基于加和比例分配算法的中长期电量预测改进方法

针对中长期电量预测工作中,年度、季度、月度预测结果不统一,以及1、2月供电量因受春节影响而导致预测误差较大的问题,提出了基于加和比例分配算法的电量预测改进方法。加和比例分配算法包括季度加和算法和比例分配算法2部分。首先利用组合预测算法对季度电量数据序列进行预测;然后利用季度加和算法对季度预测值进行加和得到年度预测值;接着利用比例分配算法对季度预测值进行分解,得到月度预测值,从而得到年度、季度、月度的统一预测结果。最后利用某供电局的实际供电量数据对该方法进行校验,结果证明该方法不仅能够得到统一的预测结果,且其预测精度较普通方法更高。     

基于熵值法的组合模型用电量预测方法研究

电力系统的中长期负荷预测是配电网规划的基础,对实现电网的安全经济运行起着重要作用。以年度用电量预测作为研究的对象,年度用电量预测采用4种主要方法,即分别按照年度、季度、月度和行业用电量预测得到对应年用电量预测值,在此基础上再按其发展序列预测结合起来,建立了一种线性组合预测模型。并采用熵值法对组合模型的权系数进行求解,实证分析表明该模型使预测精度得到了明显提高,具有良好的预测效果。     

基于修正业扩容量曲线的月度电量预测方法

业扩报装容量与用户用电水平具有紧密的联系。本文建立了基于修正业扩容量曲线的月度电量预测方法,使电力企业能够根据用户业扩报装情况准确预测出用户个体以及行业整体的用电趋势。首先,对用户个体的存量电量和各次业扩所产生的电量分量进行分离,并采用生长曲线模型对各电量分量的过渡过程进行拟合;其后,提取得到用户的用电特性指标,并据此对行业整体的月度净用电容量曲线进行修正;最后,对行业月度电量曲线进行季节调整,并针对电量趋势项与修正后的净用电容量以及其他相关因素建立预测模型,进而得到行业月度电量预测值。实例分析表明,修正容量曲线能够有效地降低预测误差,验证了预测方法的有效性和准确性。     

兼顾主导行业与上下级协调的电量预测方法

针对现有的电量预测方法对电量自身组成结构信息利用不足、忽略不同级电量预测结果存在不协调的问题,提出了一种兼顾主导行业与上下级协调的电量预测方法。设计了主导行业筛选原则与方法,引入影响度评价行业对地区电量预测的影响程度,采用最优GM(1,N)模型对待预测区域的月度电量和年度电量进行预测,建立一维二级协调模型,协调待预测区域的月度电量和年度电量,以消除不同级电量预测结果间的不平衡性。应用该方法对某供电局的电量数据进行预测分析,验证提出的算法的准确性和有效性。     

基于Theil不等系数的IOWHA算子组合模型年用电量预测新方法

配电网中长期负荷预测是配电网规划的基础,精确的预测可提高配电网运行的可靠性和经济性.本文以年用电量预测作为研究对象,年用电量预测采用4种主要方法,即分别按照年度、季度、月度和行业用电量预测得到对应年用电量预测值,在此基础上再按其发展序列预测结合起来,建立了一种线性组合预测模型.并提出采用Theil不等系数的IOWHA算子算法对组合模型的权重系数进行求解,该方法可以克服传统的组合预测方法赋予不变的加权平均系数和以单一误差指标作为预测精度衡量的缺陷,文中的实例分析表明了新模型能有效地提高组合预测精度,降低预测的风险性.从而证明这种组合模型具有较好的实用性.     

一种基于灰色系统理论的中长期需电量预测模型

深入研究了基于灰色系统理论的中长期需电量预测方法,剖析了灰色预测ＧＭ（１,１）模型应用的局限性及其改进方法,根据电力系统中长期需电量预测的特点,将国民经济发展对年用电量的影响加到预测模型中,提出一种基于灰色系统理论的中长期需电量预测方法,并用此方法对山东省多年来的用电量进行试验和对未来十几年的用电量进行预测,结果表明：模型精度较高,预测误差较小,预测结果与国家电力公司的宏观预测值基本吻合。     

基于短期相关性和负荷增长的中长期负荷预测

现有中长期负荷预测非线性模型存在预测困难及精度偏低且不稳定的问题。文中提出了一种基于短期相关性和年度负荷增长的预测方法,将非线性问题转化为线性问题来解决。该方法首先根据上一年相邻点和相邻周负荷之间的短期相关性构建线性回归模型;然后采用递归的方法计算出下一年各周所有负荷点的预测值;最后考虑年度负荷增长,对预测值进行修正得到最终预测结果。结合实际电网数据验证了该方法的有效性和实用性,为中长期负荷预测提供了一条可行的新思路。     

