灰色模型在负荷预测中的应用

电力负荷预测是电力控制及运行方面的最重要的一项任务。介绍了灰色理论的相关概念和原理,以及预测负荷的步骤,通过举例讨论了灰色模型在短期电力负荷预测中的应用,对平常日电力负荷进行预测,其结果令人满意,表明灰色模型是有效的负荷预测方法之一。灰色模型在日常负荷预测中广泛得到运用。     

电力负荷需求预测分析

随着电网对电力预测的要求进一步的加大,电力负荷需求的精确分析能力将是电网进行电力运转、实时控制和调度的必要前提。介绍了电力负荷的概念,对影响电力负荷预测的因素进行分析,在此基础上探讨了电力预测分析技术,包括传统预测方法、经典预测技术以及现代的预测分析方法。     

基于灰色理论的长期电力负荷预测

电力负荷预测为编制电力规划提供依据,它为地区或电网的电力发展速度、电力建设规模、电力工业布局、能源资源平衡,地区或电网间的电力余缺调剂,以及地区或电网资金和人力资源的需求与平衡提供可靠的依据。本文介绍了灰色预测方法,并且对我国1996年—2006年的长期电力负荷进行了实证预测分析,说明了此方法的可行性,并且检验了用灰色预测方法预测长期电力负荷的精确度。为准确预测长期电力负荷提供了一种简便可行的分析预测方法。     

中长期电力负荷预测中的新思路

随着电力市场改革的逐渐深入,对负荷预测的准确性要求更高。而负荷预测的方法也多种多样,这里介绍电力负荷预测技术的一些新的发展趋势。     

基于遗传算法的电力负荷预测

电力负荷预测在现代电力工业发展中占有很重要的地位,为了更准确的预测电力负荷,本文提出了一种新的基于遗传算法的电力负荷预测方法,简要的介绍了算法设计思路,并给出了相关的实验结果及其分析,最后通过实验说明了该算法的有效性。     

浅谈电力负荷预测技术

本文简述了电力系统负荷预测的概念和目的,介绍了负荷预测技术的分类和特点,综合分析了影响电力负荷预测准确率的重要因素,并比较了较为热门的电力系统负荷预测方法及其优缺点,最后对未来负荷预测技术做出了展望。     

短期电力负荷的混沌预测及其神经网络的实现

短期电力负荷预测是工程技术人员安排电力调度的重要依据．研究了利用混沌理论与RBF神经网络相结合实现短期电力负荷预测的方法．并用该方法预测湖南某地区的月负荷,预测的数据准确率较好,为短期电力负荷预测提供了一条新的途径．     

浅谈电力负荷预测的理论和方法

负荷预测在电力系统规划和运行方面发挥的重要作用,具有明显的经济效益,负荷预测实质上是对电力市场需求的预测。系统介绍和分析了各种负荷预测的方法及特点,并指出做好负荷预测已成为实现电力系统管理现代化的重要手段。     

浅谈如何提高县级供电企业负荷预测的准确性

针对县级供电企业没有建立电力负荷预测分析系统,负荷预测只能采用传统而简单的方法,预测结果准确性不高的现实状况,介绍提高负荷预测准确性的几点做法。     

电力系统负荷预测

负荷预测在电力系统规划和运行方面能发挥重要的作用，产生明显的经济效益，负荷预测实质上时对电力市场需求的预测。本文系统介绍和分析了负荷预测的基本概念、种类、和预测方法。     

基于RBF-ARX模型的短期电力负荷预测

为了提高短期电力负荷预测的精度,提出基于RBF-ARX模型的短期电力负荷循环预测法:将短期电力负荷预测看作非线性时间序列预测问题,并根据历史负荷数据建立电力负荷自回归预测模型(ARX模型),用RBF神经网络逼近ARX模型的参数,并用结构化非线性参数优化法(SNPOM)离线估计模型参数。用该方法对湖南某市电力负荷进行预测,将预测结果与实际负荷值进行比较,结果表明:基于RBF-ARX模型的短期电力负荷循环预测法精度高,可靠性强,具有很好的实用性。     

