负荷预测

关键词: 序列 负荷 预测 用电

负荷预测(精选十篇)

负荷预测 篇1

关键词:电力负荷,总量预测,空间预测,配电网规划

电力负荷预测分为总量预测和空间预测, 前者的预测对象是整个规划区域的电量和负荷, 后者的预测对象是规划区域中随时间变化的负荷分布位置和数量。总量预测将决定规划区域未来电力需求量和配电网的供电容量, 而空间预测将决定规划成果的可操作性和适用性[1]。为了在配电网规划中更好地应用这两种预测方法, 本文对相关内容进行了探讨。

1 电力负荷总量预测方法与应用

1.1 总量预测方法

总量预测分为确定性方法和不确定性方法两类。前者是用一个或一组方程来预测电力负荷, 并且电力负荷与变量之间存在明确的一一对应关系;后者是采用推理预测的方法, 即不以简单的显式方程来描述电力负荷与变量之间的对应关系。总量预测法分类[2]如图1所示。

1.2 总量预测方法应用

1.2.1 历史数据

某规划区总用电量、最大负荷历史数据见表1。

1.2.2 总用电量预测

由图1可见, 总量预测方法非常多, 根据《城市电力规划规范》 (GB/T 50293-2014) 第4.2.3、4.2.5条及条文说明, 应确定一种主要方法, 并应用其他方法进行补充和校核;对于总量预测来说, 主要方法是电力弹性系数法、回归分析法、增长率法等。因未对应经济数据, 故不适用于电力弹性系数法, 可选择回归分析法、增长率法, 另外还可选择灰色预测法, 后者对历史数据要求低, 运算速度快, 尤其适合中长期负荷预测, 这里选择GM (1, 1) 模型。但上述方法各有不足, 回归分析法预测精度受外界因素影响较大, 而增长率法预测精度较低, 灰色预测法对原始数据的光滑程度依赖性较强, 所以可选用组合预测法为主要方法, 这里选择方差-协方差组合预测法[3]。表2是上述方法预测误差分析 (σ为预测误差方差) 。

106k Wh

现简要说明一下所有预测法的计算原理。平均增长率法按y=y0 (1+x) (t-t0) 计算, y0是历史数据起始年用电量, x是平均增长率, t、t0分别是预测年与起始年。回归分析法有一元线性、多元线性及非线性法, 可采用统计软件SPSS的“曲线估计”进行分析, 勾选所有曲线模型, 结果一元线性、对数、逆函数、二次函数、三次函数的R2均为0.914, 其他函数为0.886, 而二次、三次函数模型与一元线性函数相同, 故选择一元线性函数, 计算式为y=87.9645714285714x-175994.392095238 (x为年份) 。灰色预测法可利用MATLAB软件计算。组合法权值按

图2是预测结果的图形反映, 可见实际电量曲线在2011年有一凸起, 而灰色预测法曲线上也有一凸起, 说明灰色预测法能够响应实际电量曲线的一些变化, 而其他方法没有这种响应。表3是总用电量预测结果。结合图3易见, 平均增长率法与另外三条曲线偏差较大。

106k Wh

1.2.3 最大负荷预测

采用与上节相同的方法得到表4数据。运用SPSS“曲线估计”进行拟合, 结果复合函数、幂函数、S形曲线、生长函数、指数函数、逻辑函数的R2均为0.996, 其他函数为0.985和0.984, 最后确定采用生长函数, 其计算式为y=e (-340.520958897554+0.171815181236873x) (x为年份) 。由表4及图4、图5可见, 各条曲线均很接近, 这是因为实际负荷数据较为规则。

MW

2 电力负荷空间预测方法与应用

2.1 空间预测方法

空间预测 (SLF) 是针对规划区域负荷时空分布的预测, 即按照一定规则, 将规划区域分为一定大小的小区 (元胞) , 结合土地利用特征及发展规律, 通过对元胞负荷历史数据的分析, 预测元胞内的负荷数量、用电量及产生时间。图6是SLF法分类[4]。

2.2 空间预测方法应用

2.2.1 历史数据

根据现状调查, 将规划区分为10个区 (见表5) 。

2.2.2 空间负荷预测

总量预测是空间负荷预测的约束条件, 两者必须协调一致[2]。根据这个要求采用不同外推法进行了预测, 结果见表6。可见灰色预测法较为接近, 其空间负荷预测结果见表7。

MW

MW

MW

3 结语

电力负荷总量预测与电力负荷空间预测是配电网规划的重要组成部分, 预测质量的优劣直接影响配电网建设投资以及电力系统运行的可靠性, 负荷预测需满足一定的精度要求。然而电力负荷并非稳态过程, 而是具有不确定性和条件性, 因此, 为了提高负荷预测的科学性和实用性, 应当合理选择预测方法。

参考文献

[1]乐欢.城市配网规划中基于空区推论的空间负荷预测方法研究[D].重庆:重庆大学, 2009.

[2]程浩忠, 张焰, 严正, 等.电力系统规划[M].北京:中国电力出版社, 2008.

[3]唐祥玲, 王平, 李思岑, 等.基于方差-协方差组合预测的中长期电力负荷[J].电气技术, 2015 (1) :15-19.

[4]肖白, 周潮, 穆钢.空间电力负荷预测方法综述与展望[J].中国电机工程学报, 2013, 33 (25) :78-92.

[5]卓定明, 王增煜.利用混合智能算法求解含分布式电源的配电网无功规划问题[J].机电工程技术, 2015 (11) :114-118.

负荷预测在大同地区的应用 篇2

介绍了负荷预测的.发展、分类、算法、模型等,并着重介绍了大同地区短期负荷预测的算法、特点以及主要功能,总结了大同地区短期负荷预测应用过程中影响预测结果的因素.

作 者:张金晔 常尼亚 郭建宏 作者单位:张金晔,常尼亚(大同供电分公司,山西,大同,037003)

郭建宏(长治供电分公司,山西,长治,046400)

城市电网负荷预测 篇3

关键词:电网 负荷 预测

1.负荷预测的前期工作

1.1影响负荷预测的因素

1.1.1用户特点

工业企业的性质、规模大小、产品种类、工艺过程以及生产班次等等的不同将影响其电力负荷的大小不同。

1.1.2机械化及电气化水平

机械化、电气化水平越高,电力负荷越大。

1.1.3居民的物质文化生活水平

国家的经济和科学技术越发达,城市的市政工程设施越完善,人民的文化生活水平越高,相应的电力负荷就越大。

1.1.4气候条件

地区气候条件的不同影响所用电量的不同。

1.1.5负荷构成

各类用户的最大负荷并不是同时出现的,各类用户最大负荷在城市总负荷中所占比例的不同也影响着城市总负荷的大小。

1.2负荷预测前的资料收集工作

负荷预测计算所需的资料一般应包括下列内容:

1.2.1城市建设总体规划中有关人口规划、用地规划、能源规划、产值规划、城市居民收入和消费水平、市内各功能区的改造和发展规划。

1.2.2城市计划和统计部门及各大用户提供的用电发展规划和有关资料。

1.2.3电力系统规划中有关的如电力、电量平衡等资料。

1.2.4全市及分区、分电压等级统计的历年用电量和负荷、典型日负荷曲线及潮流分布图。

1.2.5各变电站有代表性的负荷记录和典型日负荷曲线。

1.2.6按行业统计的历年售电量和负荷。

1.2.7工业用户的用電量、负荷、主要产品产量和用电单耗。

1.2.8计划新增的大用户名单、用电容量、时间和地点。

1.2.9现有电源、供电设备或线路过负荷情况,及由此而供不出电的数量。

1.2.10国家及地方经济建设发展中的重点工程项目及用电发展资料。

2.城市电网负荷预测方法

城市电力网的电力负荷预测一般可采用两种基本方法。一种是从电量预测入手,然后转化为电力负荷;另一种方法是从计算城市各分区现有负荷密度入手,推算各分区和整个城市电力网未来的总负荷。

2.1电量预测法

按《城市电力网规划设计导则》,进行电量预测应将用户按工业、农业、交通运输业和市政生活分为四类分别进行。

电量预测方法很多,目前最常用的主要有以下几种方法:

2.1.1单耗法

这种方法根据产品(或产值)用电单耗和产品数量(产值)来推算企业全年用电量,是预测有单耗指标的工业,部分农业生产用电量的一种直接有效的方法。

按此方法计算时应搜集有关企业生产性质、产品类型、年产量m(台或t)或年总产值c(元或千元)、单位产品耗电量Am(kWh/台或kwh/t)或单位产值耗电量Ac(kWh/元或kwh/千元)、企业最大负荷利用小时数Tmax。从而确定全年用电量A(kWh)

A=Am·m或A=Ac·C

显然,这种方法较适宜于近、中期规划。对于远期规划,因产品产量和企业产值难以预测、产品结构可能变化极大而无法取得准确的参数。

2.1.2综合用电水平法

这种方法根据人口及每人的平均用电量来推算城市的用电量,比较适用于市区市政生活用电量的预测。一般,可通过市区典型小区的调查分析来确定每人的平均用电量AN(kWh/人·年),由市区人口统计资料确定人口数N,即可确定全年总用电量A=AN·N。

将分项统计结果进行纵向(逐年)和横向(相互比例)的分析对比,选择适当的方法和参数将它们综合为一个综合用电水平AN,这样的结果将更准确可靠。

2.1.3外推法

这种方法运用历年的历史资料数据加以延伸,由此推测未来各年的用电量。一般常用的有平均增长率法和回归分析法。

平均增长率法:

平均增长率法以时间T(年)为自变量,用电量A(kWh或万kwh)为因变量,根据历史规律和国民经济发展规划估算出今后电量的平均增长率Κ,若计算选用基准年实际用电量为A0(kWh或万kwh)则T年后用电量为:

A=A0(1+Κ)T

平均增长率法简单明了,它只有一个自变量——时间T,其他因素对电量增长的影响综合在平均增长率Κ中。因而在估计Κ值时应将除时间以外的有关因素考虑进去。当某个因素的影响有了变化就应该改变Κ值。

回归分析法:

这种方法以时间、人口、工农业产值、轻重工业比重、人均收入、住房面积等因素为自变量,用电量作为因变量,根据历史规律用数理统计方法求出适当数学模型,据以预测电量预测电量。

应该注意,统计得来的数据还应经过适当筛选,剔除少数不合理的数据系列。另外还应该注意,这些基于历史数据得到的数学模型,尽管其概率误差可能达到很小,但终究会受历史资料的局限,它只能很好地描述过去,而不一定能很好地描述未来特别是未来经济结构发生大的变动时,如果原有模型未考虑到这种变动因素的影响就很难得到准确的结果,甚至会得出错误的结果。

2.1.4弹性系数法

弹性系数法是根据地区的工农业总产值来确定该地区总用电量的方法。

电力弹性系数Ε定义为地区总用电量平均年增长率与工农业总产值平均年增长率之比。

设第m年及第m+n年的总用电量和总产值分别为Am、Am+n和Cm、Cm+n总用电量增长率和总产值增长率分别为a和d。

城市电力网的电力弹性系数可根据地区工业结构用电性质各类用电比重及发展趋势进行分析后确定。显然不同的城市类型、不同的工业结构、不同的经济发展政策、不同的地区优势都有不同的电力弹性系数。

上述四种方法可同时应用并相互校核,以获得更可靠更准确的电量预测值。

2.2负荷密度法

负荷密度法较电量预测法直观。最常用的是面负荷密度,即每平方公里的有功负荷数值。这是一种适用于市区内大量分散的用电负荷的方法。

2.2.1负荷密度的确定一般并不直接预测整个城市的负荷密度,而是将城市按其功能分为若干分区,甚至分为更小的小区,分别预测各分区或小区的负荷密度。预测的方法是先通过统计分析确定出各分区或小区目前的负荷密度,然后根据城市的总体规划和分区规划有关部分,确定各区的负荷密度预测值。

2.2.2计算负荷的确定

将各区负荷密度乘以各区面积可得各区负荷,将它们汇总并乘以同时系数(或除以分散系数)即可获得总的计算负荷。即P2=KT∑Pi。

式中,Pi是各区计算负荷;KT是同时系数;P2为总计算负荷。

应该注意的是,一般在汇总确定总负荷时就可按电压等级划分出各电压等级的计算负荷。另外,有时还要先从各小区负荷汇总出某一分区负荷。这时应注意计算公式形式虽仍一样但KT则对应不同的数值。

2.2.3大用户问题

当市区内大量分散的负荷中有一个大用户,如工业企业、街道工厂、大商场等时,可将这些大用户当作点负荷计算。即根据该负荷的特点用适当方法单独计算然后再与其他负荷按前述方法考虑同时系数进行合成。当然这些大用户所占市区面积也应从各区面积和城市面积中减去。

负荷预测的期限不同,负荷的性质和种类不同,资料收集的内容也不尽相同。例如,作整个城市的负荷预测与作某一个小区的负荷预测,资料收集的内容就多少不一;作短期计划和作中、长期规划,由于负荷预测方法的差别需要的资料、内容和数量也有很大差别;作一个工厂的负荷预测和作一个城市生活小区的负荷预测,由于负荷性质的差别计算方法大不相同,需要的资料内容和数量也有极大差别。

参考文献:

[1].戴慎志,《城市工程系统规划》中国建筑工业出版社

中期电力负荷预测及负荷模型的研究 篇4

1预测模型与预测方法

本文在中期电力负荷预测研究中, 负荷的时间范围设置为一个月。同时, 对用户每天24小时产生的负荷进行预测。在具体的时间序列内, 中期电力负荷呈现出上升、下降或者保持不变的特点。另外, 中期电力负荷在特定的年份、季度中呈现出的变动趋势, 应该与其在某一时段中的变化趋势一致[1]。

1.1负荷时间序列样本分析与时间段变动趋势预测

在中期电力系统中, 技术人员利用近期的负荷曲线数值, 建立了时间序列样本。该样本能反映出一年365天每天24小时的电力负荷储存量。假设t为时间, p为负荷值, 则储存的格式为: (tn, pn) , n=1, 2, …, 8760.

在分析时间序列样本时, 要求以历史资料为标准, 对平年、闰年, 月份, 周进行分解。同时, 标示出每周工作日、休息日以及节假日。然后, 研究电力负荷变动的规律。比如, 以上述样本 (tn, pn) 为例, 找出对应的负荷值。然后, 建立新的时间序列。这些序列由上面被提取出来的时间组成。假设k代表工作日, i代表休息时间, j代表节假日。那么, 每个月的储存方式为:

然后, 根据以上的储存方式, 再利用最小二乘法分析。假设yi为每天预测的负荷值, ti为时间。那么, 二者之间的关系可以用下面的多项式来表达。

式 (1) 中, C1代表工作日的回归系数, C2代表休息日的回归系数, C3代表节假日的回顾系数。这几个数据是预测电力负荷的基础。然后, 根据时间序列计算出每月、每季度以及每天的修正系数。通过这些修正系数可以看出序列的增长率。最后, 结合误差分析方法、最小二乘法, 得出每个时间段负荷变动的平均值[2]。负荷时间序列样本以及趋势预测流程图如图1所示。

1.2中期负荷预测

第一, 按照以上办法, 确定出每月工作日、休息日以及节假日24h的基础负荷曲线。第二, 根据每年电力负荷的增长速度, 对各个时间段的趋势进行修正, 得出最终的中期负荷曲线。第三, 以中期优化调度为标准, 重新排列出三种曲线的顺序, 然后制定对应的持续负荷曲线。

2中期负荷模型的研究

2.1趋势外推法

趋势外推法指的是季节波动比较小, 电力负荷随着时间变化呈现出一种上升、变化的趋势。根据这种变化的特点, 用函数曲线来反映。假设t代表时间, y为因变量, 可以得到模型:y=f (t) 。如果这种趋势不断向前发展, 只要带入t值, 就能够计算出时间序列的未来值。该模型在应用过程中具有数据少、计算方便的优点。但是, 由于电力负荷存在一定波动, 很容易产生误差, 具有很大的缺陷[3]。

2.2弹性系数法

弹性系数法是国内生产总值与电量平均增长率的比值。根据弹性系数以及当前国内的用电生产总值, 可以对未来的用电总量进行规划。因此, 弹性系数法与国民经济发展的速度和用户的总用电量有很大关系。弹性系数法具有计算简单、操作方便的优势。缺点是, 应用前, 需要做大量的调研工作。

2.3灰色模型法

在应用过程中, 灰色模型法主要是对不确定性因素进行统计。通常情况下, 以某个阶段的规律为依据, 建立负荷预测模型:一种是灰色模型, 一种是最优化灰色模型。灰色模型在短期负荷预测中应用较多。该预测模型的优点是:需要考虑数值的变化, 对负荷数据要求低, 同时计算方便、精度结果高。缺点是:如果数据离散程度增高, 就会导致数据灰度增加, 从而产生很大误差。另外, 该模型不适合电力系统长后期预测。

2.4回归分析法

回归分析法指的是以过去负荷历史资料为依据, 建立数学分析的数学模型。利用回归分析法, 可以根据统计学方面的原理, 对观测到的数据进行分析, 然后预测出未来电力负荷的发展趋势。该模型分为一元线性回归、多元线性回归和非线性回归。在中期电力负荷预测中, 经常使用线性回归分析法。优点为:预测结果精准, 比较适用于中、短期预测。缺点是:统计总产值的难度比较大[4]。此外, 运用回归分析法, 只能预测电力负荷发展的综合水平, 没有办法对各供电区的负荷发展水平进行预算。

虽然通过以上办法可以得出新序列的持续负荷曲线, 但是该负荷曲线并不是中期优化调度的最终负荷模型。在电力系统优化调度中, 传统的办法为建立二阶梯模型。但是, 这种模型在反映系统功率或者水电厂收益中经常出现误差。尤其在谷差较大的情况下, 很容易产生较大的功率缺额。因此, 该建模方式存在很大的局限性。针对以上问题, 当前在电力系统优化调度中, 主要采用多阶梯数学模型。通过对电网每日的持续负荷与峰谷差进行分析, 建立四阶梯模型比较实际。该建模不但操作简单, 而且可以达到很高的精准度。同时, 在不同阶梯的时间段内, 它能够自由选择持续负荷曲线。

图2为二阶梯建模下, 形成的负荷虚线。其中, 实线代表每日持续负荷, 虚线代表二阶梯下, 计算出来的近似负荷。在电气负荷较大的情况下, 采用二级阶梯建模方式往往会产生较大的功率缺额, 因此不利于电力负荷的优化调度。与二阶梯建模不同, 采用四阶梯对电力系统进行优化调度, 不会出现以上情况。可以说, 四阶梯在电力系统优化调度中发挥着重要的作用。如图3所示。

四阶梯负荷模型在使用过程中, 要求峰荷、日发电量以及谷荷处于相对稳定的状态, 不能随意发生改变。计算公式为:

式 (2) 中, E (t) 代表每日负荷电量。TE代表调度周期中, 每个时段的指标集。Tn代表在第n阶梯中, 负荷持续的时间。具体的数值可以通过负荷曲线来计算。Pn (t) 为t时段中负荷的功率。其中, 峰荷出现在第1阶梯, 谷荷出现在第4阶梯。按照以上办法对日负荷进行分配, 不仅可以使用户每天的用电量达到均衡, 而且可使用电功率保持在正常状态[5]。除此之外, 还可促使用电计划更加准确, 从而实现对低谷、峰荷的合理分配。

3预测实例

本文以6年实际负荷为例, 对一年365天中每个工作日、休息日以及节假日的负荷进行预测。因为涉及的数据庞大, 因此只列出3月份的预测结果, 如表1所示。

从表1中的数据可以看出, 测试的结果与实际预测的结果差异较小, 误差约为3.28%。其中, 最大的误差为5.61%。在此基础上, 利用修正系数对系统进行调整, 可以将误差减小到2.9%。可见, 本文的中期电力负荷预测办法在电力系统优化调度中发挥着重要作用, 值得推广。最后, 根据表1中的数据, 可以制作出对应的日负荷曲线以及日持续负荷曲线。

4结束语

综上所述, 本文采用的中期电力负荷预测办法操作简单, 非常适用于电力系统优化调度。该预测方法不仅可以用于当年负荷预测, 而且在多年负荷预测中同样适用。根据实例分析可以看出, 得出的负荷预测结果更加精准, 比传统的测试办法具有更大的优势。同时, 采用中期电力负荷预测, 保持了用电量与用电功率的均衡, 实现了对低谷、峰值的合理分配。因此, 这种预测方法在电力系统优化调度中具有更大的发展空间与市场。

参考文献

[1]李军, 李青.基于CEEMDAN-排列熵和泄漏积分ESN的中期电力负荷预测研究[J].电机与控制学报, 2015, (8) :70-80.