基于容量利用特征的行业售电量预测方法研究

为了使电力企业能够从用电根源把握行业整体的用电趋势,引入基于容量利用特征并且考虑了外界经济因素影响的电量预测方法。首先,通过对行业的运行容量进行分离,采用行业不同业扩报装类型生长曲线还原真正的存量容量。再提取行业利用小时数,应用相关系数法和K-L信息量法对影响行业利用特征的外在因素进行辨识,确定主导因素指标。最后,创建基于容量利用特征的电量预测方法,基于存量产生电量和业扩增量产生电量形成对行业的预测模型。实证分析表明,这种方法能有效地提高预测精度。     

应用电量误差修正的年负荷曲线预测方法

现有的年负荷曲线预测方法没有充分利用负荷与电量的关联性,预测误差较大。本文提出了一种应用电量误差修正的年负荷曲线预测方法以提高预测精度。首先对预测年8 760 h负荷进行估算,然后运用负反馈原理,以年电量预测值为基准,利用季度电量弹性系数分4个季度对累加电量(整点负荷相加得到的电量估计值)进行有差别修正;最后根据电量的修正比修正全年8 760 h负荷值,取其中365 d日最大负荷值编制年负荷曲线。用该方法对云南省2013年数据进行验算,结果表明该方法能有效提高预测精度。     

考虑不同风能特征的风电中长期电量预测方法

中长期电量预测在编制中长期发电计划、提高新能源消纳以及保障电力系统电量平衡等方面发挥着重要作用.未来气候态预报信息有利于提高中长期电量预测精度,但当前中长期电量预测未能有效挖掘和利用未来气候预报信息,为此,提出了一种考虑不同风能特征的风电中长期电量预测方法,同时为提高预测模型的适应性,以风能资源气候态预报结果数据为输入...     

基于多维特征分析的月用电量精准预测研究

用户用电量的精准预测是智能配用电大数据应用和发展的关键之一。区别于传统的基于行业分类的预测办法,提出基于大数据挖掘技术的用户用电多维度特征识别,以及在此基础上的精准用电量预测方法。基于海量多用户用电特性,建立多维度用电特征评价指标体系。对用户用电特性空间进行聚类和分析,挖掘和识别用电模式。在不同的用电模式下,分别建立用电量时间序列预测模型,避免用电模式差异对预测算法准确性造成的不利影响。该方法适用于大数据平台的分析与处理,算例分析结果表明其相比以往方法能显著提高预测精度和稳定性。     

基于可信度加权组合的电价波动模式日前预报方法

准确的日前电价预测对电力市场参与者的优化决策具有重要意义。目前,大多数日前电价预测方法并不区分每天电价的波动模式而采用统一模型进行预测,当被预测日的波动模式与历史数据出现较大差异时无法保证预测的准确性。根据不同的日波动模式采用相似历史数据进行分类建模是解决此问题的有效途径,这就需要建立针对历史数据不同波动模式的分类识别模型和针对未来波动模式的日前预报模型。为此,文章提出一种针对分类预测的电价日波动模式日前加权组合预报方法。第一,采用K-means算法对日电价序列进行聚类分析,在分析聚类结果特性的基础上提取反映每日波动模式差异的特征向量,利用支持向量机分类（support vector machine for classification, SVC）方法建立电价数据日波动模式的识别模型;第二,利用多种常规方法建立日前电价预测模型对日前电价进行预测,并将预测结果输入日波动模式识别模型得到对应的模式识别结果;第三,根据多个方法波动模式预测结果对历史数据表现出来的不同精度,设计了基于可信度的组合机制,实现考虑预测准确性的加权组合预测,从而得到最终的日波动模式预测结果。利用美国PJM电力市场电价数据进行的仿真分析表明,提出的日前电价波动模式预测方法能得到较为准确的模式预测结果;利用电价波动模式日前预报进行分类预测的精度相对统一预测有显著提高。     

Long-Term Load Forecasting Using Grey System Theory

Supply and demand in power system planning and operation is required to be balanced. An operational reserve for protection against faults or accidental demands also is required. Therefore load forecasting is one of the most important fields and various load forecasting methods have been applied. In this paper the grey system theory which mats uncertain information is applied to the long-term load forecasting from three aspects: the point prediction; the interval prediction; and the topological forecasting. In the point prediction, the annual total demand is predicted, in the interval prediction, the annual peak demand is predicted, and in the topological forecasting, the date where a yearly maximum peak demand would occur is predicted. The grey dynamic model (abbreviated as GM model) is adopted as the predicted model. The GM model is a differential equation model which is different from most forecasting models. The GM model is quite powerful when combined with the preliminary transformation called the accumulated generating operation (AGO). This paper proposes a new method for the long-term load-forecasting problems involving uncertainty. The predicted results have been found to be very satisfactory. The grey system theory is a new tool which is very efficient for load forecasting.     

