基于时间序列模型的长短期居民用电量分析

文章旨在基于时间序列分析方法对居民用电量进行长短期预测。通过收集和整理居民用电量的历史数据,并建立适当的时间序列模型,对用电量的趋势和季节性变化进行分析和预测。文章综合考虑用电量趋势和家电数量,并使用历史数据进行参数估计和模型选择,得到准确的长短期预测结果。研究结果表明,所建立的时间序列模型能够准确预测居民用电量的变化趋势。预测结果为电力供应部门提供了决策依据,帮助其合理安排能源供给,制订优化的电价政策,并提供可靠的电力服务。

优化系数的NGM(1,1,k)模型在中长期电量预测中的应用

NGM(1,1,k)灰色模型预测电力系统中长期电量的精度较低,考虑增加一修正量对模型系数进行修正。按照拟合值与真实值的误差平方和最小来求解此修正量,并结合缓冲算子对原始电量数据进行处理,建立了优化系数的灰色电量预测模型。将改进灰色模型应用于两个地区的中长期电量预测中,预测结果表明,优化的灰色模型有效地提高了预测精度。

考虑春节影响的中期电量预测

针对中期用电量预测一、二月份由于春节影响而带来的特殊性,建立分段预测模型。根据除夕转换成阳历的日期情况来分段预测日用电量,累加日用电量来获得月用电量。该模型比起常规中期预测方法更能反映真实情况,克服了一、二月受春节影响程度每年都不同,影响程度相似的历史数据又非常有限而导致的预测困难。经广东省某地区实际数据的预测仿真计算,证明该模型有较好的预测精度,填补了特殊月中期预测的空白,有较高的实用性和推广性。

基于RBF神经网络的短期电力负荷预测

研究了天气和特殊事件对电力负荷的影响,建立了结合径向基函数神经网络来进行短期负荷预测的模型。将温度、降雨量运用于径向基函数神经网络中,提高了训练的可信度和可靠性。利用该模型编排的实用化软件投入到了实际应用中。结果表明:该方法具有较高的预测精度和较强的实用性。

超过指数增长速度的年度用电量曲线拟合预测

为有效预测超过指数增长速度的年度用电量,选用超阶乘、二重指数等可线性化的函数,对年度用电量进行曲线直接拟合外推预测.采用这些新的数学函数预测北京年度用电量,拟合平均相对误差绝对值小于4.2%,2006年校验误差小于1.9%.超阶乘、二重指数函数不仅可用于超过指数增长的负荷预测,还可用于纠正线性回归、指数平滑和移动平均等方法对增长负荷预测值偏小的系统误差.

基于Logistic模型的湖北饱和电力需求预测

总结了"十一五"以来湖北省经济运行及电力消费概况,对全省目前所处的发展阶段和未来发展趋势进行了分析。采用Logistic模型对湖北省用电量和最大负荷的长期发展趋势进行预测,得出湖北省未来电力需求饱和规模及时间点,为电网规划提供参考。

基于AP相似日选取与FISOA-RBF的短期负荷预测

为提高建筑电力负荷的预测精度,在考虑天气信息和日期类型等影响因素的基础上,提出基于吸引子传播(affinity propagation,AP)相似日选取和改进搜索者优化算法-径向基(fusion improvement seeker optimization algorithm-radial basis function,FISOA-RBF)神经网络的建筑用电短期负荷预测模型.采用AP算法对短期电力负荷进行相似日选取,以克服外界环境对建筑电力负荷预测精度的影响;以RBF神经网络的网络参数为优化对象,采用搜索者优化算法(seeker optimization algorithm,SOA)进行参数寻优,并引入融合改进策略提高传统人群算法的寻优性能,以进一步提高RBF神经网络的预测精度和学习速度;根据FISOA算法优化后的RBF神经网络对相似日数据进行训练,建立最优参数下的建筑短期电力负荷预测AP-FISOA-RBF模型.在相同数据集和气候特征条件下,与传统RBF、PSO-RBF和SOA-RBF预测模型相比,AP-FISOA-RBF模型平均预测绝对百分比误差分别降低了93.05%、83.60%和71.13%,平均预测速度分别提高了54.34%、39.25%和23.96%,表明AP-FISOA-RBF模型在预测精度和预测速度上的表现更好.

基于时间卷积网络和门控循环单元的短期用电量预测方法

针对智能电网建设环境下用电数据所呈现出的采集频率低、时变性显著等特点,提出了一种基于时间卷积网络和门控循环单元的短期用电量预测方法。考虑电类特征、环境特征和时间特征,从常见用户用电量的影响因素中筛选出模型的输入数据,分别训练时间卷积网络和门控循环单元两种深度学习模型并建立所提方法的整体架构。对某地区低采集频率用电数据进行仿真分析,与传统的长短期记忆网络、一维卷积及多层感知机等方法相比,所提方法具有更高的预测精度,有效可行。

