中长期负荷预测

摘要： 由于时间跨度大并受多种复杂因素影响,电力系统中长期负荷预测需要从大量数据中挖掘负荷特性及影响因素,实际应用中常常面临数据不足的问题。提出基于迁移学习的中长期负荷预测以降低样本不足对预测精度的影响,模型将源地区电力负荷及社会经济因素数据样本进行迁移以扩充目标地区数据集,通过隐变量描述不同源地区的特征,继而对目标地区和源地区建立集成模型进行预测。通过实际算例进行验证,所提出的模型能有效降低中长期负荷预测的误差。

摘要： 针对新建小区没有任何历史负荷数据的难点,提出了基于相似小区特征进行数据迁移的门控循环单元负荷预测算法,实现对新建小区负荷的预测。首先,利用迁移学习的思想迁移出与新建小区特征高度相似的数据信息,及预测模型参数;其次,利用特征数据集作为训练集完成极端梯度增强算法回归模型的训练;然后,采用门控循环单元神经网络对训练样本集进行建模,当模型达到预测精度时,从而完成蕴含时序关系的新建设小区的中长期负荷预测。最后,以连云港某小区为例,得到了该小区在2020年1月-2022年11月时间段内的负荷预测结果,以验证所建立的蕴含时序关系的中长期负荷预测模型的有效性。

摘要： 当前我国电力负荷统计数据量不断快速增长,大量负荷数据的处理过程中的效率不高,耗费的时间相对太长,以及电力长期负荷数据预测处理精度较低,得到的数据结果不能很好地进行计算和处理存储。基于此,本章着重探究了利用大数据分析在电力市场中长期用电负荷数值预报的问题,并想方设法予以保证进行科学合理的电力负荷运行预测研究。

摘要： 配电台区的负荷预测是台区配电扩容规划的基础工作。但受到配电台区统计数据种类单一、数据质量差甚至无法获取等因素的影响,配电台区的负荷预测存在精度低、预测模型复杂等问题。根据台区配电负荷日峰值数据表现出的周期性和渐变性,建立基于温度-负荷回归模型残差的ARIMA模型的台区配变负荷峰值预测方法。建立温度-负荷回归模型,以日最高气温为自变量,对负荷数据进行回归分析,将回归分析得到的数值与真实数据进行比较得到回归残差,建立回归模型残差序列的ARIMA模型,并进行参数估计计算,即可得到待预测日负荷预测值。预测误差率的分析结果显示,本方法的预测结果精度好,准确性高。该方法克服了台区配电负荷影响因素繁杂、差异性大、难以量化的困难,具有很强的实践性,易于推广。

摘要： 中长期负荷预测一直以来都是电力系统的重要工作之一,是实现电网经济运行的前提和基础,确定性的电力负荷预测为电力工程建设提供最有力的数据支持.基于灰色系统理论的中长期负荷预测模型是一类应用理论比较广泛的中长期负荷预测方法.通过基于灰色系统理论的中长期负荷预测模型的构建,结合具体算法实例,探究了常规灰色系统法与灰色马卡可夫预测法的实用效果,展现了基于灰色系统理论的中长期负荷预测的应用前景.

摘要： 配电台区的负荷预测是台区配电扩容规划的基础工作.但受到配电台区统计数据种类单一、数据质量差甚至无法获取等因素的影响,配电台区的负荷预测存在精度低、预测模型复杂等问题.根据台区配电负荷日峰值数据表现出的周期性和渐变性,建立基于温度-负荷回归模型残差的ARIMA模型的台区配变负荷峰值预测方法.建立温度-负荷回归模型,以日最高气温为自变量,对负荷数据进行回归分析,将回归分析得到的数值与真实数据进行比较得到回归残差,建立回归模型残差序列的ARIMA模型,并进行参数估计计算,即可得到待预测日负荷预测值.预测误差率的分析结果显示,本方法的预测结果精度好,准确性高.该方法克服了台区配电负荷影响因素繁杂、差异性大、难以量化的困难,具有很强的实践性,易于推广.

