国家能源局:4月份全社会用电量同比增长7.0%

5月17日,国家能源局发布4月份全社会用电量等数据。4月份,全社会用电量7 412亿千瓦时,同比增长7.0%。从分产业用电看,第一产业用电量96亿千瓦时,同比增长10.5%;第二产业用电量5 171亿千瓦时,同比增长6.2%;第三产业用电量1 270亿千瓦时,同比增长10.8%;城乡居民生活用电量875亿千瓦时,同比增长5.9%。

基于最优化残差划分Markov修正的城市用电量预测模型

对湖州城市居民用电量进行预测过程中,历史用电量数据显示出较强的波动性与季节性,导致原始模型预测效果不理想,文章引入并改进Markov修正组合模型,将Markov修正残差划分部分改进为不同算子残差划分,并用来修正新陈代谢GM(1,1)、SARIMA、Holt-Winters、LSTM等原始模型。使用DC-Markov、MC-Markov、SC-Markov修正后的组合模型预测湖州市的未来月份城市居民用电数据。结果表明,文章提出的最优化残差划分Markov修正模型预测精度较原始模型有一定程度提高,DC-Markov-Holt-Winters模型在湖州市城市居民用电数据的预测上具有较高的精度。

基于气象因子的EEMD-BP方法在电网用电量预测中的应用

[目的]随着风能、太阳能等清洁能源快速发展,电力系统的能源结构发生了重大变化,这使得电网安全运行的不确定性增大,也给精准用电量预测带来了新的挑战。电网用电量受众多因子的影响,而气象因子的影响显著,因此,分析气象因子对用电量精细化预测的影响显得尤为重要。[方法]利用2017年逐日用电量以及最高气温、平均气温、最低气温、气压、相对湿度、风速等气象数据,采用集合模态经验分解(EEMD)和BP神经网络组合预测方法,探讨气象因子对集合模态经验分解回归模型(EEMD-BP)方法预测用电量的影响。[结果]研究发现,平均气温、最高气温、最低气温、气压和相对湿度与用电量序列经EEMD分解后的低频分量存在较好的相关关系,而与高频分量和周期分量的相关性较弱。[结论]利用BP回归模型预测的用电量与实况误差较大,引进气象因子后,EEMD-BP得出的预测准确率有了明显的提高。研究表明,基于气象因子的EEMD-BP组合预测方法可有效提高用电量预测的准确率,可为完善短期用电量预测方法提供有效的技术支撑。

基于边缘计算的商业区电力能源用电量动态预测系统

商业区电力能源内部拥有海量电力数据,动态预测能源用电量可以有效改善系统业务,确保用户拥有较好的用电体验。针对目前预测系统准确率较低这一问题,文中基于边缘计算设计了一种新的商业区电力能源用电量动态预测系统。在硬件设计上,利用AC/DC模块将交流电转化为直流电,运用电动机控制器连接被测量电动机与商业区供电,连接传动轴与供电测功机,实现电流传递。利用测功机控制器对区域电网动力电进行管理和控制。在软件设计上,采用边缘计算的方式对区域内电力能源进行分析,模拟构建电量动态预测程序,根据动态预测程序实现用电量预测。实验结果表明,该系统在短期预测和长期预测方面,都具有良好的能力,输出值与真实值相关系数为0.99,预测误差低于0.55%。

数字电网边缘侧用电量数据缓存快速部署研究

用电量数据缓存部署过程中受到存储空间限制,导致读写数据缓存不能满足相关要求,因此提出数字电网边缘侧用电量数据缓存快速部署方法。使用容器技术处理数字电网边缘侧用电量数据,使边缘侧用电量数据能够协同工作。在只考虑截止时间和能耗代价的情况下,通过动态子图匹配方式卸载读写任务,快速选择缓存位置。使用轮询调度方式选择最大队列报文进行轮询,维护用电量数据读写队列秩序。将轮询调度结果读写入队列,释放缓存空间,供其他数据分组入队使用,以此实现用电量数据缓存快速部署。实验结果表明,该方法只丢失了写入数据[12,1],出现了新数据[11,6],其余数据均与理想数据一致,说明该方法能够满足用电量数据部署要求。

基于长短期记忆神经网络的电力用电量预测

为解决现有用电量预测精确度较低等问题,提出了基于长短期记忆神经网络的电力用电量预测方法。分析了电力负荷分类以及典型负荷曲线,说明了支持向量回归以及长短期记忆神经网络的基本原理,提出了基于支持向量回归和长短期记忆神经网络结合的预测方法,说明了预测流程,给出了预测结果统计评价标准。根据所提出的方法进行了案例分析,论证了所提方法的有效性。

