改进相似日的频域分解短期负荷预测

基于改进相似日的频域分解短期负荷预测方法,通过对负荷序列进行频域分解,采用外推法、改进相似日法与加权平均法分别对各分量进行预测,将各分量预测结果相加得到最后预测结果,该方法应用于短期负荷预测具有较好的预测精度.     

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.     

基于单纯历史负荷数据的短期负荷预测的探讨

短期负荷预测是电力系统最常用和最重要的预测类型。本文抛开天气因素、生产水平等相关因素,单纯从历史负荷数据出发进行了短期负荷预测算法的讨论。本文引入相似日的概念,通过确定相似度来选取合理的相似日。利用相似日的历史数据通过有效的算法可以计算出预测目的值,本文介绍了线性外推法、变化系数法和加权平均法。最后用一个应用实例说明了以上讨论算法的合理性。     

短期电力负荷预测的基本模型

负荷预测是根据负荷过去的历史资料，建立恰当的数学模型对未来的负荷进行预测。在进行电力系统的短期负荷预测时，针对负荷变化的特点，既要充分分析，掌握并利用其规律性，叉要兼顾各种因素的影响。本文通过对影响负荷的各种因素的分析和预测模型应满足的要求，提出了短期电力负荷预测的基本模型。     

综述电力系统负荷预测

综述了电力系统负荷预测的定义及其主要目标,并对已有的负荷预测方法及其存在的问题进行深入的分析和比较。随着电力市场的深入开展,要求负荷预测更具实时性、更准确,而迄今为止,还没有一种适用于不同条件的通用方法。因此,关键在于如何根据预测地区的负荷特性及负荷构成来选择综合哪几种预测方法。     

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。     

一种电力系统中长期负荷预测方法

提出了一种电力系统中长期负荷预测的方法－时间序列的指数平滑法。该方法适用范围广，具有较强的预测精度，并通过实例计算，结果表明预测精度满足要求，证实了这一方法用于系统中长期负荷预测的可行性。     

基于神经网络的短期电力负荷预测

采用神经网络方案来进行短期电力负荷预测，探讨了负荷模型分类模，对应用于实际的神经网络算法进行了具体处理，如数据的归一化问题，网络权值与阈值的初始值选定，训练样本的选择策略等。     

基于优化模糊C均值聚类选取相似日的燃气负荷预测

针对短期负荷预测方法中传统的模糊C均值(FCM)聚类容易陷入局部最优和对初始聚类中心敏感的问题,提出利用粒子群优化(PSO)算法的全局搜索特性来优化此缺点.通过优化的FCM聚类来选取与预测日相似的日期作为支持向量机的训练样本,既强化了训练样本的数据规律,又保证数据特征的一致性.实验结果表明,优化预测模型的预测精度优于BP神经网络和支持向量机算法.     

基于SCE-UA支持向量机的短期电力负荷预测模型研究

支持向量机(support vector machine,SVM)作为一种新颖的机器学习方法已成功应用于短期电力负荷预测,然而应用研究发现SVM算法性能参数的设置将直接影响负荷预测的精度.为此在对SVM参数性能分析的基础上,提出了SCE-UA(shuffled complex evolution University ...     

电力系统短期负荷预测软件包的设计与实现

文章介绍了电力系统短期负荷预测软件包的实现。该软件包不仅包含了常规的实用预测方法 ,还通过引入模拟退火、模糊理论与遗传算法对神经网络进行了改进 ,效果较好 ,达到实用化水平。文中对各种预测方法和数据预处理技术进行了说明 ,并介绍了软件包的总体设计方案和功能。最后 ,结合实际系统预测结果对各种预测方法进行了分析比较     

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.     

基于PSO的RBF神经网络短期电力负荷预测

根据电力负荷的主要影响因素,考虑时间和天气,建立了基于粒子群算法(PSO)和径向基函数(RBF)神经网络的短期负荷预测模型.由粒子群算法对RBF神经网络的训练进行优化,提高了模型的可信度和可靠性.结果表明,该方法具有较高的预测精度,有一定的应用前景.     

基于mRMR-IPSO的短期负荷预测双阶段特征选择

电力负荷具有时空多变的特性,受众多因素的影响,在短期负荷预测中较多的输入特征会造成维度灾难,导致模型预测性能不佳,因此选择合理的输入特征集至关重要。文章提出一种新的短期负荷预测特征选择方法——mRMR-IPSO双阶段法。利用最大相关最小冗余（max-relevance and min-redundancy,mRMR）判据对原始特征进行排序,考虑输入特征与输出特征之间相关性和输入特征间冗余性,筛选掉一些排序靠后的特征,初选出对预测效果影响显著的特征子集;采用基于改进的粒子群优化算法（improved particle swarm optimization,IPSO）的搜索策略,以LightGBM模型的预测精度为适应度函数,对初选特征子集进行精选,得到最优特征子集。算例结果表明,所提方法能在对原始特征集大幅降维的情况下提升预测精度。     

保定市电力行业碳排放计量与预测

对作为中国8个低碳城市试点之一的保定市2008-2010年电力行业的碳排放进行了准确计量.计量结果是2008-2010年的碳排放分别为4.100 6×106,4.216 8×106,4.153 3×106 t.同时对2011-2020年电力系统的碳排放进行了回归预测,分析了节能减排的可能性和空间,并提出大力发展清洁发电技术、低碳技术与资金的引入、调整区域电力战略规划和电源结构、实行差别电价制度,鼓励使用绿色电力等一些解决措施.     

基于遗传算法和BP神经网络的短期电力负荷预测

根据电力负荷的主要影响因素,考虑时间和天气,建立了基于遗传算法和反向传播神经网络(BP)的短期负荷预测.从BP神经网络的理论入手,采用遗传算法优化BP神经网络的初始权值和隐层节点数,从而避免了神经网络结构确定和初始权值选择的盲目性,提高了神经网络用于电力系统短期负荷预测的效率和精度使得负荷预测在更加合理的网络结构上进行.     

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.