采用混合语言信息群决策的电力负荷密度预测法

传统城市空间负荷密度预测法在实际预测过程中其结果的可信度依赖于大量有效的样本数据,而在实际中收集到较齐全的可行样本数据存在很大的难度。为此提出了一种将混合语言信息群决策方法和BP神经网络相结合的城市电力负荷密度预测法。该方法采用基于混合语言信息的群决策方法,通过各决策者的评价,计算城市各小区相应的经济、人口、地理环境的综合评分值,并利用BP神经网络,训练各指标综合评分值与相应的小区负荷密度,利用训练后的网络结构和待定小区的各指标综合评分结果,预测城市该小区的负荷密度。通过对城市若干小区的负荷密度及各指标综合评分值做比较分析,预测了部分小区的负荷密度值。结果表明预测计算过程摆脱了需要大量收集特定指标定量数据的问题,并且预测结果具有较高的可信度。

考虑城市发展水平综合评分的城市电力负荷密度预测法

针对负荷密度指标法计算量大、过程复杂、预测精度依赖于大量样本数据的问题,提出基于城市发展水平综合评分的预测法,采用主成分分析法计算城市发展水平综合评分指标,利用该指标和趋势外推技术预测城市的负荷密度值.通过对8个城市的负荷密度值及城市发展水平综合评分值做比较分析,预测其中某一城市的负荷密度值,结果表明预测计算过程简单方便,具有很好的预测效果.

一种适应于目标网架规划的负荷密度预测新方法

针对常规预测方法的不确定性因素比较多,且需要大量的空间数据,计算工作量大,提出基于目标网架规划的负荷密度预测新方法,它依据城市的目标规划所确定的各种用地性质的面积,减少了土地面积的不确定性。采用该方法对中山远景的土地面积的资料收集和大量中山供电局负荷信息的处理,消除了常规符合预测方法中用地面积的不确定性,把不确定因素锁定在每种用地的负荷密度,并用横向比较法等预测方法进行比较分析和校核,对中山市的远景的用电负荷水平及负荷空间分布进行预测,结果表明大大减少了负荷预测的不确定因素,提高了负荷预测的精度。

基于融合技术的中长期电力负荷预测方法

当前电力负荷预测模型在数据复杂性高、数据稀缺、模型泛化和动态社会经济因素适应性方面存在局限,影响了其在复杂电网规划中的应用。为满足电网或者大型风、光、火、储、网、荷能源基地项目的规划调度需求,提出了一种融合技术,将灰色预测、空间负荷密度预测和变分自编码器与深度因果卷积神经网络相结合,以实现中长期负荷预测。通过引入有序加权平均微分算子,融合不同预测方法,提升结果的准确性。实验结果表明,本方法相较于传统方法展现更高的准确性和鲁棒性,特别是在进行电力负荷远景预测时,所提方法能够有效提升预测的可靠性和适用性。该技术有效克服传统方法固有的数据复杂性、数据稀缺性和模型泛化问题,同时适应社会经济条件的动态变化。该方法为电网、大型源网荷储多能互补类项目的规划和发展提供有力的决策支持。

基于证据理论和灰色关联的空间饱和负荷密度预测

通过建立典型用户负荷密度指标模型，基于DS证据理论计算专家群对各个指标的综合权值：结合灰色关联分析方法，建立空间负荷密度预测的灰色关联度模型，预测待测区域的空间负荷密度。分析表明，本文所提预测方法能够有效地预测空间负荷密度，为城市合理安排电网建设进程提供依据。

基于CNN特征选择与QRGRU的电力负荷概率密度预测方法

针对一般预测方法难以提供负荷概率性信息,且难以兼顾负荷数据的时序性和天气、日类型等非连续特征的缺陷,文章提出一种基于卷积神经网络(Convolutional Neural Network,CNN)结合门控循环神经网络分位数回归(Gated Recurrent Neural Network Quantile Regression,QRGRU)的概率密度预测方法。将历史负荷值、天气及日类型等信息利用滑动时间窗构造连续特征图,通过CNN提取不同类型特征的潜在信息,以此作为QRGRU输入,预测不同分位点下未来一天任意时刻负荷的预测结果,并通过核密度估计获得任意时刻负荷的概率密度分布。实验结果表明,采用CNN学习不同类型特征与负荷需求的关系,并结合QRGRU和核密度估计技术,可以更好地解决电力负荷概率密度预测问题。