基于多元回归对电力系统负荷影响因素的计量分析

针对气象因素(温度、湿度、降雨量等)对电力系统的影响,收集某一地区2012年1月1日至2014年12月31日的数据,进行数据的描述性统计分析,然后建立多元回归分析模型,分别对日最高负荷、日最低负荷、日平均负荷与各气象因素的关系进行回归分析,分析回归误差,研究得出结论:最高温度、平均温度和相对湿度3个气象因素可以提高电力负荷预测的精度、优化电力系统~([1])。     

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.     

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ID3优化算法的短期负荷预测

电力短期负荷预测是电力系统调度的重要基础工作,但影响因素众多,且ID3算法偏向多值属性,完全由ID3算法自动形成决策树时容易发生误判。为了克服ID3算法在短期负荷预测时的不足,可根据实际情况,人工指定对负荷影响规律比较明确、影响程度大的因素在决策树中的位置,这样自动和人工相结合,能有效克服自动生成决策树的不足;将信息熵赋值给属性,对各影响因素进行相似度计算,利用综合相似度对历史日进行排序,有效识别主导负荷变化的影响因素,建立了基于ID3算法的短期负荷预测新算法。理论和实例均表明,该算法对提高短期负荷预测的精度具有较大价值。     

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.     

考虑气温影响的短期负荷预测方法探讨

本文采用基于温度准则的外推方法,探讨了考虑气温影响的短期负荷预测方法。选取广州地区两个典型负荷日进行模拟预测,预测结果与实际数据对比验证了预测方法的准确性。     

基于径向基函数和模糊逻辑的短期电力负荷预测

综合考虑温度、日期类型和天气等因素对短期电力负荷的影响,提出了将径向基(RBF)网络和模糊逻辑相结合的预测方法。利用具有非线性逼进能力的RBF神经网络预测出预测日的最大负荷值和最小负荷值,并用模糊逻辑预测出预测日的负荷系数,进而得到预测日的负荷值。实际算例表明:该方法同BP网络相比,具有较高的预测精度,证明了该方法的有效性。     

基于相似日搜索的空调短期负荷预测方法

针对新建楼宇空调系统做短期负荷预测工作时,缺少负荷预测所需的数据,难以实现空调系统优化节能的问题,提出一种基于相似日搜索的空调短期负荷预测方法———相似日搜索算法（SASD）.算法首先通过分析空调负荷特性,定义日特征向量,构造日特征矩阵,缩小相似日的搜索范围;然后基于温度、湿度和风力3种天气影响因子,计算相似日的体感温度值;接着根据模糊思想选择正确的最终相似日判定因子,搜索得到最终相似日集合;最后通过判定选择面积中心法作为预测方法,实现工作日的负荷精确预测.仿真结果和实际预测效果表明：SASD可以精确预测空调负荷值,且在不同地区及不同时期具有一定的通用性.     

改进的季节性指数平滑法预测空调负荷分析

根据空调日总负荷和日平均气温之间的较强相关性,对经典的季节性指数平滑法预测模型中的水平因子项进行修正,并去掉趋势因子项,得到了改进的季节性指数平滑预测模型.以上海某医学中心空调系统作为该空调负荷预测模型的应用实例,在整个预测期内模型平均预测误差为8.8%.这表明改进的季节性指数平滑法适合于办公类建筑空调负荷的预测.     

基于相关向量机的电力负荷中期预测

针对电力负荷中期预测比较困难并且存在较大误差的问题,提出了一种基于相关向量机的中期预测方法.结合EUNITE网络提供的实际数据,研究了日最大负荷前后期关系、日最大负荷与节假日的关系和当日与对应星期数的相关性,并建立了相应的电力负荷中期预测模型.该模型是将与某天相关的n个前期信息作为该天的日最大负荷的输入量,而日最大负荷与节假日、当日(星期数)的关系信息用两个二元值表示.在模型训练前,将输入量的前7个属性值和预测目标值进行归一化处理 采用不同训练样本集的仿真实验结果表明,相关向量机方法比支持向量机方法具有更多的优点,当高斯核函数的宽度值取为2 0时,相关向量机方法具有较为理想的预测效果.     

基于负荷曲线分段的配电网无功优化策略

针对电网负荷的波动性,采取分时段无功补偿策略对改善电压质量和保证运行经济性具有重要实用价值。首先,基于典型日负荷曲线建立了负荷曲线的优化分段模型。在此基础上基于平均节点电压偏移灵敏度指标和网损灵敏度指标建立了无功补偿点的筛选确定方法,并以平均电压偏移和网损最小为优化目标建立无功补偿优化模型。其次,通过基于分解的多目标优化算法对所建立优化模型分别进行求解,可得出负荷曲线的分段点及每个负荷分段下对应的最优补偿方案。最后,以IEEE 33节点配网系统和实际电网仿真分析,验证了所建立优化策略的可行性和有效性。     

江河源区近40年来气温变化特征的研究

通过对长江、黄河源区从1961—2001年的年平均气温、日最高气温、日最低气温随时间变化规律的分析得出：江河源区近40年来年平均气温、日最高气温、口最低气温随时间均呈增温态势；日最低气温的增温比日最高气温的增温更显著：20世纪90年代以米气温明显偏高；但也有新的特点：一月份日最高气温、日最低气温和日平均气温进人90年代不但没有变暖反而足降低的；80年代后期年平均气温、日最高气温、日最低气温发生了显著的变暖突变。     

