基于历史天气的区域电网负荷预测

随着社会经济的迅速发展,人们对电能的需要日益增加,但是在电网运行中,常常会出现电力产能过剩或者不足的情况,为保证电力系统安全稳定、经济运行,就必须掌握各种区域电网负荷的变化规律和发展趋势。论文对重庆市区供电分公司供电区域电网中长期负荷进行预测,提出一种预测区域电网中长期负荷的方法,即一种基于前12个月历史天气条件和区域电网负荷关联关系的多元非线性拟合的特征参数因子曲线的中长期负荷预测方法,建立基于不同算法的多种预测模型,通过归一化处理,得到的区域电网中长期负荷预测的精度高,与实际区域电网负荷之间的误差小,对于区域电网中长期负荷预测分析具有重要参考利用价值。

基于扩大周期的电力负荷预测模型

针对现有电力负荷预测模型依赖近期数据导致预测结果偏离时间序列真实情况的问题,文中提出了基于扩大周期信息的电力负荷预测模型。将预处理完的电力负荷时间序列按照同一时刻不同天进行处理,在此基础上分别利用ARIMA(Autoregressive Integrated Moving Average Model)模型和LSTM(Long Short-Term Memory Network)模型进行建模分析,并采用3种评价指标评估模型的预测表现。预测结果表明,扩大周期信息构建的ARIMA模型的3种评价指标都比传统ARIMA模型低,对应的RMSE(Root Mean Square Error)、MAE(Mean Absolute Error)和MAPE(Mean Absolute Percentage Error)分别为32 434.114 8、5 828.390 9和0.025 2;扩大周期信息的LSTM模型也比原始LSTM模型低,对应的RMSE、MAE和MAPE分别为13 520.497 4、9 298.352 6和0.091 4。

基于CEMD-CNN-LSTM的中长期电力负荷预测

针对诸多复杂因素影响电力负荷在中长期运行阶段中的预测准确度的问题,提出一种卷积神经网络(CNN)与长短期记忆网络(LSTM)混合的预测算法,从而达到优化负荷预测性能的目的。CNN-LSTM混合预测算法利用模态分解法将负荷数据进行分解,并将其转化为本征模态分量IMF及残差两个部分。同时,引入k均值聚类方法,确定最优聚类标签,搭建神经网络并完成数据输入。在形成特征向量的过程中,运用神经网络挖掘数据间的各类特征并进行预测。最后,采用线性相加的形式处理预测结果,获取预测负荷。仿真结果表明了CNN-LSTM混合预测算法在预测速度与精度上的性能更为优越。

基于粒子群优化的非线性灰色Bernoulli模型在中长期负荷预测中的应用

将非线性灰色Bernoulli模型用于到中长期电力负荷预测,提出了优选模型参数的粒子群优化算法。该模型是将GM(1,1)模型与Bernoulli微分方程相结合的一种灰色模型,适用于对不同发展趋势曲线的预测。通过粒子群优化算法,以模型预测平均绝对百分误差最小为目标,选择最优的模型参数。采用不同测试数据以及实际电网负荷数据进行了验证,结果表明上述模型有很好的适应性及较高的预测精度。

基于谱分析与LS-SVM的中期电力负荷预测

针对支持向量机方法在短系列电力负荷预测中存在空间划分参数的选择受主观因素影响的缺点,提出了谱分析和最小二乘支持向量机相结合的负荷预测方法。该方法采用谱分析预测实际发生最大电力负荷值的周期,根据周期来确定SVM的训练模型。该方法可有效地避免参数选择中的人为因素,提高预测精度。从实际算例可看出,除最后一个点位相对误差为8.67%外,其余点位的相对误差均低于±5%,实测值与预测值的拟合度较好,预测精度较高。

基于综合模型的中长期电力负荷预测系统的实现

详细地论述了负荷预测软件的设计思想和实现,并系统地阐述了用于电力系统中长期负荷预测的综合模型的具体实现方法,进行了仿真实验。

基于理想点多属性决策算法的中长期电力负荷组合预测

对组合预测方法进行了拓展,将理想点多属性决策算法引入中长期电力负荷预测中,建立理想点组合预测模型,进行中长期电力负荷预测。所建模型中以各单一预测模型的最大误差绝对值、最小误差绝对值、平均绝对百分误差和均方根差4个评价指标的倒数为属性集,以各单一预测模型种类为方案集。计算各模型与正理想点间的偏差,根据正理想点间偏差确定各单一预测模型的权重。通过对某地区全社会用电量进行预测,并与单一预测模型进行误差比较,验证了组合模型的有效性和实用价值。

基于误差校正的中长期负荷预测模型

中国的中长期负荷呈现明显的增长趋势,大部分插值算法在预测建模时,对区间外预测结果的有效性得不到保证。文章建立了一个综合时间序列建模和回归建模优点的模型来预测湖南衡阳地区年度负荷。将总量数据转换成增速数,然后建立广义自回归条件异方差(general autoregressive conditional heteroscedasticity,GARCH)对负荷增速序列建模。建立回归模型分析GARCH模型的残差中未被GARCH模型解释的外界影响,然后根据回归预测的残差对GARCH模型误差进行校正。在选择回归模型变量时,引入格兰杰因果检验筛选适当的影响因素,引入主成分分析提取影响因素中包含的信息,降低自变量的维数,提高中长期负荷建模精度。实例研究表明该方法对于中国中长期负荷预测较为准确。

