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.     

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.     

电力负荷中期预测方法

本主要叙述了电力负荷中期预测中两种重要的方法：一元线性回归法和灰色预测法。简要介绍了根据历史数据进行预测的数学模型和过程，并指出了各自的特点及一些改进的方法。     

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。     

基于层次分析法的电力负荷组合预测

为提高电力系统负荷预测的预测精度,提出了一种基于层次分析法的中长期负荷预测组合预测的方法,依据层析分析法中要素权重求取原则,建立了阶梯层次结构,构建两两比较矩阵,分层次对权向量取值,实现了中长期负荷组合预测下各单一负荷预测的总权重的求取,提高了权重求解的准确性;利用组合预测的原理,按照层次分析法中求解出的权重系数,将多个预测模型的预测结果进行拟合,得到组合预测的结果,从而有效减小单一负荷预测中不确定性因素带来的误差,规避各单一预测方法的不足,减少单一负荷预测对电力系统负荷预测的预测风险,提高预测精度。最后利用某县2005-2010年的除大用户用电负荷作为算例进行实例分析并证实了所提方法的科学性、实用性。     

基于 DPSO-BP 网络模型的短期电力负荷预测

为准确、快速、高效地预测电网短期负荷,提出改进的粒子群算法(DPSO),并与BP算法相结合,形成改进的粒子群—BP(DPSO-BP)神经网络算法,用此算法训练神经网络,实现神经网络参数优化,得到基于DPSO-BP算法的神经网络模型.算例分析表明,与传统BP神经网络法和PSO-BP神经网络方法相比,该方法改善BP神经网络的泛化能力,预测精度高,收敛速度快,对电力系统短期负荷具有良好的预测能力     

一种使用混沌神经网络的电力负荷预测方法

本文对实际电力月负荷数据进行预处理,将其分为趋势序列和剩余序列两部分。计算剩余序列的最大Lyapunov指数、延迟时间等参数,发现其混沌特征。提出了一种使用混沌BP神经网络的电力月负荷预测方法。根据历史负荷序列预处理和Lyapunov指数估算,确定了网络的训练样本和网络参数,通过对实际电力负荷进行预测,结果显示该方法具有一定的可行性。     

普通日短期电力负荷预测的一种方法

电力负荷预测对电网的经济调度运行及电网的科学发展和合理规划可提供有力的科学依据．文中讨论了时间序列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电力负荷预测的数据处理方法，达到了一定的预测精度．     

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。     

基于同类型日思路的节假日电力负荷预测方法

针对节假日负荷预测的特点,从同类型日与基准日的选择思路进行了分析,并据此提供了相应的实用预测方法,使预测较为准确,为电力行业从事预测的人员提供算法参考。     

山西电网节假日短期负荷预测研究与分析

在对短期负荷预测的方法进行了研究、比较后,提出了几种提高预测精度的办法。实际应用于山西电网2006年春节假日短期负荷预测,结果表明该方法实用、有效。     

基于粒子群优化RP网络短期电力负荷预测方法

针对常规BP网络收敛速度慢,易陷入局部极小值等问题,采用L—M算法对网络进行训练,利用改进粒子群算法优化BP网络初始权值和阈值。将该方法应用在南方某市短期电网负荷预测中,预测结果表明,相较于常规BP网络、L—M算法改进预测模型,该预测算法在预测结果精度和速度上均有较大幅度提高。     

基于改进BP神经网络的供热负荷预测模型

为在自然环境条件下对供热负荷进行较为准确的预测,分析了对供热负荷产生影响的自然因素,利用回归分析法建立负荷预测模型。在误差较大情况下提出利用神经网络法建模,采用差分进化算法对神经网络的阈值和权值进行优化。使用经过优化的神经网络进行负荷预测,在MATLAB环境下进行仿真。仿真结果表明,采用该方法可得到更为准确的供热负荷预测模型,对供热站节能运行有一定意义。     

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.     

基于PSO的电力系统环境经济负荷调度

针对基于线性加权和处理成单目标优化问题的传统方法存在的缺陷,提出使用粒子群优化算法求解EELD多目标优化问题。该方法通过对粒子群算法个体极值和全局极值选取方式的改进,实现了对EELD多目标优化问题的非劣最优解集的搜索,为决策者提供了丰富的参考信息。在此基础上,应用模糊满意度方法求出的最优折衷解为调度运行人员提供了最佳调度折衷方案。最后,对一个三机系统进行了测试,并与线性加权人工神经网络法进行了比较分析,仿真结果验证了该方法的有效性。     

负荷不确定性的配电网无功规划优化

提出一种考虑负荷不确定性的配电网无功规划优化的方法。该方法把不确定负荷表示成模糊数的形式并通过拟合误差服从正态分布来求取模糊集合参数;然后建立无功规划优化的模型。并采用模糊分析法,使模糊负荷能运用到求解模型中去;最后采用改进的二进制粒子群算法来求解无功优化模型。算例分析证明了此方法的有效性。     

硅太阳能电池输出功率与负载匹配特性

硅太阳能电池输出功率易受外界环境的影响,当负载变化时,其输出功率不能达到最优输出状态.为提高太阳能电池的利用率,实现硅电池输出功率和负载之间最佳匹配,对太阳能电池的输出功率特性进行了测试.试验中,设置一定的温度范围,通过改变负载的大小,测试负载对硅太阳能电池输出功率及其有用功率的影响,并通过Origin软件对试验数据进行拟合处理.结果表明,负载约为1.3 kΩ时,硅太阳能电池输出功率最大;1.5 kΩ左右时,硅太阳能电池输出功率稳定;负载约为1.65 kΩ时,硅太阳能电池的功率因素最大.