[2]翟永杰, 刘林.基于ADE-SVM和模糊理论的电力系统中期负荷预测[J].电力系统保护与控制, 2012, (8) :110-115.

[3]高翔, 朱昊.变权重组合改进模型应用于中期电力负荷的预测[J].上海电力学院学报, 2013, (2) :124-128.

[4]崔和瑞, 彭旭.基于ARIMAX模型的夏季短期电力负荷预测[J].电力系统保护与控制, 2015, (4) :108-114.

负荷预测 篇5

ABSTRACT: An information system designed for power users is presented in order to strengthen the power information exchange between power grid and end users.Architectures and functionalities of this system were demonstrated first.Smart 效率,远距离的特高压直流输电工程规划已经公布。除了加强输电网络的建设之外,智能电网的建设还应重视电网末端配用电系统的智能化改造,建立用户与供电方的双向互动,鼓励用户主动参与到电网meter was regarded as the information exchange junction in the entire system and it was connected with other parts of the system by general packet radio service(GPRS)and serial communicating paths.Subsystems of grid side and user side were both designed in details.Zigbee wireless network technique was implemented to establish the user subsystem.Information of real-time pricing and load forecasting was applied to motivate users to participate the operation of the grid actively.Consequently energy resources will be optimized and finally goals of economical and high-efficient using of energy can be achieved.This information system also provides basic architecture for the interactive end-use electric system of future smart grid.KEY WORDS: electrcity usage information;real-time pricing;load forecasting;smart meter;GPRS;Zigbee 摘要:为了加强电网与用户之间的供用电信息交流,提出了一种电力用户信息系统。对该系统的架构进行了阐述,提出以智能电表为枢纽,利用通用分组无线业务(general packet radio service, GPRS)远程信道和串行通信本地信道连接系统各个部分,并具体设计了配网侧与用户侧子系统的结构。用户侧子系统的实现采用了Zigbee无线组网技术。利用实时电价及负荷预测等用电信息的互动来激励用户主动参与电网运行,最终使资源实现优化配置,达到经济高效地利用能源的目的,同时为未来智能电网下的居民互动用电系统提供基础设施支持。

关键词:用电信息;实时电价;负荷预测;智能电表;GPRS;Zigbee

0 引言

当前,我国正在大力推进坚强的智能电网建设。随着大规模的智能电表的安装和各种新型能源发电方式的接入,我国的智能电网发展进入了全面建设时期。在输电方面,为了给我国未来的电网提供坚强的支撑,保证电网的可靠性,同时提高节能的运行当中,既要使用户能够根据实时的用电信息合理调整自身用电习惯,还要支持用户侧分布式能源的友好接入以及可再生能源的大规模应用,从而进一步提高能源利用效率,降低温室气体排放,满足电力与自然环境、社会经济和谐发展的要求[1]。

由于智能电网的建设工作是一个逐步完成的过程,所以在电网智能化建设的起步阶段,需要对传统电网进行逐步升级改造,最终过渡到坚强智能电网的全面建成。本文针对当前电网配用电系统的特点和不足,应用相关通信与信息技术,讨论并设计了一种电力用户信息系统,加强传统电网的需求侧管理,并为未来实现智能电网下的居民互动用电系统提供技术支持和参考。

供电公司根据电力的供给和需求状况及其他相关影响因素制定实时价格,并且依靠科学的方法较精确地做出短期的负荷预测,最终将实时价格、负荷预测以及实时负荷水平向用户发布。用户接收到供电公司发布的用电信息后,可以此信息为依据来调整自己的用电行为,并将调整后的用电行为数据反馈至供电公司。通过这样的信息互动用电方式,供电公司可以更加准确地了解用户的需求,从而对电网资源及时进行优化配置,对实时电价和负荷预测进行再调整,如此循环,以达到优化电网资源,提高能源利用效率的目的。从发展的角度看,目前正在逐渐开展应用的分布式发电以及可再生能源的接入也需要电网与用户之间进行用电信息的协调和交流。欲实现上述类型的双向用电信息互动,需要在用户与供电方之间建立一个互动系统,作为连接二者的桥梁,改变以往用户被动用电的局面,使其能够主动参与到电力市场交易当中。用户信息系统综述

用户信息系统是基于智能电网与用户友好互动的特点上提出的,它是连接了供电方与广大用户的用电信息互动枢纽,在为用户提供更优质的服务的同时,通过信息的互动来激励电力市场主体主动参与电网管理和交易,使电网更加安全、经济地运行。信息系统的总体架构如图1所示。

互动信息电网侧主站系统远程信道GPRS智能电表本地信道串口通信用户侧智能用电控制系统 图1 用户信息系统的总体结构

Fig.1 Overall Architecture of user information system 在整个用户信息系统中,连接供电方与用户的关键环节是智能电表,它是双方交换电力信息的中枢。在智能电表上集成通信模块,即可实现中枢通信功能。选择不同的智能电表通信模块,则系统通信信道的实现方式会产生较大的差异。在现阶段,智能电表与电网侧的通信实现可采用光纤通信、电力线载波、无线电波和公用信道等技术。对于新建的配网线路,则可以考虑铺设光纤复合电力线,使通信信道集成于电力线路之中。而对于现有的线路,在考虑了数据流量、信道覆盖率、线路铺设和改造难易度等因素后,本文建议使用现阶段较为成熟的GPRS通信技术作为电网与智能电表之间的远程信道,即在智能电表上集成GPRS模块。使用现有的覆盖面极广的GPRS公用信道,可以节省重新铺设通信线路的投入,安全性与可靠性也可以得到保障。安装GPRS模块后,结合配套的软件设计和外围电路,智能电表通过GPRS通信技术与配网侧的互动信息主站相互传输数据[2]。用户侧方面,通过给智能电表添加外围数据通信芯片电路,如串口通信芯片,便可实现通信功能,使之与用户的智能用电控制系统互相通信。

电网侧设有互动信息主站系统[3],其作用包括: 1)采集用户的用电数据,并且进行分类存储,为电价制定和负荷预测提供数据基础。

2)向用户发布实时电价、负荷预测及当前电网负荷状况,为用户调整其用电行为提供信息基础。

3)利用数据处理技术分析用户反馈的用电信息数据,根据分析结果修正电价及负荷预测,进行电网资源优化配置。

智能电表的用户侧连接的是用户智能用电控制系统。系统设有互动控制面板,用户可以通过控制面板获知当前电网执行的电价、当前电网与家用电器负荷状况、电网短期负荷预测和电价策略、用户电能消费量及预付电费余额等用电信息。控制面板会根据当前执行的电价表和用户的电器类型及功率,经过预设的智能化程序判断,为用户推荐一种或几种优化的用电方案,供用户选择。推荐的用电方案中包括电器使用时间、定时启停和预计电能消费金额等。用户可以使用推荐方案,也可以忽略推荐方案,按照自身需要决定用电计划。用户对电器的定时操作也会反馈至互动用电信息主站系统,可作为供电公司优化电网资源的依据。

另外,智能电表和用户智能用电控制系统在硬件和软件方面都留有额外的应用接口,为将来用户侧分布式发电、可再生能源和电动汽车充放电等新技术的大规模推广应用建立基础。互动信息主站系统

互动信息主站系统是供电公司设立在电网侧的用电数据分析处理中心与用电信息发布平台。它包括负荷预测子系统、电价策略子系统、用电信息采集数据库、信息发布站以及GPRS通信机等,具体架构如图2所示。主站系统还与电网运行状态监测系统相连接,将电网运行状态及记录与用电信息结合起来加以分析,有利于做出更准确的负荷预测和更合理的实时电价。电网运行信息负荷预测系统电价策略制定信息发布站信息采集数据库GPRS通信机远程信道

图2 信息主站系统架构

Fig.2 Architecture of main information system 2.1 远程通信信道

在前文中已经简单讨论了选用GPRS技术作为远程通信信道的原因。从技术角度看,GPRS是在现有的全球移动通信网络上开通的一种分组数据传输技术,它的特点是通信网络稳定可靠、覆盖面积广、数据传输速度快(实际可以达到40~100 kbit/s带宽)。由于系统数据不是严格的实时数据流,并不需要进行连续的海量数据传输,所以GPRS技术可以满足互动用电系统的数据传输需求[4]。从经济性角度来看,目前GPRS技术已经广泛地投入商用,资费比较低廉。使用移动通信公司的GPRS技术还可避免配网侧单独建立通信网带来的高成本以及维护问题。在实际设计系统时加入安全保密措施,从而使得系统的安全性得到保证。

