钢铁企业电力负荷预测建模研究

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。     

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。     

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.     

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.     

基于理想点多属性决策算法的中长期电力负荷组合预测

对组合预测方法进行了拓展,将理想点多属性决策算法引入中长期电力负荷预测中,建立理想点组合预测模型,进行中长期电力负荷预测。所建模型中以各单一预测模型的最大误差绝对值、最小误差绝对值、平均绝对百分误差和均方根差4个评价指标的倒数为属性集,以各单一预测模型种类为方案集。计算各模型与正理想点间的偏差,根据正理想点间偏差确定各单一预测模型的权重。通过对某地区全社会用电量进行预测,并与单一预测模型进行误差比较,验证了组合模型的有效性和实用价值。     

基于过程神经网络的短期负荷预测

针对目前常用方法在解决负荷预测问题时,结果往往难以达到工程要求精度的现状,利用过程神经网络输入为时间函数以及预测精度高的特点,建立了基于过程神经网络的电力系统短期负荷预测模型;给出了模型的结构,基于函数正交基展开的离散数据拟合方法以及模型的学习算法.针对东北某地区电网的日负荷数据,进行了模型训练和负荷预测正确性的研究.结果表明,所建立的预测模型对负荷的预测准确率高,优于BP神经网络负荷预测模型的预测结果.     

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。     

基于改进BP神经网络和工业重构理论的用电增长预测方法

运用改进BP神经网络方法和工业重构理论,建立新型工业化与用电增长的关系,提出附加动量和自适应学习率的改进BP神经网络构建工业用电增速的预测模型,利用该模型对未来工业用电增长的趋势进行判断。利用Matlab7．0对该模型进行设计,并运用该模型对工业用电增长趋势进行仿真。与传统的BP神经网络模型相比,采用改进后的预测方法仅经过47次训练就满足预定误差要求,而采用传统的预测模型易陷入局部极小点,很难满足预定误差要求;改进预测模型的预测值与实际值拟合程度好,平均预测精度比传统模型预测精度高1％～3％。此外,验证了改进模型的优越性和合理性。     

基于关联规则的城市电力负荷预测模型智能推荐

提出了一种基于关联规则的电力负荷预测模型智能推荐方法,解决了面对众多预测模型使决策者难以选择的问题.该方法首先建立预测模型与相关因素历史数据库,在此基础上进行关联规则挖掘,然后结合给定预测地区的相关因素条件,利用案例推理技术在挖掘出的规则中进行条件匹配,最终得出给定条件下各负荷预测模型对预测地区的适应情况并完成模型自动推荐.该方法充分利用国内42个城市预测案例积累的数据,通过数据挖掘并分析结果可以看出特定预测模型适用度与哪些相关因素有关,运用这些规则,得到合理的模型推荐结果.基于关联规则的适合模型推荐方法,不仅能自动分析模型适用度与各相关因素的内在联系,也能在一定程度上体现预测者对模型的偏好.通过我国某地区的负荷预测为例,说明了算法的正确性和可行性.     

基于数据挖掘技术的负荷预测模型

为有效选取预测变量和训练模式、提高预测精度，提出了一个基于数据挖掘技术的负荷预测模型．该模型首先利用粗集理论和遗传算法选取与负荷相关的预测变量，再选取与预测日相似的训练模式，最后用神经网络对负荷进行预测．实际运行结果表明将该模型应用于电力系统负荷预测是可行的，其与传统的神经网络预测模型相比具有更高的预测精度.     

两种改进的电力负荷灰色预测模型的应用

以本地区某县级电网的用电负荷的预测为例,对比分析了GM-Malkov模型和改进的等维递补灰色模型两种模型的预测结果和单纯的灰色GM(1,1)模型的预测结果。预测结果表明,灰色-Malkov链改进方法及中等维数的等维递补灰色预测模型的预测精度较之单纯的GM模型都有较大提高。     

基于VMD的CNN-BiLSTM-Att的短期负荷预测

为提高短期电力负荷预测精度,提出了基于变分模态分解(VMD:Variational Mode Decomposition)的CNN-BiLSTM-Att(Convolutional Neural Network-Bidirectional Long Short-Term Memory-Attention)的短期负荷预测模型。该模型将历史的负荷数据使用VMD分解成多个子序列负荷并结合天气、日期、工作日类型等因素作为输入特征,得到各个子序列负荷的预测值,然后相加重构组成实际负荷预测曲线。通过与其他模型实验对比,VMD-CNN-BiLSTM-Att模型在测试集上相比于其他模型均有所降低,在连续的周负荷预测中,日负荷预测的平均绝对百分比误差基本维持在1%～2%之间。在复杂负荷变化的非工作日中,平均绝对百分比误差相比CNN-LSTM降低0.13%。证明VMD-CNN-BiLSTM-Att短期负荷预测模型能提高电力负荷预测的精度。     

基于工艺的自适应数据质量多模型择优预测

针对钢铁企业实际生产过程中,采用单一预测模型进行预测难以把握大规模启停设备用电规律,预测精度较低等问题,根据生产-检修阶段的实际工艺情况,将生产,检修问题采用随机近似贪婪搜索RAGS对复杂特征进行特征选择,建立了一个自适应数据质量的多模型择优预测框架进行建模;将其应用于宝钢电网。仿真结果表明,提出多模型择优预测框架可以准确预测钢铁企业电力日负荷,为实现电力系统能源调度提供决策依据。