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.     

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.     

运用卡尔曼滤波技术开发气象估计器的研究

公众气象预报信息存在偏差，导致电力负荷短期预测中出现相应不可预计的误差。基于随机事件的分布理论，说明卡尔曼滤波器的叠代算法。并运用卡尔曼滤波技术开发气象信息估计器，为电力负荷预测提供具备统计方差最小意义的待测日气象数据，提高了负荷短期预测的准确度。     

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.     

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。     

提高县级电网负荷预测精确度的研究

电力负荷预测是供电部门的重要工作之一。通过对郓城县用电负荷的特性、经济发展的特点、气候变化、预测技术等影响负荷预测的因素进行分析,提出提高电网负荷预测精度的措施：建立和完善典型日负荷样本数据库;特殊事件造成负荷较大变时进行人工干预;合理做好负荷日的类型分析;建立气象负荷数据源预测模型。这些措施在郓城电网中应用效果显著。     

基于聚类分析的短期负荷智能预测方法研究

短期电力负荷预测作为电网企业的基本工作,其精度的提高对于电网企业运营管理和调度管理具有较大的意义,然而由于电力负荷受到诸多非线性因素的影响,因此得到高精度的电力负荷预测结果是比较困难的.本文首先利用数据挖掘中的k-means聚类技术对训练集的气象数据进行聚类分析,分析提取相似日,在提取相似日的相关历史数据后,建立支持向量机模型进行短期电力负荷预测.经算例结果证明,由该方法得出的预测结果平均相对误差为0.88%,和同结构支持向量机预测的平均相对误差(1.66%)以及ARMA预测的平均相对误差(3.81%)相比,预测精度得到明显的提高,证明了该方法的有效性.     

泰达电力负荷与气象因子的关系

从泰达电网2003--2005年逐日电力负荷资料中分离出随气象因子变化的气象电力负荷,分析了气象电力负荷与同期气象资料的相关关系,重点研究了气象负荷随气温变化的规律。     

综合气象指数对电力负荷的影响分析

引入了生物气象学中的实感温度、温湿指数、寒湿指数、舒适度指数4个指标来综合衡量气象因素对电力负荷的影响．以重庆市区为例,分析了各综合指数与负荷的关系,并绘制出观测年内的电力负荷与综合指数的关系曲线．分析表明：负荷一舒适度指数比值曲线在整个坐标轴范围内比值很稳定,说明舒适度指数相对于温度能更好地反映电力负荷的变化．同时还定性地分析了降雨量对电力负荷的影响．     

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。     

短期电力负荷预测模型的比较研究

为了解决提高电力负荷预测精确度这一问题,越来越多的人工智能方法应用于能量功率预测.为此利用湖南省2014年至2017年的电力负荷数据,比较自回归(AR)模型、BP神经网络(BPNN)和指数平滑(ES)模型在预测日度电力负荷和月度电力负荷上的性能,并运用统计学知识来分析三种模型之间的差异.最终根据实验结果得出两个结论:AR模型对日度数据预测的结果优于其他两个模型以及ES模型对月度数据预测的结果优于其他两个模型.     

电力负荷量及气象影响因素的极值模型分析

用广义Pareto模型拟合2019年天津市用电负荷数据,估计模型的参数,通过P-P图、Q-Q图和密度分布图等对模型检验.计算出重现水平和超过重现水平的平均用电负荷的估计值,有助于优化电力公司的发电方案,实现资源的合理配置.在影响用电负荷的5个气象因素中,选择日平均温度和日降雨量,计算了两者的线性相关、秩相关以及尾部相关...     

基于相似日搜索的改进LMD与ESN相结合的短期电力负荷预测模型

短期电力负荷容易受到自然因素及社会因素的影响,这使得负荷预测比较困难.为了提高短期负荷的预测精度,提出了基于相似日搜索的改进局部均值分解(ILMD)和回声状态网络(ESN)相结合的短期电力负荷预测模型.首先用模糊聚类分析将与预测日最相似的多个日期筛选出来.然后把这些相似日的整点负荷数据按照时间先后排成一组数据序列,用改进的LMD进行分解,对分解出的各个分量分别建立一个ESN网络,对每一个网络分别训练并进行预测.最后把每个网络的预测结果累加起来就是最终的预测值.实验证明此方法能有效提高预测精度.     

基于时间序列编码和相关向量机的负荷短期预测

针对电力负荷短期预测精度不高的问题,提出一种基于时间序列编码和相关向量机的电力负荷短期预测方法.通过收集电力负荷实际数据,研究了日最大负荷数据之间的关系、日最大负荷与节假日的关系以及当日与对应星期数的相关性,并建立了相应的电力负荷短期预测模型.该模型采用相似日选择方法,给工作日和节假日赋予不同的权重,从电力负荷时间序列中筛选出与预测日特征相似的数据,对模型进行训练.与BP神经网络和支持向量机相比,该预测方法有更高的预测精度和更好的泛化能力,而且学习速度更快.     

基于SA-LSSVM的电力短期负荷预测

提出融合模拟退火（Simulated annealing,SA）和最小二乘支持向量机（Least Square Support Vector Machine,LSSVM）的电力短期负荷预测方法.由于LSSVM的预测精度依赖于其参数的选择,并且难以选取合适的参数值,因此,参数选择是LSSVM的一个关键问题.为了提高参数选择的质量和效率,采用SA算法进行LSSVM的参数寻优.以某市2010年1月1日至2011年1月7日的电力负荷数据和气象数据进行仿真实验, 实验结果表明该方法具有较高的预测精度.     

城市微气象对武汉市高温季节电力空调负荷的影响分析

基于武汉市2013年逐日电力负荷资料,分离出高温季节随气象因素变化的电力空调负荷,采用相关分析法分析了电力空调负荷与同期武汉市区气温,经温湿效应、累积效应修正后的市区感知温度的相关关系,并建立了考虑累积效应的武汉市高温季节电力空调负荷预测模型.结果表明,相较于市区气温及经温湿效应修正后的市区感知温度,经累积效应修正后的市区感知温度同空调负荷的拟合度更为集中,相关系数达到0.95,人们对气温的累积感受更加符合实际空调的使用情况.考虑累积效应的武汉市日负荷模型预测结果与实况变化趋势基本接近,平均预测精度达到94.4%.     

短期负荷预测模型及其影响因素

在分析电力负荷曲线特性的基础上，将日负荷分成工作日和非工作日，并着重考虑温度对负荷曲线特性的影响，将BP算法和模拟退火(SA)算法相结合，对某电网的日负荷数据进行实际计算，发现考虑预测日类型和温度等因素后，负荷预测精度有很大提高．