史负荷和各类负荷影响因素建立负荷预测模型。该方法利用神经网络的特征提取能力和LSTM的时序记忆能力,能在更长的历史时间范围内辨识负荷内在变化规律及各类影响因素对负荷的非线性影响。基于实际负荷数据对不同历史时间窗口、不同网络架构的负荷预测性能进行验证,并与其他负荷预测算法进行比较,结果表明所提方法能有效提升负荷预测准确性。     

基于BP神经网络的电力系统短期负荷预测

电力系统短期负荷预测直接影响电力企业的经济效益。对此,选择预测日前一天的电力负荷和阴晴、温度、湿度等气象特征数据作为网络的输入,预测日当天的电力负荷作为输出,建立了电力系统短期负荷BP神经网络模型。用历史负荷数据作为训练样本,对BP神经网络预测模型进行训练,用训练好的神经网络进行电力系统短期负荷预测。用真实历史数据对新疆某地区进行了电力系统负荷短期预测,结果表明,预测结果与实际值比较接近,1 d96个采样点的负荷预测平均准确率为98.45%。     

基于神经网络的电力系统短期负荷预测

介绍了短期负荷的特点,深入分析了温度、降雨量、时间等因素对负荷的影响。应用BP神经网络,建立了充分考虑各种因素的日最高负荷预测和日平均负荷预测模型,最后通过贵阳城南分局历史负荷进行验证,表明本论文所建立的神经网络预测模型充分考虑了各种负荷因素影响,预测精度良好,具有较好的非线性映射能力,有进一步开发应用于实际预测的良好前景。     

基于并联时序卷积神经网络的电力负荷短期预测

电力负荷的短期预测可以合理地确定机组运行方式,安排日调度计划,提高计量精准度,对实现系统功率平衡和保障系统的安全经济运行具有重要意义。在利用神经网络进行负荷短期预测时,若训练数据不足,模型的学习能力会大大降低。同时,由于电力负荷数据存在小时周期、日周期、周周期、季节周期特性,常规神经网络训练模型无法反映负荷的不同周期特性,对预测结果的准确性也会造成一定的影响。为此,首先提出一种数据增强方法,有效解决电力负荷预测中训练数据不足的问题。其次,针对负荷的周期性特征,进一步提出使用不同周期特征的并联时序卷积神经网络模型的融合方案,有效反映负荷数据的多周期特征,从而提升电力负荷短期预测的准确度。通过对某地市不同电压等级线路负荷数据的建模和训练,验证所提方法在短期预测方面的有效性和优越性。     

城网规划负荷地理分布预测

在城网规划中,负荷的地理分布预测有其独特的重要性,对此,采用模糊评分,运输模型求解最优等手段,对汕头达濠区进行了空间负荷分布预测,其结果能够满足实际工作的要求。     

基于大数据平台的配电网负荷预测关键技术

大规模配电网负荷预测需重点关注预测准确率及计算效率,由于规模大、关联因素复杂,采用传统集中式或简单分布式平台环境难以满足应用要求。提出了基于大数据平台的解决方案,方案结合大规模配电网负荷预测应用场景特点,提出了数据存储、数据预处理、特性分析、预测算法等关键环节的技术路线。应用多元化分布式存储方式,实现了多类型数据的分类存储;应用机器学习技术,实现了数据预处理、负荷特性分析等;应用Spark流计算技术,实现了基于滑动窗口操作的滚动短期预测和基于无状态操作的中长期预测。在某省的实际应用结果证明了解决方案在预测准确率和计算效率提升方面效果明显。     

基于CNN-BiLSTM-Attention的超短期电力负荷预测

超短期电力负荷预测对电力系统的快速响应和实时调度至关重要,准确预测负荷能保障电力系统的安全并提高用电效率。为获得准确可靠的负荷预测结果,针对电网负荷数据非线性和时序性等特征,提出了一种基于CNN-BiLSTM-Attention(AC-BiLSTM)的新型超短期电力负荷预测方法。该方法首先将卷积神经网络(CNN)和双向长短期记忆(BiLSTM)网络相结合充分提取负荷数据本身的时空特征。然后引入注意力(Attention)机制自动为BiLSTM隐藏层状态分配相应的权重,以区分不同时间负荷序列的重要性,能够有效减少历史信息的丢失并突出关键历史时间点的信息。最后通过全连接层输出最终负荷预测结果。以某地区真实负荷数据为例进行了实验分析。通过两种实验场景对比,验证了该方法具有较高的预测精度,可以为电力系统规划和稳定运行提供可靠的依据。