摘要： 基于中长期电力负荷预测受诸多不确定因素的影响,结合广东省博罗县电力负荷的发展情况,建立了一种基于灰色系统理论的中长期负荷组合预测模型,旨在提高博罗电力负荷预测的准确度.对传统灰色预测模型进行了改进,引入二次指数平滑法对原始数据进行修正,构造一个新的样本序列,并构建灰色等维新息预测模型.然后将改进后的GM(1,1)模型与一元二次回归模型进行线性组合,该预测模型精度高,其结果对博罗电力生产实际具有指导意义.

摘要： 提高中长期负荷预测精度对电力系统规划起着重要作用.遗传算法是一种模拟生物进化的智能算法,通过设置合适的适应度函数使种群朝最优解进化.通过改进遗传算法建立优化模型,与多元回归分析结果对比,验证优化模型具有更高拟合精度和更准确的预测结果.

摘要： 本文在探讨了电力系统负荷的组成、特点,并分析比较了常用的预测方法的优缺点的基础之上,首先运用单一预测方法对中长期负荷进行预测和分析,然后提出多种非线性方法组合的方法,最后采用灰色预测法与线性回归法相组合的方法建立了中长期负荷预测模型.在提出预测模型的基础之上,对某地区进行了中长期电力负荷预测,验证了这两种组合负荷预测模型的可行性和正确性.

摘要： 电力系统中长期负荷预测受大量不确定因素的影响，聚类方法能够将各种影响因素综合引入预测模型，提高了预测精度。本文将神经网络引入到模糊聚类分析中，建立了中长期负荷预测的新方法，并且对聚类神经网络的学习算法进行了改进，利用模糊竞争学习完成网络运算，弥补了网络输出结果二值性的不足,使得学习规则中权值矩阵的改变速度加快，因而算法的收敛速度有很大提高。运用所述模型及算法综合考虑了历史负荷情况和未来不确定因素等对未来负荷变化的影响。通过与传统方法进行中长期负荷预测比较，结果表明该方法可以提高负荷预测的精度。

摘要： 本文提出一种中长期负荷预测的新方法。对于年最大负荷预测，本文将ACO 聚类算法与RBF 神经网络结合，运用ACO 算法将N个样本聚集成K类，得到最优聚类中心位置，并与递推最小二乘法结合，形成一种新型RBF 神经网络；对于典型日负荷曲线预测，本文对历史典型日负荷曲线进行ACO 聚类分析，计算预测日所属类整点时刻负荷增长率，从而得到预测日负荷曲线。采用某电网实际数据，本文建立的年最大负荷预测模型和典型日负荷曲线预测模型，预测精度较高，计算简便。

摘要： 为了更方便、快捷、准确地进行中长期负荷预测，开发了基于Windows 的电力系统中长期负荷预测软件。软件采用面向对象程序设计方法，使系统易扩充、易维护，主要功能包括电量预测、负荷预测以及饱和负荷预测等。该软件除具有一般负荷预测软件所具有的计算快速、模型库丰富等特点之外，还有原始数据输入方便、模型库易于扩充以及具备饱和负荷预测等独特的地方。文中通过以华东某地区的供电量预测为例，表明该软件使用方便、功能能满足实际使用的需求，预测精度能够满足电力负荷预测的精度要求，并解决了当前电力系统中一些负荷预测软件可操作性不强、模型库扩充不方便等问题。

摘要： 电力负荷预测是城网规划中的一项基础而又重要的工作。如何提高负荷预测的准确性对城市配电网的规划与建设意义重大。由于电力负荷受各种不确定因素的影响较大，本文采用粗糙集理论对影响负荷的不确定因素进行约简，找到影响负荷的主要的因素；并以这些因素为距离坐标对历史数据进行聚类，通过找到与预测年距离最近的类来进行负荷预测。实际算例结果说明了本方法的有效性。

摘要： 根据电力系统中长期负荷的特点，提出了一种基于主成分分析法的预测方法，通过对影响电力负荷的相关因素进行主成分分析，减少负荷预测系统的输入量，可以提高系统预测的效率。算例表明所提出方法是有效的和可行的。

摘要： 针对中长期电力负荷预测中观测数据及负荷变化规律的模糊性,采用模糊集合论中三角模糊数的概念对传统的负荷线性回归预测模型进行了改进.此方法通过建立具有模糊回归参数和模糊相关变量的回归模型,由模糊观测数据预测出未来负荷值.文中通过算例验证了改进的负荷预测模型更加适用于中长期电力负荷预测.

