基于信息熵和变精度粗糙集优化的支持向量机降温负荷预测方法

降温负荷持续增长已成为中国南方夏季最大负荷屡创新高的重要原因。提出了一种基于信息熵和变精度粗糙集优化的不确定支持向量机方法,用于中长期降温负荷预测。方法通过挖掘数据中的相互关系去除冗余信息,从输入属性变量集中寻找核心变量。该方法利用基于信息熵改进的变精度粗糙集对支持向量机的条件属性进行约简,得到最小决策表,并将该最小决策表中对应的变量作为支持向量机预测模型的输入属性变量,进行年最大降温负荷预测。且随着预测年份的推移,该支持向量机预测模型的输入属性变量亦将随之滚动更新,能够为电网规划与运行人员提供不同预测时期降温负荷预测需重点关注的影响因子。最后,利用广东省实际数据对广东电网"十二五"和"十三五"年最大降温负荷进行预测,结果表明,所提的预测方法预测效果良好,预测精度稳定,对于中长期预测过程中的各种不确定因素的影响具有较好的鲁棒性,真正实现了中长期降温负荷的动态预测。

湘潭地区负荷特性分析

根据湘潭地区历史负荷及气象等相关资料,研究分析了该地区的负荷特性,对负荷的各种影响因素进行了量化分析,重点对气象敏感负荷和大用户对地区负荷的影响进行了分析,分析结果有利于提高短期负荷预测准确率,为电力负荷紧张期间的负荷调控与合理分配提供了有力的依据。

基于耦合特征与多任务学习的综合能源系统短期负荷预测

在区域型综合能源系统(IES)内各负荷间耦合程度逐渐增强和对更准确、可靠的用能预测需求日益提高的背景下,提出一种基于耦合特征构造及多任务学习的IES冷热电负荷短期预测方法。首先,从特征工程的角度利用耦合特征挖掘算法构造IES冷热电负荷耦合特征变量,提取不同能源负荷需求间的耦合特征,进而将负荷历史数据、耦合特征变量及气温等外生变量作为模型输入,利用多任务学习的共享机制建立IES的负荷预测模型,使得各能源预测子任务间的高维特征及模型参数能够通过基于长短期记忆神经网络搭建的共享学习层相互借鉴,以实现对负荷间耦合特征的充分挖掘和利用。以美国亚利桑那州立大学坦佩校区IES为例,通过预测结果精度对比和深度学习模型可解释性研究,证明所提出的预测方法可以有效提高区域型IES冷热电短期负荷预测的精度。

降温负荷研究

随着居民生活水平的提高,降温负荷对电网产生的影响越来越大,所以对降温负荷的研究变得愈发重要。基于华中某地区2018年夏季6-8月负荷的研究,定量分析了日最大负荷、日电量和气温的关系,选取春季负荷作为基准值,估算出降温负荷,并将此运用于夏季大负荷预测中。提高短期负荷预测精度,为电网规划、运行、调度提供参考。

冷热电联供系统多形态电负荷的中长期预测方法

针对冷热电联供系统多形态电负荷预测精度低的问题,通过将预测模型嵌入到联供系统中进行数据归纳和数据整理,利用联供系统供能线路图设计长期预测模型,使联供系统多形态电负荷预测数据有了理论基础。运用Volterra算法提高预测数据准确性,增加了预测模型的精度。通过Simulink对预测电负荷数据进行仿真,发现本研究预测方法更加符合实际,相对误差在0%~6%范围波动,稳定性高。