基于计量经济学模型的北京电力负荷中长期预测

随着电力市场的发展,准确预测电力负荷尤显重要。以北京市电力负荷为例,选取1953～2008年数据,根据计量经济学理论,采用协整检验、指数曲线趋势外推法、皮尔曲线模型3种方法建立预测模型,预测了2015～2051年电力负荷。结果表明,北京市电力负荷以级数增长的模式增长,必须尽快规划电能的开发与利用、牢固树立节电意识、通过智能电网建设等满足用电需求。

灰色理论在中长期电力负荷预测中的应用研究

提出了基于灰色预测理论的电力系统中长期负荷预测的实用新方法。对于中长期电力负荷预测这样复杂问题，其简捷实用、预测精度高，经实际算例校核证明该方法可以做为对中长期电力负荷预测的理想工具之一。

基于灰色系统理论的中长期电力负荷预测新方法

在进行中长期电力负荷预测课题研究中，运用灰色系统理论，研究并提出了新陈代谢局部残差灰色预测模型及相应的预测方法。经实际算例证明，该方法对于解决中长期电力负荷预测问题，具有简捷实用，预测精度高的特点。

基于灰色理论GM(1,1)模型的中长期电力负荷预测研究

以灰色理论GM（1,1）模型为基础,建立中长期电力负荷预测模型.该模型所需要的数据量小且样本分布不需要有规律性,以吉林省2001~2011年年用电统计量作为样本对模型进行训练与预测分析,仿真实验结果表明：所建模型预测准确率较高,对未来电力系统规划有积极的指导作用.

中长期负荷预测的傅里叶级数残差修正模型

为了提高电网中长期负荷预测精度,在灰色预测的基础上建立傅里叶级数残差修正模型,对中长期电力负荷进行预测,并以黄山电网负荷数据为例进行了分析比较,结果表明模型能提高预测精度。

区域高压配电网近中期规划方案的研制

区域高压配电网近中期规划方案是在对规划区现状及电网现状评估的基础上,多方法进行负荷预测,相互校核后确定预测结论,并在分层分区电力电量平衡的基础上进行变电站选址定容,进而进行高压配电网的网架规划;最后通过技术经济分析并满足站址、线路廊道等约束条件下,确立规划区近中期逐年规划方案并付诸实施。最后,通过实例验证了该技术的实用性和科学性。

中期电力负荷预测及负荷模型的研究

本研究主要以中期电力负荷的预测及其负荷模型为主题,对负荷时间的序列样本进行相关性分析,预测相关的时代段变动趋势,以建立相关的中期负荷模型。根据相关实例对中期负荷进行相关测试,一系列实践证明,对电力系统采用中期电力负荷预测的方法能够有效实现电力系统的优化调度。

一种电力系统中长期负荷预测的新思路

近年来,全国大部分地区的电力需求情况发生了明显的变化,中长期负荷预测困难加大,传统的预测思路很难得到可信度较高的预测结果。文中首先阐述了传统预测思路的难点,并对人脑的预测过程进行了分析,进而提出了一种新的电力负荷成分划分方法,在此基础上提出一种简单、可靠、灵活的预测思路。具体算例表明,这种方法可以有效提高预测精度。

基于改进灰色模型的中长期电力负荷预测

在中长期负荷预测中,由于电力负荷具有突变性,常规GM(1,1)模型不能及时反映负荷的突然变化,对于发生转折的数据预测精度不高,在实际应用中具有一定的局限性。通过对负荷原始数据序列的预处理及优化,利用等维新息递推GM(1,1)模型进行预测,保证了预测能够较为充分地利用新信息,并加入了残差模型,通过实例分析表明,改进后的模型比常规GM(1,1)模型提高了预测的精度。

考虑多时间尺度数据的中长期负荷预测方法

精确的负荷预测对电力系统至关重要。智能电网数据庞大、统计口径不同、结构复杂,影响负荷的因素复杂多变,较多影响因素数据分布在不同时间尺度上,需考虑多尺度数据间的依赖性,充分利用不同时间尺度的数据才能做出准确且稳定可靠的中长期预测。该文提出一种堆叠长短期记忆(long-termandshort-termmemory,LSTM)网络模型,将不同时间尺度的历史负荷数据、地区经济数据和气候数据信息整合到模型中,为防止神经网络的过拟合,对神经网络中除偏置参数以外的全部参数进行正则化处理。以广东电网的真实负荷数据进行算例分析。实验结果表明,该方法所提出的堆叠长短期记忆循环神经网络模型与单一神经网络模型和堆叠支持向量机模型相比,有效提高了负荷预测准确率。

桂林电网中短期负荷预测系统

设计了一套桂林电网中短期负荷预测系统。该系统具有自动化运行功能,自动接收各种负荷和气象数据、自动做出预测并定时向中调部门上传预报结果。此系统自2007年开始投运,2007年10月14日—10月31日的预测结果显示,平均日负荷预测准确率为95.98%,达到广西电网调度中心的考核标准。

基于Attention-ResNet-LSTM网络的中期负荷预测模型

提出一种基于Attention-ResNet-LSTM网络的中期负荷预测模型。将Attention机制引入LSTM模型,赋予不同的权重于特征向量,加入ResNet网络后算出负荷的预测值。以爱尔兰某地区的真实负荷为数据集进行仿真实验,负荷预测结果表明:相比于RNN、LSTM、Attention-LSTM模型,Attention-ResNet-LSTM模型的预测精度更高。