摘要： 针对中长期电力负荷预测中观测数据及负荷变化规律的模糊性,采用模糊集合论中三角模糊数的概念对传统的负荷线性回归预测模型进行了改进.此方法通过建立具有模糊回归参数和模糊相关变量的回归模型,由模糊观测数据预测出未来负荷值.文中通过算例验证了改进的负荷预测模型更加适用于中长期电力负荷预测.

摘要： 针对中长期电力负荷预测中观测数据及负荷变化规律的模糊性,采用模糊集合论中三角模糊数的概念对传统的负荷线性回归预测模型进行了改进.此方法通过建立具有模糊回归参数和模糊相关变量的回归模型,由模糊观测数据预测出未来负荷值.文中通过算例验证了改进的负荷预测模型更加适用于中长期电力负荷预测.

摘要： 本发明提供一种基于对数负荷密度增长曲线的中长期电力负荷预测方法，其根据负荷增长和负荷饱和度有一定关系，以及中长期电力负荷具有非线性、时变性和不确定性等特点，针对于某类功能小区基于负荷增长率曲线来求取负荷密度指标值，可以在负荷的不同发展阶段，根据给定的负荷对数增长率曲线，实现在不同负荷密度阶段负荷有不同的增长率，从而实现更为复杂的负荷增长曲线预测，提高负荷预测的精度和速度。本发明不仅可用于整体负荷预测，还可用于空间负荷预测的各个区块负荷预测。

摘要： 本发明提出了中长期径流的预报因子识别方法、中长期径流的预测方法。该中长期径流的预报因子的识别方法包括：(1)标准化处理；(2)设定预见期，将一系列不同滞后期的标准化后的径流序列Q和气候因子集序列F组成的备选预报因子集合X，并将对应标准化后的径流序列Q作为Lasso回归中的集合Y；(3)给定一个参数λ，交叉验证并计算出预报集合Y’，将集合Y’与集合Y进行对比获得参数λ的第一评价指标；(4)选取M个不同的参数λ，对其第一评价指标进行归一化处理并对其结果相加作为评分；(5)统计每个参数λ的总评分，选出总评分最高的参数λ作为最优参数；(6)根据最优参数在步骤(3)中获得的各个气候因子的回归系数，非零的回归系数对应的气候因子被识别为预报因子。

摘要： 本发明提供一种基于对数负荷密度增长曲线的中长期电力负荷预测方法，其根据负荷增长和负荷饱和度有一定关系，以及中长期电力负荷具有非线性、时变性和不确定性等特点，针对于某类功能小区基于负荷增长率曲线来求取负荷密度指标值，可以在负荷的不同发展阶段，根据给定的负荷对数增长率曲线，实现在不同负荷密度阶段负荷有不同的增长率，从而实现更为复杂的负荷增长曲线预测，提高负荷预测的精度和速度。本发明不仅可用于整体负荷预测，还可用于空间负荷预测的各个区块负荷预测。

摘要： 本发明提出了中长期径流的预报因子识别方法、中长期径流的预测方法。该中长期径流的预报因子的识别方法包括：(1)标准化处理；(2)设定预见期，将一系列不同滞后期的标准化后的径流序列Q和气候因子集序列F组成的备选预报因子集合X，并将对应标准化后的径流序列Q作为Lasso回归中的集合Y；(3)给定一个参数λ，交叉验证并计算出预报集合Y’，将集合Y’与集合Y进行对比获得参数λ的第一评价指标；(4)选取M个不同的参数λ，对其第一评价指标进行归一化处理并对其结果相加作为评分；(5)统计每个参数λ的总评分，选出总评分最高的参数λ作为最优参数；(6)根据最优参数在步骤(3)中获得的各个气候因子的回归系数，非零的回归系数对应的气候因子被识别为预报因子。

