钢铁企业电力负荷动态预测建模问题的应用研究

针对钢铁企业负荷波动特点,用分解及分类建模的思想,构造负荷预测模型。综合考虑各用电环节的用电特点、工况和工艺信息,分类建立模型。通过各用电环节预测结果叠加获取总负荷预测值;该模型运用静态预测和动态预测相结合的方法,在动态预测过程中充分考虑到实时工艺节奏和动态工况信息,使模型具有更好的适应性。实例表明,该预测模型能获得良好的预测效果。     

特征空间闭操作驱动的短期电力负荷预测

为了获得更高的短期负荷预测精度,有必要充分考虑负荷变化趋势与区域整体用电行为模式之间的关联,提出一种特征空间闭操作驱动的短期电力负荷预测方法。在综合模型的基础上,首先利用特征提取模型将历史用电负荷分解成多个分量作为刻画区域用电行为的特征;然后使用特征选择模型对用电行为特征进行选择,减少冗余或无效特征的干扰,优化预测模型;最后将选择的特征子集作为预测模型的输入特征从而进一步估计出各时段负荷的分布。结果表明采用本方法预测精度更高。     

基于模糊分类变系数的铅锌烧结过程综合透气性状态预测

针对铅锌烧结过程的强非线性、时变等特点,运用智能集成建模的思想,提出一种模糊分类变系数透气性状态预测方法。首先深入机理分析和工况参数相关性分析研究,采用神经网络方法建立工艺参数和时间序列透气性预测模型;然后借助于模糊组合器实现两个子模型的有机组合,设计了模糊分类变系数综合透气性集成预测模型结构,其中加权系数由工况波动程度确定。运行结果表明:提出的集成模型具有较高的预测精度和较强的自学习能力,并且在工况波动严重的情况下,仍然具有好的预测效果,该模型具有一定的灵敏度和鲁棒性。     

电力系统负荷预测的综合模型

电力系统负荷预测中,序列量一般采用多种方法进行预测,得到多种结果。基于这些结果,提出了以各时段残差平方和最小为目标函数的负荷预测的综合模型,并根据模型特点,给出了简捷直观的求解方法。进一步分析了模型的物理意义,提出了一个近似的综合预测模型,从而在保证一定精度的前提下减少计算量。研究了该方法在电力系统负荷预测中的应用,分析结果表明,这两种综合预测模型的拟合精度均明显优于各种单一模型,并能得到更好的预测效果。     

短期负荷预报的灰色系统方法

采用一种改进型的灰色预测方法即灰色校正变模型法对电力系统的短期负荷进行预测。该方法的特点是能根据电力负荷在不同预测点的变化趋势，自动选择在给定预测点上误差最小的预测模型，并针对电力负荷的季节性，周期性变化的特点，有用系数法进行修正，从而给出各预测点的最佳预测结果。     

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。     

融合多元影响因素的配电台区BiLSTM负荷预测方法

配电台区负荷预测是保障电力供需平衡的关键,对电力系统的安全预警、应急维护和经济运行具有重要的指导作用．受多种耦合因素影响,面向台区负荷的中短期常规预测方法存在较大的局限性．为提高台区负荷预测方法的泛化能力,提出一种基于双向长短期记忆网络(bidirectionallongshort-termmemory,BiLSTM),并引入要素主成分分析(principalcomponentanalysis,PCA)和用电行为分析的中短期日负荷预测模型．首先,基于PCA方法提取预选的影响用电负荷外在因素的主成分,实现对包含冗余、缺失和异常信息的输入变量的降维和修正;其次,依据历史负荷数据,利用基于遗传算法(geneticalgorithm,GA)的模糊C均值(fuzzyC-means,FCM)聚类提取台区内不同用户的用电行为特征并依此划分台区内的用户集合,降低用电行为差异对预测结果的影响;然后,搭建每类用户的BiLSTM预测模型,并应用随机权重平均(stochasticweightaveraging,SWA)算法提升预测模型的泛化能力,以年为单位预测日负荷电量;最后,将每类用户的负荷预测数据进行线性...     