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。     

分时电价下电锅炉经济运行的BP网络负荷预测

随着我国电力需求侧管理(DSM)的日益深入和分时电价制度的日益完善,蓄热式电锅炉的应用将越来越广泛.利用人工神经网络的BP预测模型对蓄热式电锅炉供热系统进行了热负荷预测.并以某医院1 200kW蓄热式电锅炉优化运行的研究为例,得到了某日预测的逐时热负荷与实际热负荷的对比关系,预测值与实际值吻合良好.     

BP神经网络在电力系统短期负荷预测中的应用

电力系统短期负荷预测是电力生产部门的重要工作之一，本文利用BP神经网络进行电力系统短期负荷预测时，根据影响因素确定了模型构成，并对输入变量选择进行了讨论，典型算例的计算表明该方法是有效的。     

元胞自动机时空数据模型与预测方法

对标准元胞自动机(cellular automata,CA)模型进行扩展以满足具体行业地理信息系统(GIS)平台上时空动态模拟和预测应用要求。然后以电力行业配电网空间负荷预测为具体应用,建立起了土地利用演化动态模型与电力负荷空间预测之间关系,解决了时空数据管理中空间数据离散如何与属性数据进行交互问题。模拟出城市土地利用动态发展变化过程,预测出规划区域中的各划分小区土地的未来使用类型,建立起配电网空间负荷预测时空数据模型,突破了传统时空分离电力预测的预测方法的局限。最后通过一个配电网空间负荷预测实例验证了该方法有效性。     

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.     

灰色模型GM(1,1)在短期电力负荷预测中的应用

讨论了灰色模型GM（1，1）及其改进模型在短期电力负荷预测中的应用，提出了适合电网普通日及特殊日电力负荷预测的数据处理方法，提高了预测的精度。     

基于云计算和改进极限学习机的电网负荷预测

随着智能电网和通信技术的迅速发展,电网系统采集的用户数据规模呈指数增长,传统电网负荷预测方法难以满足海量负荷数据情形下的高效分析和计算需求。据此,依托电力系统数据采集云平台,提出一种基于云计算和改进极限学习机的电网负荷预测模型,采用Map-Reduce网络架构,部署于Hadoop平台,利用分布式计算方式进行电网负荷的精准建模和预测分析。结果表明,相比已有方法,本研究方法具有负荷预测精度高、运行速度快的优势,可为后续智能电网系统建设及管理运用提供一种新颖的解决思路。     

电力日负荷数据特征模式智能提取方法

电力负荷数据中可能包含各种坏数据,严重影响负荷预测精度,因此需要从这些合有噪声的日负荷数据中提取出负荷的特征模式,以便对负荷数据进行清洗．以软聚类思想为指导,通过模糊C均值聚类算法及Kohonen自组织特征映射神经网络的互补结合,提出了日负荷特征模式的智能提取方法,该方法不但具有辨识精度高、收敛速度快的优点,而且具有对数据的动态处理能力,为精确的负荷预测和准确的系统分析做好了数据上的准备,对重庆城区供电局负荷数据的实例分析说明了方法的高效性．     

基于云计算的智能电网负荷预测平台架构研究

提出一种基于云计算的智能电网负荷预测平台架构.深入地阐述了云计算关键技术、负荷预测云架构、云平台负荷预测服务等.采用Hadoop云计算技术,对负荷预测的资源调度和计算进行虚拟云计算仿真,验证了以电力私有云为基础建立的负荷预测机制更优良.同时在云平台负荷预测服务中引入多维多级协调优化机制,对原始预测结果进行修正与协调优化,显著地提升了基于云计算的智能电网负荷预测水平.由此搭建的平台架构将为智能电网负荷预测提供广阔的思路与有力的技术支持.