基于模糊聚类分类与Elman神经网络算法的居民用户短期用电量预测及修正方法

用电量预测是智能电网建设中的一个重要课题,准确的用电量预测对电网规划和经济部门的管理决策具有重要的指导意义。利用计量自动化系统每15 min获得一次的居民用户用电量数据,提出基于模糊聚类与Elman神经网络算法的短期用电量预测及修正方法。该方法先通过模糊聚类将居民用户按用电行为分类,然后采用通径系数计算各类型影响用电量因素的权重,再将加权影响因素和历史用电量作为Elman网络的训练样本,进行短期用电量预测。最后采用修正算法对预测值进行修正。实例分析表明,该方法有效、可行。相比整体预测,该算法预测精度明显有所提高,且修正步骤使预测误差进一步降低。

“新常态”下广东省中长期电力需求预测

探讨了在经济逐步迈入"新常态"的情况下,广东省未来15年的电力需求情况。首先在分析广东经济发展特点及影响因素的基础上,对广东经济发展进行预测。其次,分析广东历史用电情况,考虑影响电量增长的因素,对电量增速区间进行预估;同时结合经济增长、产业结构调整、城镇化率、人口增长、技术进步和产业政策等方面对广东电力需求发展的影响,利用产值单耗法、弹性系数法和人均用电量法对广东全社会用电量进行了预测。最后,对广东最大负荷利用小时数进行分析,在电量预测结果的基础上预测了广东未来最大用电负荷。

一种数据驱动的用电行为分析模型研究

泛在电力物联网的建设引入了海量电力用户侧数据。利用这些电力大数据,提出了一种数据驱动的用电行为特性分析方法。首先,提出基于用电行为特性的用户分类方法,选取多维指标作为用电行为分析和用户分类的依据,利用K均值算法得到多维子空间聚类结果;其次,提出基于最大联合互信息算法(JMMC)的用电行为关联因素辨识方法,分别计算了各类用户用电量数据与潜在关联环境因素的互信息值,并通过JMMC算法对因素进行灵敏度排序,提取相关性高、冗余度低的因素作为预测建模的输入变量;进而,对各类用户建立了基于深度置信网络(Deep Belief Network,DBN)的短期负荷预测模型,利用DBN的特征提取优势和辨识的强关联因素提高了预测精度,证明了环境感知模型的有效性。提出的用电行为分析模式,对于把握用电规律、提升电网侧服务质量等方面具有积极意义。

基于DTW-LSTM的短期楼宇电力负荷预测方法

为了提高楼宇电力负荷预测精度,解决传统聚类算法楼宇用电曲线聚类效果差的问题,提出一种基于DTW-LSTM的楼宇短期电力负荷预测模型.采用DTW聚类算法对楼宇日用电曲线进行聚类与编码,分析楼宇用电行为.根据楼宇10天的日用电曲线编码,利用马尔科夫链对未来一天的用电曲线编码进行预测,得到用电曲线原型.将编码作为一个特征,结合历史用电数据对楼宇的短期负荷进行预测,结果表明,相对于传统的聚类算法,所提方法的聚类结果更加合理且预测精度也有所提升.

计及偏差电量考核机制的人工神经网络售电量预测模型

售电量预测的精度决定了售电公司的运营收益。传统售电量预测方法存在未计及偏差电量考核机制的差异、缺少时序相关性与长程依赖性等问题。为此,提出一种计及偏差电量考核机制的人工神经网络售电量预测模型。首先,根据购售电交易时序特点重构特征向量。其次,建立基于季节分解的加权模型(SDW)与双向长短期记忆神经网络(Bi-LSTM)分别对年度双边协商月度分解售电量和月度集中竞价售电量进行预测,基于月度偏差考核规则定义非对称损失函数(ALF),关联反向传播过程与整体收益,使网络输出趋向收益最大化。最后,通过数据集进行算例仿真并比较各项性能指标,验证了该模型相比于传统预测模型经济实用性强,准确度高且稳定。

基于多表融合数据的用户短期用电量预测

用电量预测是用户用能分析的一个重要研究内容,提高预测精度对用户用能分析以及异常检测具有重要意义。利用用电信息系统采集的电、水、气三表数据,提出了基于支持向量机的短期用电量预测方法。该方法首先利用通径分析计算出影响用户用电量的日特征向量的权重以及模糊相似矩阵;然后,通过模糊聚类传递闭包法选取相似日,并将它们作为样本训练支持向量机模型,实现对用户用电量的预测。采用杭州地区2016年的多表融合数据对提出方法的性能进行测试。实验结果表明,多表融合预测相对于单表预测方法,其单用户用电量和小区多用户总用电量的预测相对误差分别减小了6%和1%以上。

基于混沌-LSSVM神经网络的用电量短期精准预测算法

针对用电量短期预测准确度较差,难以识别用电量高峰期的问题,本文提出基于混沌-LSSVM神经网络的用电量短期精准预测算法。通过确定延迟时间与嵌入维度重构用电量混沌时间序列相空间,辨识不确定性影响因素与用电时间序列之间的关联性,还原原始时间序列隐藏信息,避免信息及噪声冗余,获取精准用电量数据特征向量,将其输入到最小二乘支持向量机神经网络预测模型中,采用差分进化算法优化用电量预测模型参数,完成最优参数组合的用电量预测模型训练后,匹配检测数据集,实现短期用电量的精准预测。实验结果表明:延迟时间和嵌入维数均为8时,用电量时间序列相空间重构效果最佳,所提算法可实现用电量短期预测,预测MAPE、MAE指标值均为最低,可依据预测结果有效衡量当日用电情况。