基于.NET的负荷分析与预测系统的研究与实现

介绍了智能式负荷分析、预测与管理系统在.NET下实现,提出了利用体感温度逐点修正预测负荷和基于"预测方案"的思想来组织预测的策略.与传统模式相比,该系统容易维护,便于开放,Web客户端零安装、零维护.通过大量真实数据测试与工程应用,已证明该系统具有智能化程度高、功能全面、操作方便、实用性强、准确率高、维护成本低等特点.为电力负荷预测运行人员提供了一套强有力的工具.     

电力系统负荷预报的模糊理论方法

基于电力负荷预测工作是整个电力系统规划设计和安全运行的基础,将模糊理论应用到电力系统的负荷预报中,建立了电力负荷预测的模糊时间序列模型．提出了确定系统模糊度最小的方法,并将其应用于实际的电力负荷预报工作．结果表明,该模型预测可以达到较高的精度,效果良好．     

组合灰色预测模型在电力负荷预测中的应用

基于灰色预测理论,研究了基本灰色预测模型及其几种传统改进模型的原理和它们在电力负荷预测中存在的局限性,提出了电力系统中长期负荷预测的实用新方法--组合灰色预测模型.以实际算例为基础,应用基本灰色预测模型和传统改进模型以及组合灰色预测模型分别对电力负荷进行了预测,并进行了分析比较.结果表明,用灰色理论预测电力负荷,理论可靠、方法简单.对于中长期电力负荷预测这样复杂的问题,组合灰色预测模型具有预测精度高、简捷实用等优点,该方法可作为中长期电力负荷预测的工具之一.     

模糊层次分析法在系统中长期负荷协调控制预测中的研究

电力负荷预测是电力系统规划的重要工作之一.提出一种改进的模糊层次分析法来进行中长期负荷预测.首先,采用三角模糊数表征专家判断信息以充分考虑专家判断的模糊性,采用层次分析法对专家判断结果进行处理以得到方案层各方案的最优权重.该负荷预测模型综合考虑了影响电力负荷的多种不确定因素,并在综合不同模型预测结果的过程中引入专家经验.最后,研究结果表明,该方法相比传统方法能够更好地应用于电网中长期电力负荷预测.     

有关电力负荷的短期预测初探

所谓的电力负荷短期预测指对一年以内用户需求用电量的预测,其包括小时预测、日预测、周预测以及月预测。通常短期预测是预测电功率。在短期内用户需求电量呈现一种随机起伏的状态,其以过去负荷为基础,用户负荷变动、系统内部设备检修以及重大事件与气候变化等因素均会对其产生影响。所以对电力负荷进行短期预测可以为经济调度、发电机组的停启、错峰避峰用电等有着重要的现实意义。     

电力系统短期负荷新型Volterra预测模型研究

针对电力系统负荷短时预测问题,从分析负荷数据的混沌特性入手,利用相空间重构理论对负荷数据进行重构,构建了一种新型的Volterra模型对电力系统负荷进行预测。该模型采用二次线性微分方程方法对原Volterra级数进行变换,与以往Volterra级数相比,该模型无截断误差,包含了系统更多精确的信息。最后,以某地区实际用电负荷数据为对象进行验证,结果表明:该模型2d和4d用电负荷预测结果和实际结果误差不超过5%,完全能够满足电力调度需求,同时也为电力公司制定经济模型和实时电价调整提供了理论支持。     

霍尔果斯工业园区电力专项规划负荷预测分析

负荷预测是配电网规划的基础工作,是电力专项规划的核心内容。针对新建工业园区的特点,以新疆霍尔果斯经济开发区兵团分区作为案例,首先运用负荷密度法、项目统计法、平均增长率法和最大负荷利用小时数法对工业园区进行负荷预测;然后,综合4种预测方法及预测结果,采用了组合预测法得到了兵团分区供电预测负荷。预测结果表明该方法具有较大的实用价值。     

浅谈负荷管理在电力需求侧中的运用分析

随着电力负荷管理体制的不断深化,电力负荷智能管理控制系统不仅实现用电信息的实时远程集中抄表、远程控制等基本功能,还具有购电量控制、用电稽查、线损和电力负荷分析统计、以及短期电力负荷预测等功能,为供电企业节能降损,以及提供高效优质的电能服务提高强有力的技术支持,在供配电领域中具有较大的推广应用前景,笔者提出加强电力负荷控制系统的功能扩展和开发,不断挖掘系统潜力,提升系统利用价值,使之成为有效推行需求侧管理的重要技术手段。     

电力负荷时间序列预测的应用与研究

时间序列预测是电力负荷预测的重要方法。但是它对天气、节日等影响电力负荷变化的因素不敏感,对非平稳序列的处理需要多次差分运算达到基本平稳后才能进一步建立预测模型。因此,提出基于属性分类的时间序列预测方案。该方案把电力负荷按影响因素进行分类,预测时按预测对象的属性来选取预测样本。基于属性分类的电力负荷时序预测方案把时刻、天气、节日等因素考虑到了预测过程中,弥补了电力负荷时序预测的缺陷。实验证明该方法提高了电力负荷时序预测的速度和准确度。     

霍尔果斯工业园区电力专项规划负荷预测分析

负荷预测是配电网规划的基础工作,是电力专项规划的核心内容.针对新建工业园区的特点,以新疆霍尔果斯经济开发区兵团分区作为案例,首先运用负荷密度法、项目统计法、平均增长率法和最大负荷利用小时数法对工业园区进行负荷预测;然后,综合4种预测方法及预测结果,采用了组合预测法得到了兵团分区供电预测负荷.预测结果表明该方法具有较大的实用价值.     