在主站系统的最前端设置GPRS通信机,它与信息采集数据库和信息发布平台服务器相连接,充当用电互动信息的传递者,通过通信公司开设的电力专用信道发送与接受数据。2.2 信息采集与信息发布

由于通信机不具有大量存储数据的能力,面对海量的用户用电信息,需要有专门的数据库来存储这些信息。而需要发布的信息需要通过通信机传递到用户侧,所以信息采集数据库与信息发布站均与通信机相连接。

2.3 负荷预测与电价策略

信息采集数据库与信息发布站并不具备产生信息的能力,发布给用户的信息的产生是由负荷预测系统与电价制定系统完成的。负荷预测与电价制定两个系统不仅从信息采集数据库获取分析所需的数据,还可以从电网运行信息系统取得相关数据,并利用相应的技术方法做出负荷预测和制定电价,然后将得到的实时用电信息交给信息发布站,最终传输给用户。

传输给用户的信息数据包括当前电网负荷状况、即将执行的电价、短期的负荷预测以及用户的余额查询请求等。其中即将执行的电价和短期负荷预测数据并不是严格意义上的实时数据。考虑到用户对于过快的价格变化的响应疲惫问题,决定采用一个电价执行周期(24小时)发布一次电价的策略,每次将电价表按小时划分为24个时段,每个时段的电价根据系统分析计算结果的不同会体现出价格差异,但差异不会很大。为了保证用户获知电价的连贯性,下一周期的电价表应该在下一周期电价执行之前一段时间(如两小时)进行预发布,以便用户进行用电响应。短期负荷预测的结果也采取同样的方式发布至用户侧,目的在于激励用户根据预计负荷状况采取相应的节能用电措施。在这种电价发布方式下,用户可以提前得知下一周期执行的电价,从而有足够的时间进行响应。此外,采用这种方式大大降低了对于数据传输的实时性要求,在一定程度上提高了系统的可靠性。智能用电控制系统 与智能电表相连的电力用户智能用电控制系统是用户信息系统的重要组成部分,它可以将用户与电网运行紧密地联系起来,从而使用户能够主动地参与到电网的运行管理上来,提高能源使用效率。

对于用户而言,智能用电控制系统的功能包括:

1)显示当前电价周期(24小时)执行的电价表、当前时段正在执行的电价、当前电网负荷水平、下一电价周期的预计发布电价及负荷预测。考虑到用户对于电力术语可能不了解,负荷水平仅以定性的方式显示高低,如使用“低”、“正常”、“高”、“满”等易于理解的指示词或者颜色渐变的指示灯。用户可以根据面板显示的用电信息调整自身的用电计划,主动地避免用电高峰和填补用电低谷。

2)用户可以方便地使用智能用电系统控制用电设备,随时了解各种用电设备的电能消耗量。用电设备的实际平均功率也会在面板界面中显示。系统会根据当前执行的电价表、用电设备的类型和功率等因素为用户推荐优化的用电方案。3)用户还可以通过控制系统查询自己某一阶段(比如一个月)的电能使用情况,根据历史数据控制电能使用情况。系统还为用户提供预付电费余额查询、低余额提醒等功能。

4)控制系统还可以通过扩展应用实现将来对用户侧分布电源接入的支持,同时提供电能的反向记录与管理等功能。如果用户使用电动汽车,还可以增加电动汽车充放电管理服务以及相应的软件支持。3.1 控制系统网络架构

智能用电控制系统的核心部件是互动控制面板,它是连接智能电表与用电设备的中枢。智能电表通过串口通信的方式与控制面板连接。在用户住宅内部,为了避免大量布线造成的不便,控制面板与各用电设备的连接采用短距离的Zigbee无线组网技术实现,由控制面板作为网关主节点,加装了智能开关的各用电设备作为终端节点[5-6]。Zigbee技术具有低成本、低功耗、可靠等优点,工作在2.4GHz免执照的工业、科学和医学(industrial scientific and medical, ISM)频段,适合智能用电控制系统应用。系统网络架构如图3所示。

GPRS智能电表RS485Zigbee网络互动控制面板智能开关„智能开关„智能开关空调„洗衣机„饮水机 图3 智能用电控制系统网络结构

Fig.3 Architecture of intelligent electric control system

3.2 互动控制面板

互动控制面板是用户信息系统的一个核心部件,对内作为用电设备控制中心,对外通过智能电表与电网侧交换用电信息,是系统对用户展示功能的窗口。

3.2.1 互动控制面板的硬件设计

互动控制面板采用模块化设计,组成部分包括液晶显示模块、通信模块、电源模块、键盘输入模块、微控制器、外存储器等,其中通信模块包括与智能电表通信的串口模块以及组建Zigbee网络需要的无线通讯模块[7-9]。

由于互动控制面板既要完成与智能电表和智能开关的通信,还要处理用户的互动请求,任务比较繁重,所以选择采用ARM7TDMI-S内核的32位高性能微处理器PHILIPS LPC2138作为主控制器。无线通讯模块则采用TI公司的CC2420芯片,该模块通过串行外设接口(serial peripheral interface, SPI)接口与LPC2138芯片连接,主要负责节点网络的组建与维护,控制数据信息的收发以及消息的路由。由于系统是3.3V系统,所以需要RS485电平转换才可实现控制面板与智能电表的串行通信。LPC2138自带32KB的片内RAM和512KB的片内Flash存储,但是由于控制面板需要进行实时数据的传输和存储,所以还需要添加额外的外部RAM和Flash存储器。与LPC2138相连接的元件还包括电源、外部系统时钟源和复位器件以及负责输入输出的键盘、液晶显示屏、发光二极管指示灯等。此外,LPC2138还拥有富余的扩展接口,为以后的系统功能升级提供足够的接口资源,例如增加用户自有分布式电源等。面板的具体硬件连接如图4所示。

显示屏指示灯键盘电源ARM7TDMI-SSPICC2420时钟复位LPC2138电平转换RS485接口扩展RAMFlash 图4 互动控制面板的硬件配置

Fig.4 Hardware configuration of interactive control panel 3.2.2 互动控制面板的软件设计

控制面板的软件针对前面所述的系统功能设计,如电价和负荷的显示、用电方案推荐以及各用电设备的操作界面等。软件系统采用友好的图形化用户界面软件设计,使用户操作方便,阅读直观。实际应用时,经过开机初始化后,控制面板首先从智能电表更新下载电价表及负荷数据,然后将各无线节点组网,之后便可以进入等待用户操作的待机状态。3.3 智能开关

目前绝大部分家用电器还是非智能型的,需要在其电源处加装智能开关插件才能实现对其开关控制、状态监控以及电能消耗的测量。所以,智能开关应当包括无线通信模块、电能计量模块、开关模块、故障处理模块和电源模块等。

由于终端节点属于精简功能设备,比主节点的任务少得多,重点要求低功耗,因此选择TI公司生产的MSP430F149作为控制器,这是一种超低功耗的控制器,可以有很长的工作时间。MSP430F149自带的时钟模块、看门狗定时器、Flash存储器和RAM存储器已经可以满足智能开关的设计需求,无需添加外部的此类元件。无线通信模块CC2420与控制器MSP430F149相连后,作为终端分节点加入Zigbee网络参与组网。电能计量模块通过串口与MSP430F149相连,所得数据存储至Flash存储器,经过内置程序分析可得用电设备的实际平均功率等参数,并将所得参数反馈至控制面板以供用户查询以及智能用电推荐方案分析使用。开关与故障处理通过继电器的通断发挥作用,当收到开关指令或者发生短路故障时,由继电器执行相应的动作完成电路通断。智能开关的模块结构如图5所示。

电源MSP430F149CC2420电能计量开关故障处理 图5 智能开关的硬件配置

Fig.5 Hardware configuration of smart switch

无线传感器接收到来自控制面板的指令后,即对用电器电源进行开关或定时操作。智能开关上集成了电能计量模块,用户可以随时通过互动控制面板向用电器发送查询指令来获知用电器的电能消耗情况。如果用电器电源处发生故障,如最常见的短路故障,则报警模块会产生作用,自动跳闸并向控制面板反馈报警信息,使用户及时得知故障位置并处理故障。结语

用户是电能的消费者,用户的用电行为及习惯的理性改变对于提高能源利用效率起着决定性的作用。电力用户信息系统将用户与供电方紧密连接起来,使二者互相交流用电信息,激发用户参与电力市场的主动性,最终能使用户形成良好的用电习惯,提高能源利用效率,降低温室气体排放,保护环境。互动信息系统的应用不仅为用户提供更为方便与经济的用电方式,还能为电力公司带来更平稳的负荷,使得电网运行更为安全与经济。随着电力技术的不断发展,用户也可能会同时扮演供电者的角色,届时用户信息系统可以方便地实现升级拓展,以满足用户的需要。

参考文献

[1] 陈树勇, 宋书芳, 李兰欣, 等.智能电网技术综述[J].电网技术,2009, 33(8):1-7.Chen Shuyong, Song Shufang, Li Lanxin, et al.Survey on smart

grid technology[J].Power System Technology, 2009, 33(8): 1-7(in Chinese).[2] 崔秀玉, 王志勇, 王成祥.GPRS技术在电力系统通信中的应用

[J].电力系统通信, 2004, 25(8):3-7.Cui Xiuyu, Wang Zhiyong, Wang Chengxiang.The application of

GPRS technique in power system communication[J].Telecommunications for Electric Power System, 2004, 25(8):3-7(in Chinese).[3]

电力负荷预测技术发展趋势研究 篇6

关键词:负荷预测 趋势 研究

中图分类号:TM715文献标识码:A文章编号:1674-098X(2014)01(c)-0043-01

电力负荷预测是供电部门重要的经常性工作,负荷预测的结果对于新的发电机组未来扩展及安装,对未来机组装机容量大小的决定,时间地点的选择,以及对未来电网容量的改扩建都有重要的意义,电力负荷预测的工作水平已成为电力企业管理现代化的重要标志之一。