基于WPA-Prophet模型的区域用电量预测

为了获得精度更高的用电量预测模型,采用狼群算法对Prophet模型的关键参数进行寻优,构建基于WPA优化Prophet的用电量预测模型。实验数据为澳大利亚维多利亚州2015—2019年五年的日用电量,使用前四年作为测试集,最后一年验证预测结果的准确性,预测结果的评价指标采用均方根误差和平均绝对百分比误差。实验结果表明,通过WPA优化后的Prophet模型预测精度得到了有效提升,为提升区域用电量预测精度提供了参考。

2022年全社会用电量同比增长3.6%

2023年1月16日,国家能源局发布2022年全社会用电量等数据。2022年,全社会用电量86372亿千瓦时,同比增长3.6%。分产业看,第一产业用电量1146亿千瓦时,同比增长10.4%;第二产业用电量57001亿千瓦时,同比增长1.2%;第三产业用电量14859亿千瓦时,同比增长4.4%;城乡居民生活用电量13366亿千瓦时,同比增长13.8%。

基于Prophet的用户用电量短期预测方法

考虑到用户用电数据的周期性、季节性、节假日等因素,给出了一种基于Prophet的预测方法,实现了对用户用电量短期预测。先对数据预处理,解决用电数据中的缺失值、异常值,然后利用Prophet模型对历史用电量数据进行分析学习,构建预测模型。基于真实的用电量数据集进行实验,并与LSTM算法进行对比。实验结果表明,在一个季度的预测中,Prophet在训练集、测试集和整体数据集上的MAPE值比LSTM降低了2.4%、1.35%和2.16%,RMSE上分别降低了16.14%、8.82%和2.71%,这说明提出的方法对于用电量的短期预测具有更高的精度。

基于传统CNN-LSTM模型和PGAN模型的用电量预测对比研究

为保证新一代智能电网能够根据实时的用电量情况动态调节区域内电能分配及调度,需要实现高效且精准的用电量预测。传统电网中用电量预测方法是通过人工统计或者对历史同期用电量分析,粗略的计算出可能产生的用电量,不但消耗大量的人力物力,且无法满足智能电网背景下的用电量精准预测。现在采用差分整合移动平均自回归预测模型,长短时记忆网络预测模型和生成对抗网络预测模型等方法对用电量预测问题进行了研究,以取代传统的用电量预测方法。结果表明,智能算法可以最大程度上提高用电量预测的准确性,但要实现短时高效预测,还需在智能电网系统中对智能算法合理使用。

基于ARIMA模型的区域用电量预测方法

传统区域用电量预测方法存在预测能力差的问题,为此,提出基于ARIMA模型的区域用电量预测方法。获取区域的历年用电量数据进行预处理,获取统一的用电量数据;再利用ARIMA模型对用电量时间序列进行平稳性检测,利用最小二乘估计方法估值用电量参数;最后结合线性神经网络构建区域用电量预测模型,将统一的用电量数据放入模型中进行计算,以此完成区域用电量的预测。实验结果表明,所提方法可以有效检测出电量负荷及电量同比增速,预测能力强、预测精度高。

基于数据挖掘算法的用户用电量需求自动预测模型

采用目前方法对用户用电量需求进行预测时,存在鲁棒性差和误差率高的问题。提出基于数据挖掘算法的用户用电量需求自动预测模型构建方法。在用户用电量数据预处理阶段,采用模糊C均值FCM对用户用电量数据进行聚类处理,通过STL模型对用户用电量进行分解,并对分量的变化特征进行分析,结合模型预测结果获得用户用电量需求的最终预测值。实验结果表明,所提方法的鲁棒性好、误差率低。

基于BP神经网络的芜湖市社会用电量预测研究

为通过社会用电量分析来反应经济状况,文章采用BP神经网络算法,首先对芜湖市近几年的社会用电量进行分析,再通过Matlab神经网络工具箱构建预测—时间序列模型,最后根据需求获得相应的预测数据。仿真试验表明,该模型找到一条函数曲线很好地拟合已知数据,同时顺利地预测未知数据,所提算法达到预期的效果。

基于CNN编码—LSTM解码混合神经网络的智慧家庭用电量预测技术研究

用电量预测是智能电力系统合理安排发电、输电和配电的必要前提。为了提高用电量预测的精度,提出一种基于CNN编码—LSTM解码的混合神经网络模型。该模型先采用CNN编码器提取特征变量之间的有效信息并编码为定长矢量,再采用LSTM解码器对时间序列进行建模并解码定长矢量为变长序列。考虑到用电量在不同时间分辨率下的特点,分别在每分、每时、每日、每周的不同采样率下进行用电量预测。以法国巴黎某家庭的实测数据作为实例进行实验,结果表明,与其他模型相比,所提出的模型不论在何种时间分辨率下均具有更高的预测精度。