统计降尺度方法对江苏地区极端气温的模拟

本文用统计降尺度方法（SDSM）对江苏地区最高、最低气温进行了模拟,结果表明：SDSM统计降尺度技术对江苏地区夏季最高气温和冬季最低气温平均值的模拟效果相当好;对年最低气温极大值和年最高气温极大极小值以及夏季最高气温极大值的模拟效果还不错;而其他极值的模拟效果不是很理想。由于对极值的平均值模拟较好,对未来气候的趋势模拟会比较有实际意义。     

应用机器学习技术预测强雨雪天气过程中的积雪

2017年12月～2018年2月冬季,在中国长江中下游流域发生了两次强度强、范围广的强雨雪冰冻天气。在第一次强降雪天气中,由于2018年1月3～4日和5～8日两阶段降雪在中国东部落区高度重叠,导致了较为严重的灾害。为了预测日积雪深度,利用2017年12月～2018年2月和2007年12月～2008年2月这两个时间段上的国家测站日值数据,利用CART决策树算法根据各气象要素生成一个预测当天是否有积雪的二元判别决策树模型。从决策树结构中可以看出,前一日的积雪深度、日最高气温、日平均气温、日最低相对湿度等要素对预测结果的影响重大。且两决策树的结构相似度极高,故该模型对是否有积雪的预测存在普适性。随后利用深度学习方法训练两个时间段上所有预测为有积雪的个例,建立预测积雪深度的回归模型,结果表明,利用该模型训练得到的误差较小,但不足之处在于,预测极端降雪个例的误差大于普通降雪个例。将决策树模型与深度学习模型串接,便能得到预测当天是否有积雪,及积雪深度的模型。相比于前人的研究,该模型能拟合更复杂的特征,得到更精确的预测,使用2018年的数据也能更好地模拟当前的气候背景。     

基于机器学习的地下水水质预测研究

基于实测的地下水水质数据（pH、总硬度、溶解性总固体、硫酸盐、氯化物、Fe、Mn 7种）和气象数据（平均气温、最低气温、最高气温、平均最低气温、平均最高气温、20:00—20:00降水量、日降水量≥0.1 mm的时间、最大日降水量8种）,分别使用BP神经网络、随机森林（RF）和支持向量机（SVM）构建了地下水水质参数的机器学习预测模型．对于每一种水质参数,分别使用不同的机器学习算法基于不同滞后期的数据进行模拟,将结果与实测水质进行对比,选择精度最高的机器学习模型及其对应的滞后期作为该水质参数的最优模型和最佳滞后期．结果表明,不同机器学习方法和滞后期的选择对预测精度影响很大,BP神经网络对pH（R2=0.225,RMSE为2.411）、总硬度（R2=0.503,RMSE为47.973 mg·L?1）、氯化物（R2=0.994,RMSE为0.544 mg·L?1）和Fe（R2=0.302,RMSE为7.772 mg·L?1）的预测精度最高,RF对硫酸盐（R2=0.908,RMSE为3.788 mg·L?1）和Mn（R2=0.522,RMSE为0.429 mg·L?1）的预测精度最高,BP神经网络、RF和SVM对溶解性总固体的预测性能均较好（R2=0.994~0.996,RMSE为674.660~950.470 mg·L?1）．此外,硫酸盐和Mn预测模型对应的最佳滞后期为0个月,溶解性总固体和氯化物预测模型对应的最佳滞后期为1个月,pH、总硬度和Fe预测模型对应的最佳滞后期为2个月．      

1961～2011年山东地区气温变化的区域差异特征及突变分析

利用山东地区17个气象站1961 ～2011年逐日平均气温、最高气温、最低气温等资料,采用线性倾向率法、Mann-Kendall法、累积距平法等方法,分析了山东地区近50年的气温变化特征和突变特征.结果表明：1961 ～2011年山东地区各气象站年平均气温、年平均最高气温和年平均最低气温均呈现增温趋势,平均增温速率分别为0.22℃/10a、0.17℃/10a和0.33℃/10a,年平均最低温度的上升幅度大于年平均最高温度的上升幅度,山东地区气候变暖主要体现在年最低温度的升高上.近50年来山东地区气温变化过程具有显著的阶段性,而不是单调递增.山东地区增温主要发生在最近的20余年内,各气象站点的年平均气温、年平均最高气温、年平均最低气温集中在20世纪80年代末至90年代初发生增温性突变.山东地区气候变暖的区域差异比较明显,龙口地区的年平均气温增温最明显;年平均最高气温增温最为明显的是日照地区;龙口地区年平均最低气温增温趋势较为显著.     

综合管廊电缆桥架火灾的温度场分布特性研究

针对综合管廊电缆火灾的危害性,建立了截面尺寸为1:1的综合管廊模型,重点研究电缆桥架火灾造成的受限空间温度场分布。结果表明：烟气的沉降作用可将垂直温度场划分为顶棚射流层、中间热烟气过渡层和底部冷空气层;封堵端口会加快顶棚烟气温度的纵向衰减速度,并分别提出了封堵侧和贯通侧的温度衰减预测模型;对于火源功率较小的电缆桥架火灾,火源功率与顶棚最大温升满足线性关系;通过建立顶棚最大温升预测模型,发现实验值与预测值之间的误差大多维持在30%以内,其中最小的预测误差为14.73%,模型的整体预测效果较好。