负荷预测的核心问题是预测的技术方法,随着电力企业管理水平的不断推进和科技水平的迅速发展,预测理论和预测方法也不断得到发展,先后出现了负荷预测经验技术和经典技术、趋势外推技术、回归模型预测技术、灰色预测技术等方法的实施运用,可以说负荷预测技术的发展在不断完善,实现并成熟运用智能化、精细化的负荷预测技术是当前和今后电力负荷预测技术发展的趋势和方向。

1 基于专家系统的负荷预测技术

专家系统技术在人工智能领域中占有重要地位,一个完整的专家系统包括知识库、推理机、知识获取和解释界面四部分,并基于知识程序建立起主要表现为软件的计算机系統,拥有某特殊领域专家的经验和知识,通过知识进行推理最终作出智能决策。

在长期负荷预测知识的前提下,专家系统可通过编辑“如果…,那么…(IF…,THEN…)”语句结构块组成知识库。可以建立电力发展规划参照知识库、弹性系数知识库、惯性知识库、综合指标知识库、行业用电比重知识库、用电水平判别知识库以及基于数学模型预测精度等级知识库等。

在专家系统技术方法实现过程中,通常将数据库系统和专家系统结合起来,也就是把数值计算与知识的描述结合在一起。比如,选取Foxpro数据库,首先进行在VB环境下的处理各种预测模型的数值运算,其次实现Foxpro与VB的数据交换,并把VB软件的数值运算结果Foxpro建立数据库,最后利用专家系统工具与Foxpro的数据交换与用户进行交流,对预测模型进行评估输出最优结果。[1]

基于专家系统的负荷预测技术具有快速决断的优点,并克服了单一算法的片面性是的该方法具有较广泛的应用前景。

2 基于神经网络的负荷预测技术

在电力负荷预测中应用神经网络,就是模仿人脑的智能化处理特点,对大量非结构和非精确性规律具有自学习、自适应、记忆、知识推理、优化计算等,因此应用人工神经网络进行电力负荷预测是具有潜力和先进的研究方法。一般来说,一个多层的神经网络分为三层:输入层、输出层和中间层。以BP神经网络为例,它就是利用训练样本实现从输入到输出的映射,在所选的网络拓扑结构下,通过学习算法调整各神经元的阈值和连接权值,使误差最小。

在电力负荷预测中,短期负荷变化可近似认为是一个平稳的随机过程,而神经网络是较为适合解决平稳随机过程的,因此神经网络主要应用于电力负荷预测的短期负荷预测。研究表明,运用人工神经网络方法的预测结果比其他方法具有更准确的优势,因而具有更加实用的前景。

3 基于小波分析的负荷预测技术

小波分析被称为“数学显微镜”,是一种时域—频域的分析方法,在图像处理、模式识别、故障诊断、状态监视、雷达探测等领域中得到应用,它可以聚焦到信号的任意细节,尤其是擅长对奇异信号、微弱信号和突变信号的处理,其目标是将一个信号转化为小波系数,从而方便地处理、分析、传递和存储或者用于重建原始信号,这些可以提现小波分析可作为电力负荷预测的有效途径。[2]

电力系统中负荷曲线具有特殊的周期性,将符合序列通过小波变换可分别投影到不同的尺度上,尺度上的序列分别代表了一定的“频域”分量,较为清晰地表现了负荷序列的周期性。在此基础上对不同的子负荷序列进行预测。虽然电力系统中负荷以日、周、月、年为周期发生波动,但通过小波变换后的序列重组得到较完整地小时负荷预测结果,实现对短期负荷的良好预测。

4 模型群优选组合的负荷预测技术

一般来讲,优选组合有两种基本涵义,一是把用不同预测方法得到的结果进行加权平均来预测;二是将几种不同的预测方法进行选择,选取拟合度最佳和偏差最小的作为最优模型来预测。优选组合预测方法有许多,其中模型群方法在应用时可避免漏掉最优预测模型,同时具有良好的自适应性,提高了预测的准确性和效果,这种方法就是选择n个预测模型和相对应的n个预测结果,通过判别标准偏差、拟合程度、关联度和误差等指标来比较n个模型的好坏,最后从中选择一个最优的模型进行负荷预测。这种方法体现了集多种预测模型的信息于一体,可达到改善预测效果的目的。

5 结语

综上所述,随着电力系统智能化程度的不断提高,电力负荷预测技术的研究也在不断深化,新的预测方法不断出现,从以前的经典方法到现在的智能化、最优化方法,为电力负荷预测提供了有力的工具,本文所提到的负荷预测方法是当前乃至今后的负荷预测发展和应用趋势,在研究和实践中取得了较好的效果。

参考文献

[1]牛东晓.电力负荷预测技术及其应用[M].中国电力出版社,2009.

浅谈电力负荷预测 篇7

1.1 电力负荷预测的含义

电力负荷预测是指在正确的理论指导下,通过调查研究掌握大量的资料,运用可靠的方法和手段对电力负荷的发展趋势做出科学合理的推断[1]。

1.2 电力负荷预测的意义

(1)电力负荷预测是供电部门的重要工作之一,电力系统是一个运行高度统一的大系统,电能不能大量储存,其生产和消费必须同时进行,准确的负荷预测,可以在保障电网的安全前提下,经济合理的安排电网内部发电机组的启停,合理安排机组检修计划,减少不必要的旋转备用容量,从而可以有效降低电网公司的运营成本,提高经济和社会效益。(2)负荷预测结果对电力规划提供依据,用于决定未来发电机组的安装,决定装机容量的大小、地点和时间,决定电网的增容和改建,决定电网的建设和发展[2]。(3)负荷预测是电价预测的基础和未来电力市场预测期货交易的基础,是电力市场化商业运营必需的基本内容[3]。

2 负荷预测的基本原理

(1)可知性原理。即预测对象的发展趋势和状况可以被人们知道,客观世界是可以被认知的,不但可以知道其过去和现在,而且可以通过总结它的过去和现在来推测未来。(2)可能性原理。由于事物的发展是多种因素导致的,所以事物发展会有多种可能。对某一指标进行预测,往往需要按照发展变化的规律,进行多方案预测。(3)连续性原理。强调事物总是从过去发展到现在,有现在发展到未来,而在这个发展过程中某些原有的特征或趋势将会延续下去。(4)相似性原理。预测对象现在的发展过程和状况可能和其它事物过去的某一阶段类似,这时人们可以根据后一事物的已知状况,来对预测对象未来发展进行预测。(5)反馈性原理。反馈就是把输出返回到输入端,在调节输出结果。运用反馈性原理是为了提高预测的准确性。当预测结果就与实践中实际值存在偏差时,首先分析偏差产生的原因,然后根据查明的原因适当改变输入数据,是预测结果更好。(6)系统性原理。此原理认为预测对象是一个完整的系统,其本身有内在的系统,而它与外界联系有形成了外在系统。系统性原理强调系统整体最佳,系统整体最佳才称得上高水平的预测。

3 电力负荷预测分类

负荷预测可按周期、社会用电情况、负荷特性、地理位置等多种方式进行分类。其中按周期分类是最普遍的一种预测方式,预测的周期可以分为:(1)长期预测。时间一般为一年以上,甚至几十年,预测的基本单位是年,主要用于为电源电网规划提供决策依据。(2)中期预测。一月以上,预测的基本时间单位是月,主要为检修、水库调度、期货交易、燃料计划提供决策依据。(3)节假日预测。一般情况下需要提前1~15天预测节假日期间的用电负荷负荷,需要根据节假日的特点以及国家相关政策进行。(4)短期预测。预测时间为1天~1周,预测的基本时间单位是小时或半小时,主要为现货交易(预调度计划)提供决策依据。(5)超短期预测。预测时间5分钟~60分钟,预测的基本时间单位是5分钟,主要为实时调度、实时电价预测提供决策依据。

4 负荷预测的方法

4.1 单位耗电定额预算方法,简称单耗法

单耗有两种,产值单耗和产量单耗。产值单耗:单位国民生产总值(或国内生产总值)所消耗的电量;产量单耗:生产每单位某种商品的耗电量。影响产值和产量单耗的因素包括:(1)产品结构。在工业生产中,产值单耗大的产品发展受到一定程度的控制,发展减缓,在行业中的比例减小,而单耗小的产品比重增大,使总的产值单耗减小。(2)产业结构。第一第三产业的单耗远远小于第二产业,第一产业在国民生产中比重较小,对单耗影响不大,而随着第三产业的迅速发展,社会总的单耗减小。(3)节电措施。国民经济各部门加强管理,对高耗能企业进行限制,鼓励采用新技术,发展节能设备,使产品单耗逐渐降低。(4)产品单价。由于产品质量提高,引起价格提高,从而增加产值,使产品单耗降低。但是在计算产值时应采用不变价格计算,剔除物价波动影响。(5)生产条件。由于生产条件改变,可能使某些行业单耗增加,例如,采矿行业,改善工作环境,增加安全措施,可能引起耗电量增加。

4.2 时间序列预测方法

所谓时间序列预测,就是根据到目前为止的历史资料数据,即时间数列y1,y2,…,yt…,yT所呈现出来的发展趋势和规律,用数学方法进行延伸、外推,推出今后各时期的指标值,即推出今后T+1,T+2,T+3,…,T+D时期的指标的预测值。由于所受影响不同,不同的时间数列表现出不同的特征,按照作用效果时间序列可分为四种变动:趋势变动(T)、季节变动(S)、周期变动(T)、不规则变动(I),任意时刻时间序列都可以表现为上述几种变动的不同组合。

4.3 电力弹性系数预测方法

应用此方法,必须预先知道预测期内国民经济的发展目标及经济增长速度,一般可根据国家发展战略与规划来确定。其关键问题是确定电力电力生产弹性系数值,弹性系数值受多方面因素的影响,又具有某种时间惯性,因此弹性系数取值既要考虑历史数据,又必须考虑未来可能的变化。

5 结语

负荷预测对于电力系统的发展规划,安全经济调度,起到极为重要的作用。高质量的对于有利于合理安排发电计划,机组检修,减少热备用,从而提高电力系统运行的经济型,节约能源。要得到高质量的负荷预测结果需要按照正确的步骤,并根据预测负荷的特点采用合理的方法进行。

,张富伟.电力负荷预测[M].北京:中国电力出版社,2001荷预测技术及其应用[M].北京:中国电力出版社,1998,刘亚安,等.电力系统负荷预测与电价预测[J].继电器,

参考文献

[1]肖国泉,王春,张富伟.电力负荷预测[M].北京:中国电力出版社,2001.

