灰色理论在短期电力负荷预测中的应用

讨论了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BP神经网络的智能电网短期电力负荷预测

当前现有预测方法对智能电网短期时间内的电力负荷预测存在预测精度低、预测精度受气象条件变化影响等问题,现引入BP神经网络研究智能电网短期电力负荷预测方法：获取智能电网历史运行数据,对数据进行预处理,对样本进行归一化处理;利用BP神经网络构建电力负荷预测模型;建立模型训练网络拓扑结构,训练模型预测性能;完成电网短期电力负荷预测,并在考虑气象因素的情况下对预测进行补偿,得到预测结果。实验证明：新的预测方法在实际应用中预测精度更高,且预测精度不会受到气象条件的影响。     

电力负荷预测技术研究

电力负荷预测是电力部门的一项重要工作,是城市电网规划中的基础性工作,为电网规划提供了必不可少的基础数据.文章对电力负荷预测技术的分类和特点进行了研究和阐述.     

两种短期电力负荷预测模型的比较

负荷预测是电力系统规划、计划、用电、调度等部门的基础工作,电力负荷是影响电网寿命和可靠度的一个重要因素。结合某省电网近五年来总电力负荷数据,对电力负荷数据进行分析与预处理,分别运用ARIMA模型与灰色GM（1,1）模型针对该省的电力总负荷分别做未来3天和10天两种情况下的短期预测,重点比较了所用两种方法的优缺点和精准度,得到3天的预测精度上GM（1,1）模型效果高于ARIMA模型,10天的预测精度上ARIMA模型相对较好。     

基于优选组合预测模型的中长期负荷预测

电力系统负荷预测是电力市场的基础,准确的负荷预测有利于提高电网运行的安全稳定性,从而提高电力系统的经济效益和社会效益。文章介绍了用于中长期负荷预测的灰色理论模型以及灰色等维新息模型、弹性系数法与非线性回归中的指数预测模型,提出了电力系统中长期负荷预测的实用新方法——优选组合预测模型。结果表明,优选组合预测模型对于电力系统中长期负荷预测这样复杂的问题,具有预测精度高,简捷实用等优点,该方法可以作为中长期负荷预测的工具之一。     

基于神经网络的电力负荷预测系统设计

应用RBF(Radial Basis Function, 径向基函数)人工神经网络进行电力系统短期负荷预测.考虑了天气、经济、节假日等因素对电网负荷的影响,将负荷按照每周各日分类,共七种模式,学习样本选取每周中的相同类型日.在预测前还对原始数据中的伪数据进行剔除,提高了预测的精确度.利用从湖南省双峰电力局收集到的负荷数据进行网络模型的训练,所得结果表明了RBF网络对于负荷预测是有效性的.     

某工业园区目标网架结构规划探讨

为实现双碳目标,配电网需要进行目标网架结构规划.本文根据近期负荷预测和饱和负荷预测得到的结果,结合上级电网的站点布置规划,对某工业园区进行电力平衡分析,结果表明:该工业园区容载比符合电力平衡的要求.根据目标网架的要求,对该工业园区进行了目标网架结构规划,最后通过典型案例印证了目标网架结构规划方案的可行性.     

基于下级负荷预测的短期负荷预测新算法

省级电网企业要求下级电网企业(地市公司)对辖区内的网供负荷进行预测。下级单位的负荷预测含有该区域内较多的信息,充分利用下级单位的负荷预测结果,可以提高短期负荷的预测精度。针对在利用下级单位负荷预测结果时统计口径不一致的问题,提出了利用下级单位负荷预测结果提高省级电网负荷预测精度的具体方法。算例表明,提出的方法是有效可行的。     

大数据技术在电力系统负荷预测中的应用进展

介绍了大数据技术在电力系统负荷预测中的应用,研究了电力负荷预测的方法、大数据在电力系统负荷预测的应用领域及其关键技术.通过阐述电力系统负荷预测的2种常见方式,对比了现有的3种电力负荷预测的方法,体现了智能预测方法在非线性处理领域的优势.在电力系统负荷预测的应用领域,电力大数据涉及集成管理、数据分析、数据处理与数据展示等关键技术.引入大数据技术来完成电力系统负荷预测,能够有效增加预测精度与速度,有助于稳定性与经济性的提升.     

改进的分区空间负荷预测方法及其在安吉电网规划中的应用

分区空间负荷预测是对负荷的地理位置分布、时间和数量进行预测的一种方法,它是电网规划设计的基础,其准确性决定了电网规划方案的可操作性和适应性.与传统的分区空间负荷预测方法相比,改进的分区空间负荷预测从基本的小区块入手,调查、收集潜在增长负荷,详细计算出各小区块的负荷大小,可以方便地找出规划区内新的负荷增长点,对电网规划具有较强的指导意义.     