基于GDP-电能消费耦合关系的中长期电量预测

建立了一种基于用电量和GDP之间耦合关系的中长期电量预测模型。首先利用协整检验和格兰杰(Granger)因果检验,剖析电能消费和经济发展之间的协整关系和因果关系,并建立中长期电量预测模型。然后采用误差修正方法对预测模型进行短期调节,以提高模型的鲁棒性以及预测精度。以某地区1991—2015年的用电量和GDP数据作为算例输入数据,结果表明:通过构建电能消费和经济发展之间的耦合关系,有助于提高预测模型的解释能力,同时含短期调节的中长期用电量预测模型具有更高的预测精度。     

融合多种相关性分析方法的行业电量需求预测

随着供给侧改革的深入推进,为满足电网发展的需要,需要对行业电量需求预测模型进行精细化改进。从行业电量增长因素入手,提出基于关联规则挖掘和主成分分析相结合的行业电量相关性分析方法,建立历史用电相关分析数据集,挖掘行业电量增长的主导因素;分别对传统ARIMA模型和多元回归模型进行改进,得到融合多种相关性分析方法的行业电量需求模型。最后利用某地区有色金属行业为例进行实证分析,结果表明改进后的模型较传统预测模型的预测精度有较大的提升。     

电力市场条件下年用电量混沌模型分析

年用电量的预测关系到电力系统的经济效益。通过对电力市场条件下年用电量的研究,应用混沌理论建立了在实际电量需求和可用电量共同限制作用下的年用电量模型。在不同的电量需求增长率基础上分析其混沌特性,得出产生混沌的充分条件。对不同的系统参数进行仿真分析,结果表明在供给和需求的共同作用下,年用电量可能会出现混沌行为。     

基于气象大数据的城市电力负荷预测

为克服利用气象因素对用电量预测任务中必须先观测到气象条件再进行预测的困境,提升用电量预测准确性,提出一种基于时序卷积网络与循环神经网络的用电量预测方法.使用时序卷积网络基于历史气象数据对未来气象条件进行预测,结合历史用电量数据对未来用电量数据进行预测.算法在预测当前用电量时只依赖于过去的特征,因此无需先观测到当前气象特征.在真实的气象与用电量数据集上的实验结果表明,在仅使用气象因素这一外部变量时,算法对用电量的预测准确性超出了传统方法,有较高的实用性.     

基于CEEMDAN分解的深度学习分位数回归电价预测

电力市场中电价预测的准确性对于供应商竞价策略的制定至关重要。针对电价预测问题,提出一种基于完备经验模态分解的深度学习分位数回归电价预测方法。首先,采用自适应噪声的完备经验模态分解方法对电价序列进行分解,得出各个模态分量;然后,采用深度学习中空洞因果卷积神经网络预测模型在不同分位数下对各个分量进行预测,并将预测结果重构;最后,对预测结果采用核密度估计得到电价的概率密度函数。经过对美国电力市场PJM的实际数据进行仿真验证,所提出的组合预测方法相比于其他分位数回归方法,不仅具有更高的预测准确度,且可以为供电商提供更多有效信息。     

基于小波变换的ARMA-LSSVM短期风速预测

对风电场风速的准确预测,可以有效减轻并网后风电对电网的影响,提高风电市场竞争力。提出将时间序列自回归滑动平均模型（Auto Regressive Moving Average, ARMA） 与最小二乘支持向量机模型（Least Square Support Vector Machine,LS-SVM）相结合的混合模型短期风速预测方法。采用小波变换（Wavelet Transform,WT）方法将历史风速序列分解成具有不同频率特征的序列。根据分解后各分量的特点,对于低频趋势分量选取LS-SVM方法进行预测,而高频波动分量则选取ARMA模型进行预测,采用小波重构得到最终预测结果。仿真实例表明,不同的预测方法整体的预测精度不同,而混合模型预测的均方根误差最低为11.5%,与单一预测方法相比,混合模型提高了预测精度。     

基于趋势指标与长短时记忆网络的电力市场日前电价预测

为提高电力市场日前电价的预测精度,提出一种基于趋势指标与长短时记忆网络（LSTM）的日前电价预测模型。首先,计算日前电价的随机指标（KDJ）与异同移动平均线指标（MACD）,挖掘电价的内在规律信息;然后,将计算出的趋势指标与电价信息输入LSTM,对电力市场日前电价进行预测;最后,利用电力市场日前电价数据进行验证。算例分析表明该模型相比反向传播神经网络（BPNN）、LSTM和门控循环单元网络（GRU）等模型预测精度更高。