基于粗糙集和多元线性回归的电力系统中长期负荷预测

基于粗糙集理论和多元线性回归模型,提出一种预测电力系统中长期负荷的新方法。首先采用一种完备的属性约简算法对影响电力负荷的诸多相关因素进行约简,得到与负荷关系最为密切的核心因素。在此基础上,建立多元线性回归模型来预测未来年的负荷。对一个实际电网的负荷进行预测,结果表明所提方法符合中长期负荷预测的特点并具有较高的预测精度。     

滨州电网负荷预测管理

总结滨州电网负荷预测管理现状,分析研究影响滨州电网负荷预测准确率的主要因素,研究负荷预测专业管理中存在的主要问题,制定滨州电网提高负荷预测准确率有关的对策和建议,提高负荷预测管理水平,合理安排调度计划,调整电网运行方式。     

运用季节和趋势模型预测用电负荷

用电需求迅猛增长和电力供需矛盾日益突出使得用电负荷预测越来越重要。对引起用电负荷变化的季节性和趋势性特点进行分析,并以此为依据,建立季节和趋势摸型来预测2004年月度用电负荷。预测结果表明季节和趋势预测模型是一种有效和可行的负荷预测方法。运用该方法对负荷进行预测对于如何在现有的供电容量下提高电能使用效率、提高电网负荷宰具有重要的指导意义。     

多层分区空间负荷预测结果综合调整的区间方法

提出了一种新的能计及不确定性因素的空间负荷预测结果综合调整的区间方法.首先建立了多层分区的空间负荷预测区间模型,将预测单元分为总量层、数据收集层和仿真层,既能结合趋势法和仿真法的优点,又能在保证足够土地划分解析度和预测精度的前提下有效控制数据收集的工作量.然后提出了基于该模型的空间负荷预测综合调整区间方法,这是一种在信息不完备条件下的负荷分布估计方法,解决了实际中空间负荷预测结果综合调整的难题.最后通过实例说明了该方法的实用性和有效性.     

电力市场环境下发电公司风险管理框架

在电力市场环境下,一方面,市场价格波动剧烈,发电公司在追求利润最大化的同时必须考虑相应的交易风险;另一方面,市场为发电公司提供了多种交易途径,以便其进行风险管理.因此,充分利用多种交易途径,为发电公司建立一个合适的风险管理框架是必需的,也是可能的.借鉴金融界广泛采用的风险管理方法,针对现有电力市场中各种交易途径及相应的风险,提出了一个用于发电公司电力交易的分层的风险管理框架.该框架包括目标及条件确认、风险控制和风险评估3个方面.其中,风险控制应用了风险规避及现代投资组合理论,风险评估采用VaR(value at risk)方法.该风险管理框架有助于发电公司明确交易目标,并制定计及风险因素的电能交易计划,从而在最大限度上降低整体交易风险,或者在发电公司可以承受的风险范围内使其利润最大化,即达到风险管理的目的--利润最大化和风险最小化.     

基于联合数据挖掘技术的神经网络负荷预测模型研究

认为提高日负荷预测精点,即基于联合数据挖掘技术的电力负荷神经网络预测新方法.也就是通过多种挖掘技术寻找与预测日同等气象类型的多个历史日负荷,由此进一步提取数据,组成规律强化、干扰弱化、具有高度相似气象特征的数据序列,对此,再构建人工神经网络预测模型,从而有效地提高了预测的精度,简化了模型的输入和计算,更加便于应用.     

电力系统年最大负荷概率预测

概率预测已经在气象、地震预测等领域中成功应用.提出将概率预测的方法用于负荷预测领域.在深入研究年最大负荷与温度关系的基础上建立了概率预测模型,模型有较高的预测精度,并已形成实用化应用软件,软件已在河南省正式使用,使用效果好.     

时间序列法短期负荷预测准确度上限估计

在依据时间序列统计性质的短期负荷预测的准确度上限估计研究上,根据Chaitin定理的思想以及采样定理,得出的新看法有:特定周期采样负荷序列的预测准确度上限,应该在更短周期的负荷采样序列中进行估计.在准确度上限计算时使用低通滤波器来提取高频成分,不仅得到了更具有普遍意义的上限,还避开了时间序列模型适用性检验的困难性.注意到负荷预测准确度上限,从根本上是依赖于特定的预测方法的.     

基于用地仿真法的配电系统空间负荷预测

配电系统空间负荷预测与传统的电力负荷预测不同之处是它不仅基于时间坐标,而且基于空间坐标。受单元自动机CA(Cellular Automata)在土地利用变化中的应用启发,对基于用地仿真的配电系统空间负荷预测过程进行了改进,可以给出不同目标下的综合预测结果,并将空间信息和预测结果以矩阵形式表达,使整个过程简单明了。对应用原理和过程进行了详细阐述,利用一个实际空间负荷预测的小区用地分析实例说明所提方法的应用过程。     

论加快物流专业人才培养的途径

随着经济的全球化,发展现代物流已经成为一种必然,发展现代物流需要一批高素质的物流专业人才队伍.然而,目前我国物流专业人才不仅存在着数量上的严重短缺,而且质量上的问题也非常严峻,加快物流专业人才的培养已经势在必行.