曹磊[1]2007年在《考虑风电并网的超短期负荷预测》文中研究表明本文针对风电并网的特点,将风电输出功率作为“负-负荷”来处理;在引入“等效负荷”概念基础上,研究了风电场接入地区电网后的超短期等效负荷预测方法:将风电输出功率与负荷分别预测并进行迭加得到“等效负荷”预测值。首先,提出了一种基于小波分解理论的处理非平稳风速的新思路,以期得到若干近似平稳的风速分解序列来分别建模;在此基础上,建立了考虑尾流效应的风电场输出功率预测模型。其次,采用动态分类方法解决了超短期负荷预测中的预测样本选择问题,并用最小二乘支持向量机来完成对预测样本的训练。最后,以某地区接入风电场后的超短期等效负荷预测为例,利用Matlab 6.5编程实现了对该算法的验证。
肖蔚[2]2008年在《基于支持向量机的短期电力负荷预测方法研究》文中研究指明短期负荷预测是电力系统安全经济运行的前提,随着分时电价方式的推广和电力市场化改革的深入,电力公司力求及时、准确地把握负荷变化的信息,对负荷预测的重要性和迫切性提到了前所未有的高度,同时也对负荷预测的精度提出了更高的要求,这必将推动我国对负荷预测新方法、新技术的研究。负荷预测方法大致可分为两大类。一类是以时间序列法为代表的传统方法;另一类是以人工神经网络法为代表的新型人工智能方法。本文分析了支持向量机的基本原理,支持向量机具有非线性拟合、泛化能力强、训练收敛速度快等显着特点。针对电力系统负荷与各种影响因素之间的非线性关系,本文利用支持向量机优越的非线性学习及预测性能,针对短期负荷预测的各种影响因素的非线性特性,提出基于支持向量机的电力系统短期负荷预测新方法,以提高预测精度和时效性,本文建立了基于支持向量机的短期负荷预测模型,并与神经网络方法作了实例分析比较,结果表明基于支持向量机的负荷预测精度和速度要优于神经网络方法。在基于支持向量机的预测问题中,特征选择可以降低学习问题的复杂性,提高学习算法的泛化能力,并简化学习模型,从而具有重要的意义。F-score特征选择是一种从众多特征中找出那些对分类识别最有效的特征,从而实现特征空间维数的压缩。本文提出了一种将F-score特征选择与支持向量机相结合的预测方法,该方法采用F-score特征选择减少输入特征维数之后再送入支持向量机进行建模,这样既结合了F-score的特征选择能力又利用了SVM良好的非线性函数逼近能力,从而改善了预测模型的精度和泛化能力。仿真试验表明:这种基于F-score特征选择与支持向量机相结合的预测方法不仅提高了预测精度而且由于降低了输入维数也提高了预测的速度。
刘薇[3]2007年在《人工神经网络在短期电力负荷预测中的应用研究》文中认为短期电力负荷预测是电力系统运行调度中一项非常重要的内容,它是保证电力系统安全经济运行和实现电网科学管理及调度的重要方面,是能量管理系统(EMS)的组成部分,也是今后进行电网商业化运营所必需的基本内容。本文首先对负荷预测的现有方法进行了综述;其次深入研究了神经网络的模型建立问题,给出了较为适用的建模方法,构建了一个叁层的BP神经网络,特别是对BP网络模型建立中的隐含层数确定、隐含层节点数确定、训练次数与精度的关系、学习速率的选择、初始权值、训练样本的选择及归一化处理等相关问题进行了较深入定性和定量分析,并通过算例进行了比较实验,得出有益结论。再次在分析BP网络缺陷的基础上,采用改进的BP神经网络算法,建立了短期负荷预测的模型,并应用改进的BP网络算法进行了负荷预测,比较不同算法的预测结果。最后给出了顾及气象参数的神经网络模型建立的方法,通过算例进行了验证和分析。