数据与误差驱动的典型行业用电量预测方法研究

在新常态经营形势下,用电量的精细化预测对于电力系统的安全、稳定、经济运行具有重要意义。采用基于数据驱动与误差修正的递进式思路,研究行业用电量主要影响因素辨识与预测方法。首先,在数据驱动层面,从相关度和冗余度角度应用最大信息系数和最大关联-最小冗余性初步识别主要影响因素。其次,在误差驱动层面,采用随机森林方法考虑误差进行影响因素精筛。再次,构建考虑了递进式主要影响因素辨识的行业用电量预测模型。预测模型应用自组织映射方法对典型行业的细分行业用电数据样本集进行聚类,分类应用递进式影响因素辨识方法获得主要影响因素,然后同历史用电量数据一起构造误差反向传播神经网络模型进行预测,通过细分聚类、预测求和的方式获得典型行业用电量预测结果。最后,以中国北方某区域两个典型工业行业用电量为预测对象,通过算例验证该方法的适用性。

基于RFE特征选择的PSO-SVM用电量预测算法

为了提升用电量预测的精度,针对传统支持向量机(SVM)算法在参数确定时的不足,采用粒子群(PSO)算法根据电力应用场景对预测算法进行了改进。对于迭代过程中全局最优和局部最优的矛盾,根据个体适应度的差异进行了子种群划分。而对于粒子群中群体过早收敛的问题,算法引入了自适应变异及惯性权重机制。通过在Schaffer’s F6、Rosenbrock函数上的测试分析结果表明,改进后的PSO算法迭代效率提高了60%以上,达优率也提升了11%。在进行用电量预测时,同时对影响用电量的不同指标进行了特征分析。基于SVM的递归特征消除特性(RFE)筛选了11个影响用电量的指标作为PSO-SVM的模型输入,充分发挥了SVM模型在低维预测上的优势。仿真结果表明,相较于传统SVM算法,所提算法的MAE与RMSE分别提升了9.15%和4.94%。

基于RF变量选择与LSTM回归的长期用电量预测模型

由于当前长期用电量预测方法难以解决变量选择问题,造成用电量预测结果不准确,为此将随机森林(RF)算法变量选择与长短期记忆(LSTM)网络回归两者结合,设计基于RF变量选择与LSTM回归的长期用电量预测模型。采用RF方法对单一变量的重要性进行评估,获取各项影响因素与用电量之间的相关系数,然后选取其中取值较高的变量作为用电量预测的依据。结合RF变量选择结果,分析动力系统理论,采用收敛交叉映射方法研究用电量与工业发展水平、温度等因素之间的关系,基于各因素之间的关系结合LSTM回归方法,组建用电量预测模型,实现长期用电量预测。研究结果表明,与传统方法相比,所设计模型的用电量预测精度与预测效率较高,能够快速、准确地完成长期用电量预测,表明该模型的应用价值更高。

基于非参数回归的江苏省用电量分析

基于2000—2019年江苏省用电量和影响因素的数据,运用非参数回归方法探究了一维变量城镇人均住房面积与用电量的关系。结果表明非参数回归方法的拟合效果是很理想的。运用半参数回归模型探究了多维变量人口数量、人均GDP、城镇人均住房面积、农村人均住房面积与用电量的关系。结果表明,人口数量和人均GDP对于江苏省用电量具有显著的参数效应;城镇人均住房面积和农村人均住房面积对于江苏省用电量具有显著的非参数效应;两者之间具有交互作用。

基于数据融合的企业用电量状态自动监测方法

为指导企业用户的合理用电,从而实现对电力系统运行环境的监测与维护,提出基于数据融合的企业用电量状态自动监测方法。利用配电网络节点结构,确定电力系统的融合应用特征,联合WSN融合系数,实现对配电网数据融合技术的初步完善。在此基础上,设置监测信号输入单元,通过辨识用电设备工作状态的方式,计算用电设备的功率数值量,完成基于数据融合企业用电量状态自动监测方法的搭建。实验证明,设计方法对企业用电量状态的自动监测规划具有合理性。

基于ARIMA模型的包头市全社会用电量短期预测

通过分析包头市2017—2021年全社会用电量月度数据,运用时间序列的分析方法建立合适的模型,从而达到对包头市未来用电量短期预测的目的.模型预测结果显示:包头市全社会用电量服从ARIMA(2,(1,12),0)模型,利用ARIMA(2,(1,12),0)模型预测包头市未来的短期用电量切实可行,能更好地为电力行业制定短期电力政策提供有力的参考.