基于灰色理论和季节指数的月度用电量预测模型

传统季节指数预测模型采用平均数作为季节指数,存在精度不足的问题。为获得简便而准确的月度用电量预测模型,在传统季节指数预测模型的基础上,引入非线性趋势函数,并使用灰色预测模型GM(1,1)增强对随机性的预测,得到改进的季节指数预测模型。通过对中国第一、二产业各4个周期44组月度用电量数据的计算分析,验证改进算法的有效性。计算结果表明,改进算法可以更准确地预测月度用电量,较传统季节指数模型和传统GM(1,1)模型的MAPE指标分别降低了2%~21%和4%~10%,RMSE指标分别降低了39%~67%和22%~76%,是一种简单、有效的算法。

月度用电量灰色预测改进模型

灰色模型是年度电量预测的有效方法。引入季节指数平滑法改进灰色模型,使其更适合具有季节周期性的月度用电量预测;并提出了一种基于马尔科夫过程的残差修正法,以提高月度电量预测的准确率。最后,以某市月度用电量进行实际预测为例,通过与其他模型的比较,验证了改进模型在月度用电量预测中的有效性。

基于月度用电量的行业分类及用电量预测算法

文章基于贝叶斯聚类方法,对某地市30个用电行业2008年1月到2015年10月的月度用电序列进行K-Means聚类分析,结果表明,前三个类别的行业涵盖了用电占比最高的10个主要用电行业,该三个类别的行业总用电量占全社会用电量约80%,最后基于ARIMA、神经网络、灰色预测模型对主要行业类别的用电量进行测试。

基于温度梯度变化的月度统调用电量预测研究

随着居民生活水平的提高,降温、取暖负荷快速增长,温度对于统调用电量的影响越来越大。基于温度梯度变化开展月度统调用电量预测研究,量化分析温度对统调用电量的影响,并对某省级电网进行统调用电量预测。算例进一步证明了该预测方法的可行性和有效性。

基于地理探测器的广州市分行业月度用电特点及优化管理

为将广州市电力需求侧管理落实到具体行业,使用地理探测器、用电互补性模型分析2013—2017年共60个月各行业用电特点,在此基础上,通过情景分析方法,从行业、时间角度探索行业用电优化管理路径。基于广州市分行业月度用电特点,抓住行业用电量风向标子行业,利用存在可相互抵消用电波动的用电组合,研究发现:在2017年广州市用电量水平下优化行业用电结构和优化用电时间管理总计可减小约2.25亿kW·h的全社会用电月度峰谷差。未来可通过分行业月度用电预测、结合用电互补性分析测算行业用电调度潜力,为电力需求侧管理水平提高提供数据支撑。