陈若曦[4]2017年在《基于贝叶斯证据框架优化的LS-SVM预测模型在空间电力负荷预测方法中的应用研究》文中认为因短期电力系统负荷具有明显的随机性,使得其负荷预测工作不容易找到内在发展规律,故很不容易提高短期负荷预测的准确性。因依据简单基础理论的传统负荷预测没有充分考虑影响电力系统负荷发展的关键性因素被研究学者们逐渐淘汰。近年来,因为国家政策的完善使得城市发展越来越规范合理,城市土地性质也越来越明确,这就为电力负荷预测提供了一个优越的有基础的更广阔的研究空间。使得很多研究学者也对空间负荷预测方法进行了系统深入地研究以得到较高的短期负荷预测精度。其中短期负荷预测中发展潜力较大的预测方法当属最小二乘支持向量机(LS-SVM)。随着对其研究的扩展,研究学者们对LS-SVM预测方法的探究越来越深刻。基于深刻了解和意识到短期负荷预测的本质理论和深刻意义,本研究论文选择了一种优化的LS-SVM预测模型来对短期负荷预测进行一个更深广的研究。本文多方面综合考虑了外部影响因素,如负荷功能区土地使用性质和天气等。该预测模型集多种因素所校正并得以自学习适应,使其更加智能化,也更加符合实际环境,但却使模型更加复杂且不易模拟。复杂性的提高还有各种因素的考虑使得该预测模型的鲁棒性下降,使得该预测模型的稳定性被一些影响因素破坏,故本文特别应用由各种因素下误差得出的权系数因子修改其预测模型以提高鲁棒性和稳定性。另外,本文还为更快更准确地搭建预测模型采用了贝叶斯证据框架优化模式。通过此模式优化,本文预测模型更具有实用性和高效性。本文第一章先着重有条理地介绍了电力负荷预测研究原理,第二章研究了进行负荷数据采集的重要平台-地理信息系统(GIS),而且也分析了数据前期处理对空间负荷分类分区的重要性。接下来,第叁章则为构建预测模型奠定数据样本基础提供了理论依据。第四章则统筹考虑各种外界的影响因素,研究了一种加权处理的最小二乘支持向量机,并应用贝叶斯证据框架对其模型进行优化。本文最后,完善了整体预测流程,并在电力GIS图层上选取一个行政功能负荷区,采用本文构建的预测模型进行为期10日的负荷预测,与优化前模型输出的负荷作对比,证明本文研究的优化后预测模型的先进可靠性,具有实用价值。可在社会上推广以适应电力发展。
李冬伟[5]2007年在《基于数据挖掘的电力系统短期负荷预测研究》文中研究说明短期负荷预测是电力系统调度运营部门的一项重要工作，尤其是随着电力市场的建立和发展，短期负荷预测将发挥越来越重要的作用。其预测精度的高低直接影响到电力系统运行的安全性、经济性和供电质量。因此，关于如何提高预测精度的问题，一直是短期负荷预测研究的重点问题。电力负荷预测就是要通过实际电力系统负荷特性的分析，结合实际运行情况，运用数学和计算机方面的知识，建立合理准确的数学模型，最终得出精准的预测结果。在负荷特性分析以及负荷预测模型建立之前，必须对负荷数据进行预处理，剔除掉其中不能反应真实负荷情况的坏数据。数据挖掘是数据库与数据仓库研究领域新兴的富有前途的领域，是20世纪末新兴起的数据智能分析技术，它的特点就是具有强大的数据处理能力，能从大量的数据中发现有用的规律和联系。作为新兴的技术学科，数据挖掘在电力系统负荷预测应用方面具有广泛的应用前景。本文力求将数据挖掘知识与电力系统实际情况结合起来，探讨基于数据挖掘的短期负荷预测方法。对于负荷预处理，本文首先采用聚类分析的方法，将负荷的特征曲线提取出来，每一类负荷的特征曲线代表了该类负荷的正常曲线模式，然后以特征曲线为依据进行该类负荷的坏数据检测和修正，效果理想。对于负荷预测，本文首先利用小波变换对负荷序列进行分解，得到不同频率的各个负荷分量，然后利用数据分类和多元回归分析方法分别对各个分量进行预测，最后再将各个分量的预测值组合起来，得到最终的预测结果。本文的方法应用于贵州省的实际负荷数据中，计算结果表明该方法能够取得满意的预测效果。
