基于模糊层次分析的电力系统负荷预测的研究

电力负荷预测是电力系统规划的重要工作之一.本文提出一种改进的模糊层次分析法进行中长期负荷预测.利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.最后的仿真结果表明该方法相比传统方法能够更好应用于电网中长期电力负荷预测.     

基于BP神经网络的电力系统负荷预报

研究了基于BP网络在中电力负荷预测中的应用,通过神经网络对训练样本的学习,自动提取影响中长期电力负荷的诸多因素。从训练速度、预测误差等方面分析对比了两种神经网络预测能力,仿真和实例数据表明了两种神经网络在中长期电力负荷预测方面的可行性和良好效果。     

自适应滤波算法在电力系统短期负荷预测中的应用

文章认为相空间局域线性回归法是电力系统短期负荷预测混沌预测法中广泛使用的方法,在用线性最小二乘法估计局部线性化模型的参数时,往往由于病态的数据矩阵导致估计值对噪声过于敏感而变得不可信.针对这种情况应用最小均方误差准则和最陡下降原理提出了一种基于自适应滤波电力系统短期负荷预测算法,避免了病态矩阵的影响.实验结果表明该算法预测结果稳定、可靠.     

高维多参量特征的电力负载估计算法

采用最高气温、最低气温、平均气温以及降雨情况作为本地区电力系统中最主要的影响参数,基于SVM算法进行数据预测,将输入的参量数据映射到一个高维的特征空间中,对空间状态向量进行线性回归计算,得到参数向量与电力负荷关系,得出电力预期负荷。仿真实验表明算法能最小化经验风险,结合多参量特征数据挖掘算法在多维数据空间中计算的优势,降低SVM算法的计算时间,预测误差是小于1%,完全达到了准确预测的要求,在电力负荷预测和管理领域具有广泛的应用前景。     

智能计算的配电网负荷预测方法研究

电力调度和运营部门比较重要的一个工作就是配电网的短期负荷预测,预测精度与电力的正常运行有着十分密切的关系,高精度的预测对于供电的质量和用电的安全性和经济性十分必要。配电网规划的基础和前提是中长期的负荷预测,负荷预测的正确与否与规划方案的质量和水平有十分直接的关系。负荷预测在配电网的规划中是非常重要的,现代电力系统管理的重要内容也是负荷的预测。     

饱和年电力负荷预测方法研究

在总结多种电力负荷预测方法的基础上,选取负荷密度法对广州市白云区饱和年远景年电力负荷进行预测。并采用综合用电水平法、电力弹性系数法、回归分析法和横向类比法四种方法对负荷预测结果进行补充和校验,保证预测结果的准确性和可靠性,探索了一套切实可行的远景年负荷预测方法。     

基于逐步回归-灰色预测的中长期电力需求预测

随着电力市场的发展,中长期电力需求预测的重要性日益显现,准确的电力需求预测不仅可以保证电网安全稳定运行,而且是社会经济高效发展的基础。在本文中应用逐步回归法对历史数据进行分析计算,得出社会用电量的线性回归方程,进而灰色预测法对线性回归方程中的自变量进行预测,进而带入线性回归方程得到预测结果。最后对某地2020-2025年的电力需求做预测,总体趋势显示我国的电力需求在未来几年将会稳步增长。     

基于极限学习机的分布式电力负荷预测

现代电力负荷数据以海量形式存在,传统单机模式无法满足电力负荷在线预测效果的要求。为了改善大规模电力负荷数据的预测效果,设计了基于极限学习机的分布式电力负荷预测模型。首先提取电力负荷数据,通过混沌理论的相空间重构方法对电力负荷数据进行预处理,产生电力负荷数据预测建模样本,然后将电力负荷数据预测建模样本细分成为多个子样本,通过云计算集群系统的分布式方式并行实现子样本建模,每一个小样本通过极限学习机进行建模和预测,最后采用具体电力负荷数据进行了仿真测试实例研究,测试结果表明,本文模型加快了大规模电力负荷数据建模速度,可以足电力负荷在线预测效果,而且电力负荷预测精度要明显优于当前其它电力负荷预测模型。     

电力市场环境下的负荷预测分析与展望

在阐述负荷预测的分类、负荷模型的基础上分析了负荷预测的基本方法,论述了预测方法程度优缺点及其适用范围。最后在电力市场环境下分析了负荷预测的影响因素,并对电力市场环境下的负荷预测技术做了展望。     

PSO-LSSVM的电力负荷预测研究

对影响电力负荷因素之间的非线性,有效提高电力负荷的预测精度,本文提出了一种最小二乘支持向量机(LSSVM)和粒子群优化技术(PSO)相结合的电力负荷预测方法。以历史负荷数据气象因素等作为输入,建立预测模型,对未来时刻电力负荷进行预测。该模型利用结构风险最小化原则代替传统的经验风险最小化,以充分挖掘原始数据的信息,并采用粒子群优化算法来优化最小二乘支持向量机的参数,旨在提高预测模型的训练预测精度。实际算例表明,使用PSO-LSSVM方法进行电力负荷预测,具有良好的可行性和有效性,与BP神经网络和LSSVM方法的预测结果相比,所提出的PSO-LSSVM模型预测平均误差仅为0.85%,具有更高的精度,适用于电力负荷预测。     