[2]牛晓东.电力负荷预测技术及其应用[M].北京:中国电力出版社,1998.

组合负荷预测方法综述 篇8

目前电力系统负荷预测方法多种多样,从类别上可分为经典预测法、传统预测法、现代预测法及组合预测法[1]。

经典预测法是从历史负荷数据中寻找简单的变量关系,或者利用专家经验预测未来负荷的趋势。这类方法预测简单、计算快速但精度差;传统预测法和现代预测法不能充分利用信息,都有各自的特点和适用范围;而组合负荷预测法通过采用不同的预测方法,并配以不同的权重系数进行适当组合进行预测[2]。该方法能够充分利用各种有用信息,能有效提高负荷预测精度,在实际工作中获得了广泛应用。本文首先简要介绍了几种常用的负荷预测方法,接着详细介绍了组合负荷预测的研究现状及确定组合预测中各模型最优权重的几种方法,最后介绍了组合负荷预测模型的误差修正方法,对提高负荷预测的准确性有一定的现实意义。

1 电力负荷预测方法

早期常用的负荷预测方法主要有趋势分析法、回归分析法、指数平滑法等,但预测精度低,且不具有自适应和自学习能力。近年来研究多集中于将人工智能方法用于负荷预测中,主要有灰色模型法、人工神经网络法、专家系统预测法、小波分析预测法、支持向量机等。

1.1 趋势分析法

趋势分析法根据已有的历史资料拟合出一条能反映负荷本身增长趋势的曲线,并按此曲线来估计未来某时刻的负荷预测值。该方法简单,计算速度快,但不能考虑气候等因素对负荷的影响。

1.2 回归分析法

回归分析法是通过对历史数据的分析,探索经济、社会发展与电力负荷的内在联系,并根据地区规划推算电力负荷。该方法不仅依赖于模型的准确性,更依赖于影响因子其本身预测值的准确度。

1.3 指数平滑法

指数平滑法是用以往的历史数据的指数加权组合来直接预报时间序列的将来值。该方法模型简单、计算方便,且需要贮存的数据少,但负荷预测的准确度很大程度上依赖于模型及平滑系数的选择。

1.4 人工神经网络法

人工神经网络通过多个神经元的相互连接,在输入和输出之间构成了一个复杂的非线性系统。神经网络具有很好的函数逼近能力,可以方便地计入温度、天气、湿度等外界因素对电力负荷的影响。

2 组合预测法

组合预测模型将多种预测方法所得预测值加权平均,得到最终结果。文献[3]将Kohonen网络、Elman神经网络和遗传算法结合起来建立一种智能组合预测模型。文献[4]提出了一种基于诱导有序加权平均算子的短期负荷最优组合预测方法,针对同一种方法在不同时刻的预测效果不同,在某一时刻按单项方法预测精度的高低进行有效赋权。

组合预测方法的关键在于如何确定所选单一模型的权重系数。组合预测模型可分为:不变权重组合模型和变权重组合模型。不变权重组合模型也叫传统组合预测模型,该方法过分依赖某种特定的预测方法。而变权重组合模型的权重系数是随时间变化的函数,能综合利用各模型特点,结果更为准确。目前常用的确定权重系数的方法有等权平均法、方差优选法、线性规划法等。

2.1 等权平均法

等权平均法就是将各单个模型同等对待。假设n个单个模型的预测结果为fj(j=1,2,...,n),按照等权平均法计算,组合预测结果为。这种方法简单易于使用,但预测精度不高。

2.2 方差优选法

方差优选法就是通过求取使组合预测结果的方差达到极小值时的组合权重数值来确定组合预测模型,所得到的组合预测模型使预测结果的方差最小,其中各权重系数之和应为1。

2.3 线性规划法

为了确保组合预测法在任何时刻的权重系数ω均大于零,可采用线性规划法确定权重系数。

假设et表示t时刻组合预测模型的预测误差,则线性规划法求解最优权重的目标函数为:预测误差绝对值之和最小,如公式(1)所示:

公式(1)中n是历史数据的个数。

由于绝对值不易处理,故作如下变换,令

于是可建立如下线性规划模型:

根据公式(4)~(9)所建的模型,用线性规划方法可计算出ωi(i=1,2,…,m)的值。

除此之外,求解最优权重的方法还有很多。文献[5]在确定组合权重系数过程中,除了考虑负荷预测精度,还考虑了电力需求和未来经济发展的关系。文献[6]借助了最优化理论将反映负荷变化趋势的趋势权重和时间最优权重相结合,得到了综合权重的模糊时间序列预测法。

3 组合预测的误差修正

计算和分析预测误差的指标有很多,常用的主要有[7]:绝对误差,相对误差,均方根误差和后验差检验。一般而言,组合预测的结果要优于单一预测结果,组合预测的最大误差要小于各单一方法的最大预测误差,有效地降低了预测的风险性。

为了进一步提高负荷预测的精确性,文献[8]提出了采用误差预测修正方法减小预测误差,根据误差的变化趋势,对误差进行预测和分析,利用迭代方法建立循环的误差预测修正措施,逐渐减小误差,直至整体预测精度达到预定要求或者当前条件下最高。

4 结论

电力系统负荷预测中采用组合预测方法,可提高负荷预测精度。本文首先简要介绍了几种常用的负荷预测方法,接着详细介绍了组合负荷预测的研究现状及确定组合预测中各单一模型最优权重的几种方法,最后介绍了组合负荷预测模型的误差修正方法。可以得出以下结论:

(1)组合预测方法得到的结果要优于单一模型预测方法得到的结果。

(2)参与组合的单一模型并非愈多愈好,正确选择参与组合的单一模型和合适的模型个数是提高预测模型精度的关键。

(3)变权重组合模型的权重系数是随时间变化的函数,综合利用各模型的特点,预测结果更准确,它将成为未来组合负荷预测方法的发展方向。

(4)目前关于组合负荷预测法的误差修正方法尚不完善,有待进一步研究。

摘要:电力系统负荷具有很多不确定因素,针对单一模型进行负荷预测时,预测精度不高这一问题,可采用组合预测法将多种预测方法所得的预测值进行加权平均而得到最终预测结果,以满足现代电力对负荷预测结果的准确性、快速性和智能化的要求。该文首先简要介绍了几种常用的负荷预测方法,接着详细介绍了组合负荷预测的研究现状及确定组合预测中各模型最优权重的几种方法,最后介绍了组合负荷预测模型的误差修正方法,对提高负荷预测的准确性有一定的现实意义。

关键词:负荷预测,组合预测,误差修正,综述

参考文献

[1]蒋燕,王少杨,封芸.基于递归等权组合模型的中长期电力负荷预测[J].电力系统及其自动化学报,2012,24(1):151-155.

[2]李林川,吕冬,武文杰.一种简化的电力系统负荷线性组合预测法[J].电网技术,2002,26(10):10-13.

[3]魏安静,田丽.智能组合预测法在短期电力负荷预测中的应用研究[J].安徽工程大学学报,2011,26(1):62-65.

[4]黎静华,韦化.基于诱导有序加权平均算子的最优组合短期负荷预测[J].电网技术,2011,35(10):177-182.

[5]温青,张筱慧,杨旭.基于负荷误差和经济发展趋势的组合预测模型在中长期负荷预测中的应用[J].电力系统保护与控制,2011,39(3):57-61.

[6]刘晓娟,方建安.综合权重的模糊时间序列的电力负荷预测方法[J].华东电力,2012,40(4):518-520.

[7]程忠浩.电力系统规划.北京:中国电力出版社,2008.