周潮, 邢文洋, 李宇龙[6]2012年在《电力系统负荷预测方法综述》文中指出电力系统负荷预测对电力系统的调度运行和生产计划有很大影响,准确的负荷预测有助于提高电力系统的安全性、稳定性、经济性,随着电力市场的建立与发展,负荷预测将发挥越来越重要的作用。简述了电力系统负荷预测的概念和意义,对现有的负荷预测方法进行分类,介绍了各种预测方法的原理,讨论了各种方法的优点与不足之处。最后,对电力系统负荷预测方法未来的发展方向做出了展望。
李艳芳[7]2007年在《电力负荷预测》文中研究说明负荷预测是电力系统规划和运行研究的重要内容，是保证电力系统可靠和经济运行的前提，是电力系统规划建设的依据。负荷预测的准确程度将直接影响到投资、网络布局和运行的合理性。负荷预测会受到很多不确定因素的影响，到目前为止，还没有那一种方法保证在任何情况下都能获得满意的预测结果。因此在进行负荷预测时，宜结合预测地区的实际情况，选用多种预测方法，不同的方法预测的结果互相校核，最终确定预测值。负荷总量预测属于战略预测，是将整个规划地区的负荷作为预测对象，它的结果决定了未来城市对电力的需求量和未来城市电网的供电容量。负荷总量的预测结果对城市供电电源点的确定具有重要的指导意义，是城网规划的重要依据。本文研究了负荷预测理论及其应用，首先简要介绍了电力系统负荷预测的意义，国内发展现状及展望，然后系统阐述了预测理论和各种预测方法。结合电力负荷预测的具体情况，较为深入地分析了预测理论用于电力系统的具体实现方法，然后对预测方法进行仿真实验，分析并比较各种方法的预测结果，提出一个综合预测模型。
廉巍巍[8]2007年在《电力系统中长期负荷预测模型的研究》文中指出负荷预测是电力部门的重要工作之一，根据预测周期的不同它通常可以分为超短期负荷预测、短期负荷预测和中长期负荷预测。中长期负荷预测一般是以年为单位的预测，它是电力规划、生产和运行等工作的重要基础。准确的负荷预测有利于提高电网运行的安全稳定性，有效地降低发电成本，保证用电需求，增强供电可靠性，从而提高电力系统的经济效益和社会效益。首先，本文讨论了电力系统中长期负荷预测研究的目的和意义、国内外发展动态以及应用于负荷预测的各种方法的比较。介绍了负荷预测的概论、基本原理、分类、预测的基本程序以及负荷预测的误差分析等情况。其次，文章对某地区负荷特性进行了简要的分析，为把握负荷特性变化的规律和发展趋势以及后面的负荷预测过程提供了有效的依据。另外，文章详细介绍了回归预测、灰色预测以及优选组合预测方法的建模原理与过程。这其中主要介绍了回归预测模型中的一元二次回归模型、指数回归模型以及多元回归模型等，并利用一元二次回归与指数回归进行建模运算；针对灰色建模的局限性并结合对灰色理论预测方法建模机理的研究，提出了改进的方法——灰色残差改进模型，通过对GM(1，1)模型进行残差处理，提高了灰色预测方法的预测精度，利用等维新息GM(1，1)模型以及残差改进进行预测，保证了预测能够较为充分地利用新信息，文章还对GM(1，2)模型的建模过程进行了探讨；详细介绍了优选组合预测模型中固定权的选择方法——即利用各个模型预测结果的平均精度进行权重的选择。然后，文章利用一元二次回归模型、指数回归模型、灰色GM(1，1)预测模型、灰色等维新息模型以及改进的灰色残差预测模型，结合某地区2000-2005年的历史负荷数据，分别用以上模型进行中长期电力负荷预测，并利用各个模型预测结果的平均精度进行权重的选择——即优选组合预测模型中固定权权重的选择方法，进而进行模型加权预测，并与单一模型预测结果进行比较。结果表明，优选组合预测模型比单一模型建模精度有所提高，适用于进行中长期负荷预测。文章还对建模计算过程进行了部分编程计算，大大提高了预测速度，并对该地区2006-2010年负荷的总量与年最大负荷利用上述方法进行了预测，为地区未来负荷管理提供依据。最后，对论文所做的工作进行了总结，针对文中的负荷预测模型提出了许多技术改进措施，并提出了对负荷预测软件进行扩充的思路，以便于进行负荷模型的计算，可以使用户清楚地看到模型的预测结果，给使用者一种直观清晰的效果。