摘要： 本发明公开一种基于改进灰色预测模型的电力负荷中长期预测方法。为了解决固定模型预测时变系统容易出现较大误差的问题，提出模型更新算法，即采用将移动窗算法与传统灰色预测模型相结合的方法。通过在建模序列中删除一部分旧数据、纳入一部分新数据的方式递推更新预测模型，并分解数学模型所涉及的关键量a&b而简化递推数学公式；讨论移动窗长度对建模精度的影响。

摘要： 本发明公开一种综合能源系统多元负荷中长期预测方法及装置，方法包括初始化神经网络；样本分类；将所述输入样本输入至神经网络，输出训练预测数据，并计算所述训练预测数据与多元负荷的历史负荷数据之间的误差，使得到误差结果；根据获取的误差结果，基于采用改进的蜜蜂交配优化算法修正神经网络中的最优网络权重和小波参数；对神经网络中的最优网络权重和小波参数进行迭代修正，直至获取的误差结果小于预设阈值；将获取的多元负荷需求的实时影响因素输入至神经网络中，基于迭代修正后的最优网络权重和小波参数，输出实时多元负荷预测结果。在对现有方法进行改进的基础上，采用纵横交叉变异的方法进行蜂群的基因交叉，以提升算法的性能。

摘要： 本发明公开了一种中长期电力负荷预测方法，包括获取电力负荷历史数据；构建电力负荷数据集；基于XGBoost集成学习模型构建中长期电力负荷初步预测器；采用电力负荷数据集训练和测试中长期电力负荷初步预测器并得到电力负荷预测模型和电力负荷预测误差库；采用核密度估计算法对电力负荷预测误差库建模得到电力负荷预测误差的累积概率分布和电力负荷预测误差区间；将预测日前若干时间的电力负荷数据输入电力负荷预测模型中得到负荷预测值，并结合电力负荷预测误差区间得到最终的预测日的电力负荷预测结果。本发明方法的样本依赖性低，提升了预测模型的精度，避免了建立复杂的数学模型，而且电力负荷的拟合能力好，更加准确可靠。

摘要： 本发明提供一种基于不确定负荷高渗透的中长期负荷预测方法，包括如下步骤：S1.利用灰色系统理论的微分方程模型对电力负荷变化趋势进行预测；S2.引入地理信息系统GIS，并采用分类分区法对规划年份供电区域上的负荷大小以及负荷位置进行预测；S3.利用深度神经网络算法对历史负荷数据进行预处理；S4.获取空缺数据以及失真数据，并对空缺数据以及失真数据进行查找、补全并修正；S5.对预处理完的历史负荷数据进行深度学习训练；S6.生成不确定负荷高渗透的预测模型，并对预测模型输入数据进行负荷预测。

摘要： 本发明涉及一种适用于S型负荷曲线的中长期电力负荷组合预测方法，步骤⑴以中长期负荷历史数据为输入；步骤⑵以中长期负荷历史数据为输入，采用生长曲线模型进行中长期负荷测；步骤⑶以社会经济、人口数据和中长期负荷历史数据为输入，采用径向基神经网络模型进行中长期负荷预测；步骤⑷将步骤⑴、⑵、⑶获得的历史预测结果作为训练样本，对最小二乘支持向量机进行训练，训练过程中结合粒子群算法优化最小二乘支持向量机的参数；步骤⑸利用训练后的最小二乘支持向量机组合预测模型，预测未来一段时间的电力负荷需求，最终获得预测值。本发明所提出的组合预测方法得到的预测值与实际值相接近，具有较高的预测精度，能够很好地预测具有“S”型增长趋势的中长期电力负荷。

摘要： 本发明公开了中长期负荷链式关联预测方法、装置及可读存储介质。中长期负荷链式关联预测方法包括步骤：T1：统计某地区历史用电量指标数据，并将历史用电量指标数据划分为不同的阶段状态；T2：计算各阶段状态出现的初始概率；T3：利用链式关联方法计算各个阶段状态向其他状态转移的概率，生成中长期负荷预测一步转移矩阵；T4：根据中长期负荷预测转移矩阵的多步转移结果，对未来中长期多个时段的负荷情况进行预测。本发明能够为实现电网规划层面，为大方向的电网未来计划编制提供参考，为制定电力工业的战略目标提供技术支撑。