共查询到19条相似文献,搜索用时 62 毫秒
1.
2.
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。 相似文献
3.
4.
城市区域电网负荷预测的实践 总被引:1,自引:1,他引:0
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. 相似文献
5.
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。 相似文献
6.
应用信息熵原理的多路径负荷预测协同方法 总被引:1,自引:0,他引:1
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. 相似文献
7.
8.
9.
10.
11.
12.
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。 相似文献
13.
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。 相似文献
14.
15.
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。 相似文献
16.
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。 相似文献
17.
18.
基于大数据平台的配电网负荷预测关键技术 总被引:1,自引:0,他引:1
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。 相似文献
19.
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。 相似文献