电力负荷预测群体决策及组合预测

负荷预测是电力系统规划中的重要组成部分,通过各种预测方法所得预测结果都会不同．如何选取和推荐预测结果,则需要规划人员对预测进行评价、论证和决策．为了将预测的评价和决策过程量化计算,通过选定分析和评价的定量和定性指标,建立了预测决策的层次分析结构,采用模糊标度构建专家及其群体评价矩阵,计算所有预测方法及指标的特征向量,确定预测排序及其权重,组合负荷预测并推荐决策结果．应用程序及实例表明,该方法避免了主观性,使决策过程更加科学、规范量化和简洁实用．     

基于数据驱动的线性聚类ARIMA长期电力负荷预测

针对某些发达城市因负荷波动大而导致的长期电力负荷预测精度低问题,提出了一种基于数据驱动线性聚类(data-driven linear clustering,DLC)的自回归积分滑动平均(auto-regressive integral moving average,ARIMA)预测方法。首先,利用线性特征作为聚类标准对每年的大型变电站负荷数据集进行预处理;然后,对得到的每个子序列构建最优自回归积分滑动平均模型,以预测其相应的未来负荷;最后,汇总所有的模型预测结果从而获得电力系统长期负荷预测结果。从误差分析和应用结果可知,理论和实践都验证了所提出的方法在保证建模精度的同时能够降低随机预测误差,从而获得更稳定、更精准的电力系统负荷预测结果。     

基于改进径向基函数网络的电力系统短期负荷预测

电力系统短期负荷预测是电力生产部门的重要工作之一,本文利用径向基函数网络（RBF）进行负荷预测,针对RBF在负荷预测中隐含层节点数难求问题,提出了一种改进的最近邻聚类学习算法即可解决该难点,又可提高RBF神经网络收敛速度和负荷预测精度．根据某地区电网的实例进行研究,结果发现本文算法比改进前的算法预测的最小、最大相对误差分别减小0．14和1．12,证明了改进后算法有效性和可行性,为电力系统负荷预测提供了一种新途径．     

基于主成分分析的短期负荷预测模型

电力负荷预测的准确性直接影响到电力系统的安全性和经济性,但在应用神经网络进行短期负测精度造成了显著的负面影响。针对这一问题,本文采用多元统计分析中的主成分分析,根据各主成分贡献率对输入空间进行约简,提取线性无关的输入变量,以此达到压缩变量维数的目的,然后利用考虑模型输入变量相互关系的递推合成BP网络进行预测,使之更符合电力短期负荷预测的特点,提高模型的预测精度。仿真实验的结果表明,该简化模型用于短期负荷预测建模速度快、预测精度高,是一种行之有效的方法。     

基于QPSO算法优化的区间二型模糊逻辑系统预测

设计了一类区间二型模糊逻辑系统,研究基于历史数据的预测问题.在区间二型模糊逻辑系统设计中,前件、后件、输入测量区间二型模糊的主隶属函数均选择成具有不确定标准偏差的高斯型二型隶属函数.量子粒子群优化(QPSO)算法用来调整所设计的区间二型模糊逻辑系统参数.部分欧洲智能技术网络(EUNITE)的负荷竞赛数据和美国田纳西州(WTI)原油价格数据用来测试所提出的模糊逻辑系统预测方法.定义综合评价误差和作为模糊逻辑系统的预测性能指标.仿真研究表明,所提出的区间二型模糊逻辑系统预测方法在收敛性和稳定性上均优于相应的一型模糊逻辑系统.     

基于云计算的智能电网负荷预测平台架构研究

提出一种基于云计算的智能电网负荷预测平台架构.深入地阐述了云计算关键技术、负荷预测云架构、云平台负荷预测服务等.采用Hadoop云计算技术,对负荷预测的资源调度和计算进行虚拟云计算仿真,验证了以电力私有云为基础建立的负荷预测机制更优良.同时在云平台负荷预测服务中引入多维多级协调优化机制,对原始预测结果进行修正与协调优化,显著地提升了基于云计算的智能电网负荷预测水平.由此搭建的平台架构将为智能电网负荷预测提供广阔的思路与有力的技术支持.     

基于BP神经网络的电力系统短期负荷预测

电力系统短期负荷预测的准确性对电力系统的实时运行调度至关重要.采用BP神经网络对电力系统负荷短期预测研究,根据影响电力系统的负荷因素如温度、天气等确定模型构成,同时利用遗传算法对BP神经网络进行优化.实例表明,利用遗传算法优化的BP神经网络在电力系统短期负荷预测中是有效的.     

基于k-means聚类与RBF网络的电力系统日负荷预测

针对大型工业企业电力负荷震荡剧烈,幅度大等问题,提出了借助卡尔曼滤波对“失真数据”进行实时估计,弱化陈旧数据权值的k-means聚类和径向基网络的组合预测模型,依据最小逼近误差,利用最小二乘法对RBF网络的输出权值进行优化。文中方法对电力系统不同的工况背景,使用k-means聚类算法来确定隐藏节点的数据中心和扩展常数,改善了常规RBF网络随机选择网络中心的情况,同时使电力负荷精度得以有效提高。最后,依据文中的组合模型和其它4种常用算法分别对宝钢电力系统负荷数据进行分析预测,仿真结果表明：本文方法对负荷预测效果较好。     

基于人工智能的短期负荷预报

讨论了人工神经网络、模糊专家系统的原理;在分析负荷预报和贵州电网负荷变化特点基础上,提出了一种适用于负荷需求量增长很快的电网的短期负荷预报模型。