基于灰色理论的城市燃气负荷预测

城市燃气负荷与城市工业发展,城市人口等因素密切相关,由于传统的城市燃气负荷GM（1,1）预测模型仅与历史数据有关,预测结果并不能真实反映燃气负荷在未来的变化趋势。应用灰色GM（1,N）模型,将工业产值和城市人口两个因子引入燃气负荷预测模型,建立一个一阶3个变量的灰色GM（1,3）模型,进行预测。实例预测计算结果表明该模型能够准确预测城市燃气负荷,而且该模型考虑了影响燃气负荷的主要因素,使得预测模型和结果更为合理。     

无偏灰色预测模型在电力系统负荷预测中的应用

灰色预测模型已在负荷预测中得到了广泛的应用，该模型是一种有偏差的指数模型，在该模型基础上作者已导出了无偏灰色预测模型。将无偏灰色预测模型应用于负荷预测中，并与传统灰色预测模型进行了比较，结果显示了无偏灰色预测模型的优越性。     

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.     

元胞自动机时空数据模型与预测方法

对标准元胞自动机(cellular automata,CA)模型进行扩展以满足具体行业地理信息系统(GIS)平台上时空动态模拟和预测应用要求。然后以电力行业配电网空间负荷预测为具体应用,建立起了土地利用演化动态模型与电力负荷空间预测之间关系,解决了时空数据管理中空间数据离散如何与属性数据进行交互问题。模拟出城市土地利用动态发展变化过程,预测出规划区域中的各划分小区土地的未来使用类型,建立起配电网空间负荷预测时空数据模型,突破了传统时空分离电力预测的预测方法的局限。最后通过一个配电网空间负荷预测实例验证了该方法有效性。     

基于DTW-SC与Bi-LSTM网络的电动公交短期充电负荷预测

对电动公交车进行较为精准的短期充电负荷预测,有利于电网合理调度,从而在一定程度上缓解大规模电动公交车接入对电网冲击的影响。因此,提出一种基于DTW-SC与Bi-LSTM网络的电动公交短期充电负荷预测方法,以提高负荷预测精度。首先,结合电动公交车充电负荷具有的间歇性和波动性特点,提出基于动态时间规整(dynamic time warping, DTW)的改进谱聚类(Spectral Clustering, SC)方法,对公交车日充电负荷曲线进行聚类;其次,对每类负荷综合考虑时间、日类型、温度及历史负荷值等影响因素,利用双向长短期记忆(bi-directional-long short-term memory, Bi-LSTM)构建电动公交车短期充电负荷预测模型;最后,利用某市实际天气数据和历史负荷数据进行仿真验证,并与其它预测方法进行对比分析。实验结果表明,所提方法能提高短期充电负荷预测准确度。     

基于核极限学习机的负荷多粒度预测模型

台区负荷数据不仅作为时序数据呈现自相关性,还易受台区环境因素影响呈现非平稳性,因此预测精度不仅与预测模型结构有关,还与输入数据的时序特征有关。为了提高台区负荷的预测精度,提出一种基于混沌时序分析与核极限学习机的短期负荷多粒度预测模型。针对负荷数据的非平稳特征,通过变分模态分解算法将非平稳的原始信号转换成一系列相对平稳的子信号;针对负荷数据中的自相关特征,通过混沌时序分析方法,求解各个模态输入预测模型时的时间窗大小;构建多粒度核极限学习机预测模型,解决负荷数据中非平稳、自相关性对负荷预测的不利影响,提高模型的预测精度。结果表明,负荷的预测精度受输入数据时间窗大小的影响,不同模态分量的最佳时间窗的大小不同。采用混沌相时序分析的方法评估各个模态分量的最佳时间窗大小,可以有效提升核极限学习机的预测精度。     

注意力机制下的EMD-GRU短期电力负荷预测

为进一步提高短期电力负荷预测精度,构建一种基于注意力机制的经验模态分解(EMD)和门控循环单元(GRU)混合模型,对时间序列的短期负荷进行预测.首先,对负荷序列进行EMD,将数据重构成多个分量;再通过GRU提取各分量中时序数据的潜藏特征;经注意力机制突出关键特征后,分别对各分量进行预测;最后,将各分量的预测结果叠加,得到最终预测值.仿真结果表明:相对于BP网络模型、支持向量机(SVR)模型、GRU网络模型和EMD-GRU模型,基于EMD-GRU-Attention的混合预测模型能取得更高的预测精度,有效地提高短期电力负荷预测精度.     

