城市电力负荷的短期预测

基于我国某两个地区的长期电力负荷数据和气象因素数据,建立多元回归气象选择模型和时间序列预测模型,综合运用EVIEWS与MATLAB软件,分析日最高负荷、日最低负荷、日平均负荷与日最高温度、日最低温度、日平均温度、日相对湿度以及日降雨量5个气象因素的关系,并对未来短时间内的电力负荷进行预测,可以为城市电网的科学发展规划提供有价值的参考依据.     

基于神经网络的短期电力负荷预测及其MATLAB实现

针对短期电力负荷预测问题,利用MATLAB软件建立日最高温度、日最低温度、日平均温度和平均湿度等气象因素对电力负荷的回归预测模型,具体对比给出BP神经网络与NARX神经网络两种回归预测结果,并通过对隐含层网络参数的调试对BP神经网络进行了适当的改进.     

基于时间序列对电力系统短期负荷的预测

针对电力系统短期负荷的预测,建立了多元回归和时间序列预测模型,分析了最高温度、最低温度、平均温度、相对湿度、降雨量分别对日最高负荷、日最低负荷、日平均负荷的影响程度,以及预测出短期负荷,应用MATLAB、SPSS进行求解,研究得出:最高温度对日最高负荷、日最低负荷、日平均负荷的影响程度最大,且预测值与实际值的相对误差在允许误差范围内,模型可靠性较高。     

基于频域分解的模糊神经网络负荷预测方法研究

通过分析电力系统负荷特性,可保证电力系统持续可靠的供电及为电力用户提供良好的电能质量。分析了春秋季、夏季、冬季、气象平稳月等多时间维度,并对南方电网负荷变化进行了系统研究,采用气象灵敏度分析气象与负荷之间的关系。为进一步分析研究负荷内在关系,采用频域分解技术对负荷进行解析研究。综合考虑以上因素提出考虑气象的模糊神经网络预测方法,确定影响负荷特性的主要因素并挖掘隐藏在负荷特性指标间的内在规律。     

电力系统短期负荷预测影响因素分析

电力系统负荷预测已成为实现电力系统管理现代化的重要研究内容之一,尤其是短期负荷预测,在电力系统的生产和运行中发挥着重要作用。本文分析了影响负荷预测的主要因素,以安顺市电力负荷数据为例,得出负荷预测结果与历史负荷水平、当前运行状况、气象因素以及日期类型等密切相关。     

基于相似日和灰色理论的短期电力负荷预测研究

针对短期电力负荷预测易受气象因素影响的特点,提出基于相似日和灰色理论的短期电力负荷预测模型;首先通过对日类型的判断得到相同日类型的负荷数据,然后对气象数据序列进行模糊化聚类处理,并结合预测日的气象数据,采用灰色关联方法进行关联分析,选取与预测日关联度高的负荷数据作为相似日负荷数据,采用灰色预测方法对相似日负荷数据进行短期电力负荷预测;仿真结果表明,选取了相似日之后的预测结果比未选取相似日的预测结果精度要高。     

基于气象和空气质量观测数据的日太阳辐射估计

研究城市气象参数与城市近地面污染物对水平面太阳辐射强度的影响,并尝试建立水平面太阳辐射与气象、城市空气污染物观测数据的回归模型.1)收集了广州市2009~2012年水平面日太阳总辐射、地面气象数据、近地面空气污染物历史记录数据;2)根据太阳辐射传输理论和前人相关研究进行水平面太阳辐射的影响因素分析,并对收集到的数据进行处理;3)对水平面太阳总辐射、地面气象、近地面污染物浓度的观测数据进行相关性分析,分别建立了总体样本和分区间样本下的水平面太阳总辐射与气象、空气污染物观测数据的回归模型.结果表明,用单一回归模型解释各种影响因素对太阳辐射的削弱并不合理,而分区间样本下的分段回归模型反映了水平面太阳总辐射的随气象变化和颗粒物浓度变化的规律,预测结果也较为准确.     

相似日匹配法在电力系统负荷预测中的应用

电力系统短期负荷预测是调度中心制定发电计划及电力市场中发电厂报价的主要依据,也是能量管理系统(EMS)的重要组成部分,对电力系统的运行、控制和计划都有重要的影响,其预测精度直接影响着电力系统的经济性,综合考虑了影响电力负荷的诸多因素:负荷状况、天气情况、节假日等,分析了电力系统负荷的基本模型,提出了适合于负荷稳定,负荷变化基本由气象因素影响的电网的相似日匹配法的算法,并用VC 编程,用SQLSERVER作为数据库,实验证明,对于负荷资料和气象资料收集相对较好的地区,预测效果明显准确。     

基于小电网短期负荷预测方法的研究与分析

电力负荷预测依据经济、社会、气象等相关数据并结合电力负荷历史数据变化规律来估计和推测未来电力负荷的走势.介绍岱山电网负荷结构及特性,并对影响负荷的要素进行了分析.因岱山负荷轻,受气象、大用户影响大的特征,提出、分析将温度、降雨量、风力大小及检修计划作为自变量的多元线性回归短期负荷预测法.以实验结论和事实数据论证该方案的可行性,此方案可用于结构简单的小电网中,以提高短期负荷预测的准确性.     