负荷预测 篇9

负荷预测工作对电力系统运行、控制和规划起着非常重要的作用。特别是在电力系统运行中, 负荷预测工作是年、月、日运行方式编制和调度运行的基础和前提。在电力市场背景下, 负荷预测作为对电力需求的预测工作, 其预测结果将成为电网电力平衡、制订发电计划和联络线计划、电网规划、经济调度等的必要基础。提高预测准确率的目的在于提高电力系统运行的安全性和经济性。

1 影响负荷预测准确率的因素

用电负荷预测是调度部门的一项非常重要的基础性工作, 是做好全网发用电平衡、合理安排发用电计划、保障生产、生活可靠用电的主要因素。负荷预测工作历来都是电网运行中一个难题, 随着电力逐步走向市场, 对负荷预测工作的要求更高。此外, 在大负荷期间, 负荷预测工作对重载情况分析、紧急措施的选择、电力平衡情况的分析等起着重要的作用。

地区负荷特性是由构成本地区负荷的各种用电设备的特性所决定的, 而用电设备的种类、用电的大小、用电饱和程度与所在地区人民的生活水平和习惯、气候条件及工农业生产等情况有关, 各种用电设备的投切和负荷变化也取决于用户本身的需要。由上可知, 这些影响因素有的是随时间而变化, 有的是随机的, 这就决定了负荷特性的时变性和随机性, 给负荷预测工作带来极大的困难。因此, 要做好城南电网的负荷预测工作, 首先要对城南电网负荷特性进行充分地分析。

随着天津城南地区经济的不断发展, 居民负荷和第三产业负荷比重逐年上升, 2006年产业用电构成数据表明:第三产业和居民生活用电负荷占全部负荷的67%。居民生活用电和第三产业用电增长速度快, 且居民生活用电和第三产业用电的随意性大, 受气候因素影响大。从历史负荷数据并结合各种因素分析来看, 直接或间接影响到负荷预测准确率的因素主要有以下几条:

1.1 气象因素

目前, 调度部门的短期负荷预测数学模型都引入了气象部门提供的气象预报信息, 气象预报的准确率越来越影响到用电负荷预测的准确率。这些气象因素包括温度、湿度、日照、雨量等, 这些因素对负荷波动构成了最直接的影响, 特别是对于民用负荷所占比例较高的区域电网更为突出, 城南电网就属于这种对气象因素敏感性高的情况。天津气候的主要特点就是四季分明:春季干旱, 夏季炎热多雨, 秋季天高气爽, 冬季寒冷干燥;风向有明显的季节变化, 冬季盛行西北风, 夏季盛行东南风。春、秋两季气候宜人, 负荷曲线比较稳定, 变化不大, 受气象因素影响幅度小, 一般负荷增长表现为城南地区的自然增长。夏、冬两季负荷较大, 对天气变化非常敏感, 且大负荷出现在这两个季节, 冬季大负荷一般小于夏季大负荷。

例如, 2007年6月27日, 日间最高气温达30℃。13点城南全网负荷一路攀升至964.37MW。但下午城南地区遭遇一场大暴雨, 持续时间达3小时, 全网负荷由13点00分960.51MW大幅下挫至16点30分709.46MW, 3小时内负荷下降幅度达251.05MW, 约占26%, 如图1所示。气候因素对于城南电网负荷的影响可见一斑。由于天气变化大, 负荷大幅波动, 造成负荷预测的难度加大, 人工降雨等非自然因素也夹杂其中, 更增加了气候的复杂程度和负荷预测的难度。

1.2 天气预报的不具体性和不准确性

天气预报的具体性和准确性也是影响城南地区电网负荷预测的一个重要因素。拨打12121电话报的天气预报经常与当日情况不符, 特别是夏季负荷对天气情况较敏感, 天气预报的具体性和准确性直接影响日负荷预测准确率。如:2007年7月28日报多云见阴, 东南部地区有雷阵雨, 气温33-22℃, 白天湿度60%, 而2007年7月29日报多云见阴, 西部地区有雷阵雨, 31-21℃, 白天湿度50%。根据天气情况可推知, 7月28日 (曲线2) 负荷应高于7月29日 (曲线1) 负荷, 可事实却恰恰相反, 而且相差很大, 如图2所示。

下雨时间的正确估计在夏季大负荷期间对负荷预测也有很大影响, 往往一场大雨能严重改变负荷曲线的形状, 如图3所示。同时, 天气的阴晴情况、起风情况等对负荷也有一定的影响。

1.3 节假日及特殊条件的影响

节假日负荷情况与平常负荷不同, 一般负荷维持较小的水平, 所以对节假日负荷应特殊问题特殊分析。还有其它一些因素也影响着城南地区负荷预测工作的准确性, 比如数据传输通道中断、事故情况、历史数据不全等。

1.4 城南地区负荷持续增长的影响

城南地区是整个天津市地区负荷的一个缩影, 其负荷约占到天津市负荷的15%。同天津市的高负荷增长率一样, 城南电网的负荷也呈现一个高增长的态势。截止到2007年7月底, 城南地区瞬时最大负荷110.1万千瓦, 较06年高峰负荷103.5万千瓦增长6.4%。图4是2006、2007年城南地区1-5月份高峰负荷比较图。图5是城南地区2006年6月29日 (曲线1) 和2007年6月29日 (曲线2) 全日负荷的比较。从图5中可以看出, 城南地区电力需求呈增长态势。

当今流行的负荷预测算法, 从最简单的最小二乘法, 到相对复杂的傅立叶算法, 再到现今非常流行的神经网络算法、遗传算法、蚂蚁算法等, 从原理上都是在大量历史数据的基础上根据天气等其他要素做系统辨识, 分析出近似的函数关系, 再根据未来的要素情况预测出未来的负荷走向。由于城南地区负荷呈现高增长的趋势, 增长的趋势主要源于地区经济的发展和基础建设的情况, 增长幅度难于预测;虽然历史数据对未来预测的基础作用是有的, 但对预测的精度帮助不大, 也就是说历史数据的参考意义有限。

2 精细化负荷预测工作, 提高负荷预测准确率

提高本地区负荷预测精确率, 负荷预测工作人员必须探索出适应本地区电网负荷特性的预测方法。近年来, 通过对气象因素、负荷类型等影响负荷预测准确率因素和历史数据的精细化分析, 提出以下几点负荷预测工作的工作思路。

2.1 加强气象因素对电网负荷影响的分析

天津夏季炎热多雨, 冬季干燥寒冷, 天气变化剧烈, 加强气象因素对电网负荷影响的分析尤为必要, 所以夏冬的负荷预测工作应以气象作为负荷预测的基础。在负荷预测中最困难的就是对突发天气情况的预测。天气预报系统对突发天气情况的预报往往是不准确的, 尤其是对其规模和影响范围。即使天气预报准确地预测出了天气的异动和规模, 但对于准确的发生时间还是束手无策的。对于突发天气的准确预测, 只能凭预测人员的经验来进行, 而这往往是不准确和机会主义的。软件实现也只能采用模糊的方式应对突发性天气的影响。

但我们也注意到, 虽然气象部门无法准确预测突发性天气的发生时间, 但是一般来说, 对整天的预测还是有一定准确率的。比如说预测第二天下小雨, 一般准确率能达到80%左右, 雨量准确率能达到70%左右。

根据以上情况, 笔者认为负荷预测应分两种不同情况考虑:即根据正常天气状况预测次日的负荷为一种状况, 假定次日为特殊天气来预测次日的负荷为另一种状况。两种状况分别预测一条曲线, 出现特殊天气状况时人为切入特殊天气曲线作为预测曲线, 天气恢复后再切回正常天气的曲线。这样预测的准确率能大幅增加, 从软件实现来说也更加可行, 同时能中和部分天气预报不准确问题带来的影响。

2.2 加强负荷类型的分析

负荷预测是一项精细的工作, 只有对负荷按照时间、季节等进行细分, 掌握规律和特点才能做好预测。比如可按季节分为春、夏、秋、冬四个季节;或按月份分为十二个月;又可分为工作日、节假日;工作日可划分为从星期一到星期五;节假日分为星期六、星期日、元旦、五一、国庆节 (清明节、端午节、中秋节等节假日也应列入) ;从大年三十至正月十五为春节期。负荷预测也可按照气候及地理的特点来细化。如此多方面交叉细化的负荷分析及预测将有利于提高负荷预测准确率。

2.3 加强关口管理和数据积累、分析工作

近年来, 由于负荷预测工作刚刚开始, 加上城南地区部分装置无实采功能, 且城南地区功率总加关口经常发生变化, 历史数据不全, 负荷预测人员很难对近几年数据进行分析总结, 这些情况加大了城南地区负荷预测工作的难度。近期, 城南供电公司调度部门加强了关口的管理工作, 积累了有效的负荷数据, 这将对以后的负荷预测工作有很大的帮助。

2.4 从预测方法上提高负荷预测准确率

精心研究各种负荷预测方法, 如神经网络等考虑天气因素的方法, 以丰富的历史数据为支撑, 研究出适应城南电网的负荷预测方法。

2.5 从管理上提高负荷预测准确率

包括对数据的管理和对预测人员的管理。在数据管理上, 应开发具备强大数据管理功能的软件。这些软件可以将历史负荷数据以及气象数据管理起来, 将历史上每一天的实时情况与当天的实时情况进行分析, 为负荷预测提供完整的预测依据。在预测人员的管理上, 要求预测人员每天跟踪影响负荷因素的变化情况, 并不断修正负荷预测结果, 直至当天日计划编制完毕。众所周知, 对于次日的负荷预测, 进行预测的时间越近, 其预测精度越高。

3 结束语

如前所述, 城南地区负荷预测与诸多因素相关联, 具有不准确性、条件性、时间性、突发性等特点, 是一项精细的工作。而负荷预测工作的复杂性, 需要我们负荷预测工作者与时俱进, 及时跟踪分析负荷变化特点, 总结负荷变化规律, 把握与之相适应的科学方法, 不断提高负荷预测准确率。

摘要:从分析2007年1-7月份天津市城南区负荷数据着手, 总结了07年上半年城南地区负荷情况, 分析了影响城南电网用电负荷的诸多因素 (如气象、节假日及特殊事件等的影响) , 针对负荷预测工作的复杂性, 提出应不断加大投入精力对其进行研究总结进而提高城南地区负荷预测准确率的工作思路。

关键词:城南电网,负荷预测,准确率

参考文献

负荷预测 篇10

目前国内外专家学者对负荷预测方法的研究大体上可以分为两类:第一类是经典预测方法, 主要有回归分析法、时间序列法[2]、趋势外推法等, 经典方法缺点是面对比较复杂问题时建模难度大, 需要较高的技巧和丰富的经验;第二类是人工智能算法, 主要有模糊预测法[3]、专家系统法[4]和人工神经网络法[5]等。由于电力系统负荷具有很多不确定因素, 单项预测模型不能完全反映出电力负荷的变化规律和信息, 因此组合预测模型成为当今研究新的发展方向。在以往的组合预测研究及应用中, 参与组合预测的单项预测模型往往没有经过筛选, 而是人为主观决定后直接进行组合, 文献[6]观点表明最优模型组包含的单项预测模型并非越多越好。在组合模型的权值研究中, 要根据各单一模型在历史数据中的表现确定其组合权值, 如方差倒数法;利用优化算法求取组合预测模型的最优权系数, 如粒子群优化组合预测[7]等。