基于CEEMDAN-CNN-GRU组合模型的短期负荷预测方法

负荷数据的高度随机性和不确定性,导致短期负荷预测的精度很难提升.为了提高短期负荷预测的准确度,提出了一种基于完全自适应噪声集合经验模态分解(CEEMDAN)与卷积神经网络(CNN)和门控循环单元(GRU)组合模型的短期负荷预测方法.首先,利用CEEMDAN模型将复杂的原始负荷序列分解为几个相对简单的子序列;其次,利用卷...     

基于VMD-EWT-IASSP-EBILSTM的短期电力负荷预测

电力系统在国家工业基础设施中起着举足轻重的作用，维持系统负荷高精度预测是保障电力系统高效供应的关键。针对负荷数据的非平稳性、随机性与非线性，负荷预测误差较大的问题，结合变分模态分解(Variational Mode Decomposition, VMD)、经验小波变换(Empirical Wavelet Transform, EWT)、改进的空洞卷积金字塔模块(Improved Atros Spatial Pyramid Pooling, IASSP)、集成双向长短时记忆模块(Ensemble BiLSTM，EBiLSTM)，提出了一种短期电力负荷预测模型。为解决负荷数据的非平稳性引起的模型预测波动问题，通过变分模态分解方法与经验小波变换的结合分解为若干子序列，显著降低了原始负荷序列的复杂性；为提高模型预测精度，将分解的负荷子序列利用过零率指标划分高低频序列，在低频序列中构建一种时序依赖捕获模块EBiLSTM提取长期负荷特征，高频序列中构建特征提取模块IASSP提取局部负荷特征，最后累加各子序列的预测结果，实现电力系统负荷的短期预测。选取行业通用客观评价指标：平均绝对误差、均方根误差，在宁夏某地电站的实测数据上对比前沿算法进行仿真实验验证。结果表明，该算法MAE误差降低了37%~75%左右，具有较高的准确性与可靠性。     

朝长地区储层动态分析

本文在朝长地区静态分析的基础上,结合储量分类情况,充分利用测试、试采及开发井等动态信息,对各类储量区压力、产量数据的变化特点进行分析,应用试井技术定量描述各类储量区块稳产能力,在朝长地区开展了储层动态分析研究,为准确预测该区产能,提交高品质探明储量以及后期开发方案的编制提供了重要的依据。     

需求侧响应下的电力负荷预测模型的改进

在电力负荷预测进行建模时,传统的预测模型需要消耗大量的电力负荷样本数据,同时不能准确描述电力系统内部的变化情况,降低了电力负荷预测的精度和可靠性。提出一种基于灰色预测模型的电力负荷预测模型的改进方法,分析了基本灰色预测模型的建模过程,同时依据需求侧响应约束条件对不符合约束条件的电力负荷预测结果进行剔除,从电力负荷原始数据的处理和灰色模型预测结果的修正两方面对其进行改进。实验结果表明,采用所提方法对电力负荷进行预测,得到的预测结果精度较高,性能优异。     

计及误差修正的VMD-LSTM短期负荷预测

精确地短期负荷预测为电力系统经济调度和机组最优负荷分配交易奠定基础。因此,提出了一种将变分模态分解（variational mode decomposition,VMD）和长短期记忆神经网络（long short-term memory,LSTM）结合的短期负荷预测模型,并使用支持向量回归（support vector regression,SVR）构建修正后的误差序列对初始预测序列补偿。首先,运用VMD算法将非平稳的负荷序列分解为多个相对平稳的模态分量;然后,将每个模态分量输入LSTM模型进行预测,并将各分量预测结果合并得到VMD-LSTM的预测结果;最后将残差值输入SVR模型中构造误差序列,来修正后一日的VMD-LSTM预测结果。通过实际案例测试,实验结果对比其他模型结果有更低的预测误差,证明所提方法的有效性。