含有山区小水电负荷的气象回归短期负荷预测技术探析

随着我国科学技术的发展,水电系统运行技术获得逐渐提高。目前在小水电负荷气象回归中采用短期负荷预测技术对其进行预测分析,这对电力设备安全运转工作有着重要意义。结合笔者当前工作经验,就含有山区小水电负荷的气象运用回归短期负荷预测技术进行探讨,通过运用回归模型和组合型预测方法,对历史数据实施类似性搜索操作及实例运用等信息,以此提高预测数据的精准度等方面进行简要阐述,以供同行参考。     

基于ISOMAP与Adaptive-Lasso的日平均气温预测模型

气候变化是全球公认的环境困境,研究气象数据的回归预测模型对预防自然灾害有重要意义。应用等距特征映射(ISOMAP)方法对气象因素进行降维,采用Adaptive-Lasso方法建立日平均气温与主成分之间的回归模型,实证分析了合肥2017.1.1—2018.8.31日平均气温的回归预测问题。结果表明,通过ISOMAP与Adaptive-Lasso方法建立的回归模型能更好地对日平均气温进行回归预测。     

改进贝叶斯分类器在电力系统负荷预测中的应用

负荷预测对电力系统的安全稳定有十分重要的作用。影响电力系统负荷短期预测的主要因素是环境,如温度、日照、湿度等,这些因素关系复杂,综合考虑所有因素会导致信息冗余,降低预测精度。笔者改进的贝叶斯分类器可以有效地对影响电力系统负荷变化的各种因素进行处理,导出其中的核心因素,以此为基础大大提高电力系统负荷预测的精度。应用此方法对某地区负荷进行了预测,结果表明该方法的有效性和准确性。     

基于PSO—SVR的电力负荷预测

电力系统负荷预测精度直接决定了预测模型的质量.为了降低预测模型输出结果的预测误差,提出了粒子群算法优化支持向量机回归这一智能预测方法.通过对环境温度、节假日、工作日、日期的采集与分析作为模型的输入,以日平均负荷作为模型的输出.最后,通过仿真,对引入粒子群算法的支持向量机回归模型的预测结果进行对比分析.结果表明:优化后的智能模型取得了更为理想的预测结果.     

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.     

季节性冻土地区沥青路面温度场的预估模型

为了准确掌握沥青路面温度场的分布特点和变化规律,在季节性冻土地区观测某段道路实测温度两年多时间,分析全年路段的温度变化情况,以及夏季和冬季全天具体的实测温度;并在此基础上,结合气象资料,分析温度场差异的原因以及影响因素。对沥青路面温度场进行研究,采取回归分析的方法,引入气温、太阳辐射等因素,建立路表的预估模型。考虑道路不同深度处的温度,引入深度衰减因子;并考虑时间的影响,建立全年日平均温度模型。将实验数据与预估数据比较表明:该模型具有较好的精确性与实用性。     

精细化气象因子对短期电力负荷预测的影响研究

为分析电力负荷变化特征与气象要素的关系,定量解析气象因子对电力负荷预测的主要贡献,该文以华中电网某地区为研究对象,预报因子选用电力负荷和精细化气象数据,依据逐步回归和BP神经网络模型建立滚动预报模型.通过研究发现：当日负荷除与历史负荷有较好的相关关系外,当日温度与前一日温度对负荷也有较大的影响.气象因子在逐步回归和神经网络预测方法中对负荷预测准确率的提升均有正的贡献,贡献率分别为0.28%～17.87%和0.97%～17.78%.尤其是转折天气条件下,精细化气象因子对短期负荷预测的准确率的提升尤为重要.     

福州市居民用电情况及其与气温关系分析

分析了福州市居民用电情况和负荷曲线的特点,对最高负荷与各气象因素进行相关分析,着重分析了居民日负荷与气温的关系并计算了单位温升效应.分析表明,居民负荷的晚高峰对全网负荷晚高峰有较大的影响;气温对居民负荷的影响较直接和明显,夏季居民最大负荷与气温之间呈三次关系模型;单位温升效应约为3%-4%.     

气象因素对电网负荷特性影响的研究

电网运行中电网负荷受气象因素的影响显著,对于电网安全经济运行有重要影响,本论文将气象因素与电网运行负荷结合起来分析,在分析了气息因素与电网负荷特性关系的基础上,重点探讨分析了常见的气象因素,如温度、湿度、气压和风速等因素对于电网负荷特性的影响规律,对于进一步加强气象因素的监测,及保障电网安全经济运行均具有一定借鉴意义。     

基于支持向量机的城市小区燃气管网日负荷预测模型

该文使用支持向量机中的两种核函数,采用grid-search算法、遗传算法、粒子群算法优化参数,建立对吉林市某小区燃气管网日负荷预测的支持向量机模型。将日最高温度、日最低温度、日平均温度、小区人员最高年龄、小区人员最低年龄、小区人员平均年龄作为燃气管网日负荷变化密切相关的主要影响因素,分别作为支持向量机的输入量,将小区人员临时出差、小区临时增加暂住人口等随机因素作为燃气管网日负荷变化密切相关的次要影响因素,将随机因素统一归为支持向量机的一个输入量。采用[0,1]归一化方法,对作为影响因素的输入量数据与日负荷预测输出量数据进行归一化处理。对节假日和工作日的燃气管网日负荷预测采用独立处理方法,避免了相互之间的干扰影响。试验结果表明,采用径向基核函数的支持向量机预测模型对燃气管网日负荷预测拟合程度达到90%以上。     

基于BP算法的电力系统负荷预测

本文分析了电力系统负荷预测的重要性和与负荷预测相关的数据的特点,给出了基于BP算法的电力系统负荷预测系统的体系结构,重点研究了多层前馈神经网络构建、数据预处理及网络模型的学习。将BP算法应用于电力系统负荷预测,可有效地克服数据不完整性、含噪声等复杂因素对预测结果的影响,提高预测精度。