本文针对负荷变化的特点和已有方法的不足, 提出了一种基于有效度遴选和虚拟预测的负荷组合预测方法, 有效提高包含大量冲击负荷地区的预测精度。

1 单项预测模型遴选

当参加组合的预测方法由n种增加到n+1时, 并不能保证一定会降低非负权重最优组合预测误差平方和。本文参考排除冗余数据的方法[8], 从预测有效度的角度考虑, 确定最优模型组包含的单项预测模型。

假设εij= (xj-xij) /xj为第i种预测方法在第j个时刻的相对误差, 令

则称aij为第i种方法在第j个时刻的预测精度, i=1, 2, …, m;j=1, 2, …, t;称M (zi) =E (Ai) (1-σ (Ai) ) 为第i种预测方法的预测有效度, 其中数学期望E (Ai) 和标准差σ (Ai) 计算公式为

根据有效度选择单选预测模型的过程为:

1) 按照有效度公式对各个单项预测模型进行评价, 并按有效度大小进行排序, 例如, 假设M (z1) ≥M (z2) ≥…≥M (zm) 。

2) 挑选有效度最高的两个预测模型z1和z2, 以误差平方和最小准则建立组合预测模型z12并计算其有效度M (z12) 。如果M (z12) ≤M (z1) , 表明单项模型z2的加入并没有使预测有效度提高, 说明z2为有效度冗余模型, 把它从单项模型中剔除;如果M (z12) ≥M (z1) , 表明z2的加入使得预测有效度提高, 保留该组合预测模型。

3) 将步骤2) 中得到的组合预测模型作为最好的预测模型, 继续加入余下的单项模型, 并进行有效度判断, 直到所有的单项模型判定完为止。最后所得组合预测模型即为最终预测模型。

根据上述步骤, 在模糊预测法、误差反馈加权时间序列法、回归分析法、BP神经网络法和最小二乘支持向量机法中, 最终选取BP神经网络、灰色模型法和误差反馈加权时间序列法组成组合预测模型。

2 基于虚拟预测的负荷组合预测方法

虚拟预测是指对历史时间点的数据进行假定的预测, 其预测的结果认为是历史时间点的拟合结果, 从而可以按拟合的效果做出各个单一方法权重的判断[9]。将预测日之前的历史数据进行整理分析, 可分为历史时段和虚拟预测时段。本文构建的组合预测模型借助了虚拟预测思想, 其应用在电力系统负荷预测上的基本思想如图1所示。

组合预测模型通过利用各单项模型进行虚拟预测得到各单项模型的预测结果, 利用评价指标形成组合预测模型中单项模型的权系数。方差倒数法是一种常用的权系数生成方法, 通过使用预测误差平方和反应预测模型预测精度, 通过对预测时段前的历史若干次等时长虚拟预测, 在同一时刻t预测误差平方和较小则认为单项模型在t时刻预测效果较好。此单项预测模型在t时刻被赋以较高权重, 即

式中:;Ei, t为第i个单项预测模型进行的历史预测在t时刻的误差平方和;m为单项预测模型个数;n为预测时间长度。

根据有效度遴选, 选取BP神经网络、灰色模型法和误差反馈加权时间序列法组成组合预测模型, 可以得到虚拟预测模型的完整框架, 如图2所示。

3 仿真分析

3.1 负荷准确率评价指标

在组合预测模型中, BP神经网络的输入除了负荷样本还考虑了最高温度、最低温度、降雨量和日期类型, 补充了时间序列模型和灰色理论模型的不足。

根据南方电网调度负荷预测管理与考核办法, 并结合地区电网的实际需求, 分别取用日最大负荷准确率、日最小负荷准确率、日24点准确率作为不同预测模型的评价指标, 其指标计算表达式为

式中:Pmax、Pmin分别为当天实际最大、最小负荷;分别为当天预测的最大、最小负荷;为24个考核点的相对误差, 0≤i≤23。

3.2 实例分析

所使用的历史负荷数据由广东河源地区电网提供。历史数据 (2010年—2012年) 为数据采集与监控 (SCADA) 系统获取的实测负荷量, 所有数据的时间分辨率均为5 min, 即一天拥有288个数据样本。该地区用电基数比较小, 处于300~1000 MW的规模, 同时存在着较多的钢铁用户, 其主要用电设备属于冲击性负荷, 与其他负荷的随机波动叠加在一起, 将会使电网负荷发生较大波动。选取了2012年7月1日至7月7日一周的历史负荷作为评价样本, 第1天预测结果如图3所示, 连续7 d各方法预测结果误差如表1所示。

由图3可知, 该地区负荷曲线呈现“三峰两谷”的变化趋势。由于电网对工业用电实行峰谷电价, 鼓励多用低谷电, 因此炼钢厂、轧钢厂生产主要集中在00∶00-08∶00, 负荷曲线的每个拐点均为高频分量幅值较大的时刻。由此可见, 本文所述的组合预测方法能准确地捕捉冲击毛刺的变化规律, 预测曲线比各单项预测更接近实际值。

由表1可知, 对最重要的24点准确率采用本文所述的组合预测模型比各个单项预测模型表现的更好, 而且预测结果稳定, 日最大、最小负荷准确率均比其他两种模型有明显提高。这对于基础负荷相对较小、冲击负荷所占总负荷较大的地区已是不小的提升。从综合结果来看, 本文方法对于含冲击负荷地区负荷预测有更大的优越性。虚拟组合预测相对百分比误差如图4所示。

由图4可知, 在连续7 d共168个预测点中, 误差在10%以上共有3个预测点, 占总数的1.79%;154个点预测误差在5%以内, 占总数的91.67%;其余11个预测点误差为5%~10%, 占总数的6.55%。由此表明, 本文提出的预测方法能有效提高负荷预测精度, 且每个考核点预测结果稳定, 更接近于实际的负荷曲线, 而单一方法的预测结果则会出现较大的偏离。

4 结论

1) 与单项预测模型对比, 本文所述组合方法能有效克服单一模型的缺点, 解决选择单项模型的随机性和权重难以确定的问题。

2) 新方法具有更高的预测精度和更好的稳定性。

摘要:为提高电力系统负荷预测精度, 应对大量随机冲击负荷接入电网带来的预测精度下降, 提出一种基于有效度遴选和虚拟预测的负荷组合预测方法。首先通过预测有效度对单项预测模型进行选择, 确定最终组合预测模型, 然后运用组合预测方法进行提前24 h预测, 得出实际预测结果, 其中各单项预测模型的权系数通过虚拟预测法来确定。实例分析表明, 该方法有效解决了选择单项模型的随机性和权重难以确定的问题, 且预测效果明显优于单一预测方法。

关键词:有效度,虚拟预测,组合预测,冲击负荷,负荷预测

参考文献

[1]廖旎焕, 胡智宏, 马莹莹, 等.电力系统短期负荷预测方法综述[J].电力系统保护与控制, 2011, 39 (1) :147-152.LIAO Nihuan, HU Zhihong, MA Yingying, et al.Review of the short-term load forecasting methods of electric power system[J].Power System Protection and Control, 2011, 39 (1) :147-152.

[2]兰华, 朱锋.基于EMD与粗糙集及神经网络相结合的短期负荷预测[J].黑龙江电力, 2012, 34 (4) :241-245.LAN Hua, ZHU Feng.Short-term load forecasting based on EMD and the combination of rough set and neural network[J].Heilongjiang Electric Power, 2012, 34 (4) :241-245.

[3]姜妍, 兰森, 孙艳学.基于最小二乘支持向量机的短期负荷预测[J].黑龙江电力, 2012, 35 (5) :349-352.JIANG Yan, LAN Sen, SUN Yanxue.Short-term load forecasting based on least square support vector machine[J].Heilongjiang Electric Power, 2012, 35 (5) :349-352.

[4]KANDIL M S, EL-DEBEIKY S M, HASANIEN N E.Longterm load forecasting for fast-developing utility using a knowledgebased expert system[J].IEEE Power Engineering Review, 2002, 17 (4) :78.

[5]李程, 谭阳红.电力负荷的RBF神经网络预测[J].黑龙江电力, 2010, 32 (4) :252-254.LI Cheng, TAN Yanghong.RBF Prediction of electric power load[J].Heilongjiang Electric Power, 2010, 32 (4) :252-254.

[6]金鑫, 罗滇生, 孙广强, 等.中长期电力负荷预测模型筛选与组合方法[J].电力系统及其自动化学报, 2012, 24 (4) :150-156.JIN Xin, LUO Diansheng, SUN Guangqiang, et al.Sifting and combination method of medium-and long-term load forecasting model[J].Proceedings of the Chinese Society of Universities, 2012, 24 (4) :150-156.

[7]高丙坤, 李阳, 许明子.优化粒子群算法在组合供热负荷预测中的应用[J].信息与电子工程, 2011, 09 (5) :655-659.GAO Bingkun, LI Yang, XU Mingzi.Application of particle swarm optimization algorithm in the heating load combination forecasting[J].Information and Electronic Engineering, 2011, 09 (5) :655-659.

[8]王丰效.基于有效度的组合预测单项模型的逐步遴选方法[J].统计与决策, 2014 (12) :69-71.WANG Fengxiao.Stepwise selection method based on combination forecast of the validity of single model[J].Statistics and Decision Making, 2014 (12) :69-71.

注:本文为网友上传,旨在传播知识,不代表本站观点,与本站立场无关。若有侵权等问题请及时与本网联系,我们将在第一时间删除处理。E-MAIL:66553826@qq.com

上一篇:双微处理器技术 下一篇:经济负荷