基于RBF神经网络的电力系统短期负荷预测

电力负荷预测一直是电力系统的重要研究课题。在考虑天气状况因素的前提下,通过MATLAB软件实验平台,构建了一个RBF神经网络模型,并用历史电力负荷数据进行训练,成功的进行了电力系统的短期负荷预测,预测结果误差比较小,结果令人满意,证明了RBF神经网络在电力短期负荷预测领域的有效性和可行性。     

基于组合模型的短期电力负荷预测研究

为了提高短期电力负荷的预测精度,提出了一种短期电力负荷预测模型。该模型包括蚁群算法优化的BP神经网络模型和灰色理论模型。蚁群算法优化的BP神经网络可以提高BP神经网络预测精度和收敛速度,灰色理论削弱了数据自身的随机性。结合两者优点,根据电力负荷的数据特征和两种子模型的预测误差,得出其在组合模型中所占权重,然后得到基于组合模型的预测值。应用组合模型对河南省某地区进行短期电力负荷预测,结果表明该方法比单个模型预测精度更高,能有效预测短期电力负荷。     

基于模糊集的BP网络在电力短期负荷预测中的应用

在电力行业,预测电力短期负荷是一项重要的工作,准确预测电力负荷是实现电力管理现代化的重要内容之一.该文分析了基于模糊集的BP人工神经网络模型,并运用它来预测电力短期负荷.通过算例研究,证实了模型的准确性与可靠性,能较好地满足生产实践的要求.     

负荷预测准确率影响因素的分析

根据近几年赣州电网负荷预测工作情况,就影响负荷预测准确率的因素进行了分析,对提高负荷预测准确率指标提出了具体措施和对策。     

用电负荷预测方法在南通地区负荷预测中的应用比较

简述中长期负荷预测基本理论和方法，结合南通电网进行了实例预测，在此基础上分析比较了各预测方法的优缺点，提出现阶段及将来适合南通地区的预测方法。     

社会总用电量混沌全域法预测

社会总用电量预报是电力系统的重要工作之一,社会总用电量为非线性时间序列．针对电力系统负荷的复杂性及非线性,提出了结合混沌理论的思想,充分利用数据信息,在重构电力负荷相空间的基础上运用混沌全域法对负荷进行预测,并与最小二乘法预测模型预测结果进行比较,结果显示混沌全域法预测结果明显优于最小二乘法预测模型,预测精度也满足工程应用．     

基于QPSO-LSTM的短期风电负荷预测模型

准确的风电预测可以提高电网的稳定性和可靠性,优化风电发电计划,降低能源成本。为了提高短期电力负荷预测的精度,文章探讨了一种基于QPSO算法对LSTM神经网络进行优化的算法,并根据LSTM神经网络以及QPSO算法的基本原理,利用QPSO算法对LSTM的超参数及网络拓扑结构进行优化,建立QPSO-LSTM短期风电负荷预测模型。仿真结果表明,QPSO-LSTM模型较传统的LSTM模型预测精度更高,且具有更快的收敛速度。     

基于MEEMD加窗改进方法与GRNN组合的电力负荷预测

针对电力负荷序列不稳定性、随机性等特点引起的电力负荷预测精度下降等问题,提出MEEMD加窗改进方法和GRNN组合的短期电力负荷预测模型。利用GRNN神经网络延拓方法对原始信号两端数据进行延拓,用余弦窗函数对延拓数据加窗处理后再进行MEEMD分解,用神经网络对各分量趋势进行预测,叠加各分量的预测结果得到负荷序列的最终预测结果。实验结果表明,MEEMD加窗改进分解预测的平均绝对误差、平均绝对值百分比误差和均方根误差分别为73.926 8、0.818 0%和82.930 1。基于MEEMD加窗改进方法和GRNN组合的电力负荷预测不仅能抑制端点效应,而且能解决模态混叠和伪分解问题,提高了短期电力负荷的预测精度。     

基于相似日和PSO-LightGBM的超短期电力负荷预测方法

为提高超短期电力负荷预测的准确度,提出一种基于相似日和粒子群算法——轻量梯度提升机的超短期电力负荷预测方法.对初始数据集进行特征构建,并利用灰色关联法筛选出与待预测日关联度较高的历史日.使用粒子群优化算法对LightGBM算法进行参数寻优,构造PSO-LightGBM负荷预测模型.实验分析表明,相较于传统预测方法,该方法提高了电力负荷预测的精度,为电力系统稳定运行提供了保障.     

负荷预测中相似日和影响因素的选择研究

随着经济的不断发展,用电量的急剧增加,短期预测成为各个供电部门一个不可或缺的部分。电力负荷受多种因素影响,针对短期负荷预测,提出一种考虑各种影响因素的新算法,该方法首先利用模糊C均值聚类方法对历史样本进行聚类,依据输入样本的相似度选取训练样本,然后在选取的样本上,利用遗传算法实现负荷影响因素的提取和支持向量机参数的选择,最后利用支持向量机建立预测模型。采用上述方法对河南电网负荷进行了预测分析,结果证明了该方法的有效性。