肖伟[9]2008年在《超短期负荷预测的新方法研究》文中进行了进一步梳理随着我国电力工业的发展和电网规模的扩大,电网的结构和运行方式变得越来越复杂。在电力市场化过程中,负荷预测的精度直接关系到各方利益。负荷的突然增加或者减少会对电力系统的安全运行带来不良的影响,因此有必要进行有效的负荷预测,提高超短期负荷预测的精度。超短期负荷预测通常是指预测一小时之内的电网负荷。其对电力系统控制、运行和计划都是非常重要的,提高其精度既能增强电力系统运行的安全性,又能改善电力系统运行的经济性。本文在对传统预测方法的算法进行分析的基础上,研究了叁种新型超短期负荷预测方法。基于局部形相似的超短期负荷预测方法,该方法在对电力负荷局部特性分析的基础上,定义了负荷曲线形系数,该方法强调基于形相似基础进行值预测,克服了现有预测方法中对各相似日采用相同权重所导致的平滑效应对拐点负荷预测的影响。基于形态相似准则的曲线拟合算法,该方法以保证拟合曲线与实际曲线的形态最相似为准则,同时引入时间影响因子,将拟合曲线方程参数的求解转化为约束极值问题。该算法对超短期负荷预测中的曲线拟合预测方法进行了改进。基于元学习的时变非线性负荷预测组合算法,该算法在进行组合预测时将序列的特征属性和基预测器预测的结果形成元知识,作为元预测器的输入,从而发现并且纠正基预测器的系统偏差。同时通过门控网络确定各基预测器的权重。研究表明,前两种预测方法在保证运算速度的同时,提高了总体预测准确性和拐点处的预测准确性。第叁种预测算法能纠正基预测器的系统偏差,提高超短期负荷预测的精度。
崔志坤[10]2007年在《基于模糊神经网络的短期电力负荷预测的研究》文中认为短期负荷预测是电力系统安全经济运行的前提,在电力系统发展日趋复杂的今天,传统的负荷预测技术越来越难以满足电力部门负荷预测精度要求,应用智能算法进行电力系统的短期负荷预测,提高负荷预测的精度和稳定性,具有十分重要的意义。在分析了电力系统负荷预测的意义和方法之后,本文在研究模糊推理和神经网络的基础上,提出了构造模糊神经网络模型的新方法,将模糊推理融入到了BP网络中,并且用遗传算法来训练网络参数,直到误差趋于一稳定值,然后用优化的权值进行BP算法,实现短期负荷预测,仿真实验给果表明该方法加快网络学习速度,并能提高负荷预测精度。
参考文献：
[1]. 考虑风电并网的超短期负荷预测[D]. 曹磊. 华北电力大学（河北）. 2007
[2]. 基于支持向量机的短期电力负荷预测方法研究[D]. 肖蔚. 武汉理工大学. 2008
[3]. 人工神经网络在短期电力负荷预测中的应用研究[D]. 刘薇. 南昌大学. 2007
[4]. 基于贝叶斯证据框架优化的LS-SVM预测模型在空间电力负荷预测方法中的应用研究[D]. 陈若曦. 天津理工大学. 2017
[5]. 基于数据挖掘的电力系统短期负荷预测研究[D]. 李冬伟. 大连理工大学. 2007
[6]. 电力系统负荷预测方法综述[J]. 周潮, 邢文洋, 李宇龙. 电源学报. 2012
[7]. 电力负荷预测[D]. 李艳芳. 南昌大学. 2007
[8]. 电力系统中长期负荷预测模型的研究[D]. 廉巍巍. 太原理工大学. 2007
[9]. 超短期负荷预测的新方法研究[D]. 肖伟. 湖南大学. 2008
[10]. 基于模糊神经网络的短期电力负荷预测的研究[D]. 崔志坤. 华北电力大学（河北）. 2007