云贵两省的电力负荷预测及分析

本文在分析经济发展状况的基础上,运用了电力负荷预测中的灰色系统理论预测法、一元回归预测法和指数回归预测法对云南、贵州两省进行了其2006-2010这五年的用电量分析,目的是为今后的电力发展规划提供些许重要的信息。     

基于耿色等维新信息GM（1，1）模型的电力负荷预测

根据电力负荷的特性,将灰色等维新信息GM（1,1）模型的建模方法引入到电力负荷的预测中,建立相应的预测模型。并建立起一套系统的电力负荷预测方法,为城市电力资源规划提供决策参考,具有理论和实践意义。     

基于灰色等维新信息GM(1,1)模型的电力负荷预测

根据电力负荷的特性,将灰色等维新信息GM(1,l)模型的建模方法引入到电力负荷的预测中,建立相应的预测模型。并建立起一套系统的电力负荷预测方法,为城市电力资源规划提供决策参考,具有理论和实践意义。     

关于灰色线性回归组合的煤矿百万吨死亡率预测研究

灰色线性回归组合克服了GM(1,1)模型和线性回归模型的缺点和不足,本文系统地推导了灰色线性回归组合模型,通过此模型对我国煤矿百万吨死亡率进行预测,结果表明该模型基本正确,预测精度可靠,能够为煤矿安全生产提供理论依据。     

基于高维数据和深度学习的短期电力负荷预测

精确高效的短期电力负荷预测在现代化电网建设和资源分配上具有重要的作用和研究意义.随着水电、风电等新能源逐渐接入,电网中数据维度飞速增长,面对具有海量特征的高维数据,短期电力负荷预测技术面临着重大的挑战.传统的短期电力负荷预测技术仅关注了某些特定的特征,因此很难对电力负荷数据在时间维度进行建模;基于循环神经网路的方法虽然能够关注数据中的历史信息,但是因为数据维度过高,导致重要信息丢失、模型无法收敛.为了解决这一问题,提出了一种基于注意力机制的长短期记忆模型(Attention-LSTM),算法使用卷积神经网络从电网高维数据中提取特征,然后使用LSTM对特征进行时序建模;同时引入Attention机制来对历史信息进行加权,减少重要历史信息的丢失.算法在中国东南某地区电力负荷数据上进行测试,预测精度明显优于目前常用的方法.     

一种基于改进GM(1,1)模型的短期电力负荷预测算法研究

针对已有GM(1,1)灰色预测模型在数据波动、突变、转折等不确定情况下预测精度较差的问题,本文提出一种基于关联系数分析的分段多方案优选组合短期电力负荷预测模型.基于GM(1,1)模型在平滑上升和下降区段预测效果好、而一天的用电负荷可划分为几个峰谷区段的特点,通过对预测日的灰关联分段和优选组合,避免由于初始条件选择不当而将误差引入模型并随之被逐步放大的风险;同时,通过组合不同角度GM(1,1)模型,解决负荷的多因素影响.经南方电网广西贵港市实际工程验证,本模型预测平均误差在3%左右,预测精度有明显的提高,完全可满足该地区短期电力负荷预测的实际要求.     

基于产业结构的天津市从业人员规模预测分析

调整高等教育专业结构与产业结构、人口职业结构的关系,是解决结构性失业的重要手段。本文以第一产业从业人员规模预测为例,借助灰色关联分析确定与目标因素关联程度较高的若干关键因素,选择神经网络模型和线性回归模型建立预测模型,利用天津市2006-2015年相关数据,对天津市第一产业从业人员数量进行中长期预测,从产业发展需求角度对高等教育专业结构提供参考。预测结果与现有数据发展趋势基本吻合。     

准确把握电力负荷发展规律切实做好电力负荷预测工作

基于电力负荷预测的方法,综合分析了经济发展水平、人民生活水平、电力消费结构和气温气候等主要因素对电力负荷预测的影响。结合新疆电力负荷预测的特点,提出做好新疆电力负荷N~,l-z-作的几点建议。为避免因电力负荷预测误差过大造成严重后果,准确把握电力负荷发展规律,提高电力负荷预测准确率水平,提升电力负荷预测的专,Jk4Jc水平,本文在基础数据准确性、数据库完备性、降低大用户电力负荷波动影响和完善电力负荷预测管理水平等方面进行了详细的阐述。     

考虑经济周期影响的中长期电力需求分析与预测

社会的电力需求与经济的波动状况有直接的联系,一般来说,随着我国社会经济的高速发展,社会短期的电力需求也会随之上升,但是要知道中长期的电力需要进行详细的分析研究.本文就根据我国某地级市的电力分析,结合我国的经济周期的变化特征以及对未来经济的走向预测,对该市中长期的电力需求进行合理的分析和预测.     

探讨电力统计分析与预测

电力预测包括电力负荷预测、电力故障预测、电力人才市场预测、电力供求关系预测、电力生产预测、煤电供求比预测等诸多方面,其中电力负荷预测是电力预测中非常重要的组成部分。本文就电力负荷预测的方法、实证和干扰分析做出了系统的归纳。