电力负荷预测
电力负荷预测的相关文献在1986年到2023年内共计1048篇,主要集中在电工技术、自动化技术、计算机技术、工业经济
等领域,其中期刊论文419篇、会议论文45篇、专利文献281394篇;相关期刊276种,包括人天科学研究、城市建设理论研究(电子版)、中国高新技术企业等;
相关会议31种,包括2012年中国电机工程学会年会、全国冶金自动化信息网2012年会、中国高等学校电力系统及其自动化专业第二十七届学术年会等;电力负荷预测的相关文献由3614位作者贡献,包括牛东晓、刘辉、刘雨桐等。
电力负荷预测—发文量
专利文献>
论文:281394篇
占比:99.84%
总计:281858篇
电力负荷预测
-研究学者
- 牛东晓
- 刘辉
- 刘雨桐
- 熊娇
- 王伟
- 王国勋
- 石强
- 韩俊
- 周浩
- 胡炳谦
- 顾一峰
- 张淑清
- 李辉
- 田丽
- 窦春霞
- 周保荣
- 周挺辉
- 徐原
- 李军
- 王浩
- 王燕涛
- 甄鸿越
- 程韧俐
- 罗育辉
- 蔡延光
- 赵利刚
- 郭昆
- 韩洁平
- 冯丽
- 凤志民
- 刘伟
- 刘勇
- 刘海涛
- 卞海红
- 吴小珊
- 吴道林
- 周姝灿
- 周开乐
- 姚建刚
- 姜辉翔
- 宋万清
- 尹智海
- 岳东
- 左郑敏
- 张万涛
- 张倩
- 张林
- 於志勇
- 易灵芝
- 李从飞
-
-
邓真平
-
-
摘要:
为整体预测未来电力负荷变化趋势,提出一种基于经验模态分解和深度神经网络协作的短时电力负荷预测方法.首先为削弱原始负荷序列的非平稳特性,利用经验模态分解算法对原始负荷序列进行分解,得到各时序分量.在此基础上,构建各分量的深度神经网络预测模型,将分量的预测结果进行重构得到短时电力负荷预测曲线.利用某电厂短时负荷数据对模型的预测效果进行验证,得到其预测结果的平均绝对误差、均方根误差、平均绝对百分比误差分别为402.9518、588.9451、0.0426.对比仿真进一步表明,同等条件下,基于经验模态分解和深度神经网络协作的短时电力负荷预测方法相较于单一的深度神经网络预测方法,在效果上精度更高,可用于对短时电力负荷的预测.
-
-
董彦军;
王晓甜;
马红明;
王立斌;
李梦宇;
岳凡丁;
袁欢
-
-
摘要:
电力负荷具有非线性和时序性的特点,为了深入研究各特征变量对于电力负荷预测的重要性,进而获得更高的电力负荷预测精度,提出了基于随机森林(random forest,RF)算法及长短期记忆网络(long short-term memory,LSTM)的混合负荷预测模型。首先根据时间日期因素及气候因素建立高维特征数据集作为随机森林模型的输入,通过随机森林算法筛选出重要特征量,并使其与历史负荷结合作为LSTM模型的输入,经过粒子群算法对LSTM模型进行参数寻优后得到RF-LSTM混合模型及负荷预测结果。使用该方法对河北电网某台区的电力负荷进行预测,结果表明该混合模型的预测精度比未经特征变量筛选的传统单一的随机森林算法、LSTM模型以及BP神经网络更为理想。
-
-
马骞;
周毓敏;
袁泉;
周辉
-
-
摘要:
为提升台风期间电力负荷预测精度,提出基于相似周期与相似日特征的双重相似预测方法,将各类台风天气依据其对负荷产生的影响程度分为无特殊影响台风、影响性台风与破坏性台风,并阐述各类台风特点与预测思路。对于台风期间短期电力负荷预测,采用寻找相似性的方法,从气象变化的相似周期以及综合考虑气象、日期距离、星期类型、季节类型以及台风强度的相似日特征入手,形成基于双重相似机制的台风期间负荷预测方法。以广东省负荷预测为例,在台风“海高斯”期间,所提预测方法实现了预测准确率的提升,验证了方法的有效性。
-
-
朱振涛;
陆思豪
-
-
摘要:
在目前中国的南方电力市场的电量偏差考核机制下,拥有更准确的电力负荷预测技术的售电企业在现在的中长期市场中将会有更少的偏差电量,从而获得成本更低的竞争优势。为了探究在成熟的电力现货市场下,对电力负荷预测有影响的因素有哪些以及如何使用预测模型实现更好的电力负荷预测精度的问题,通过文献梳理归纳出影响电力负荷四类因素:历史负荷数据、气象因素、时间因素、经济因素,构建了考虑多变量因素的长短期记忆网络(LSTM)电力负荷预测模型,以澳大利亚昆士兰州为算例进行预测分析,结果表明基于LSTM的电力负荷预测方法误差相比较于基于ARIMA模型的电力负荷预测方法的误差更低,预测效果更好。而在影响因素当中,算例结果比较显示日期类型对电力负荷预测预测结果影响最强,其次是电价因素,最后是最低与最高温度。该预测方法在相似于美国的PJM电力市场中也可以使用。
-
-
郭松林;
巴艳坤;
李春
-
-
摘要:
为提高电力负荷短期预测的精度和稳定性,提出了改进麻雀搜索算法优化BP神经网络的短期负荷预测模型,将麻雀搜索算法中发现者的觅食行为由跳跃式改进为移动式,优化BP神经网络的初始权值和阈值,以某地的电力负荷数据验证预测模型的准确性。结果表明,与标准麻雀搜索算法优化BP神经网络相比,改进麻雀算法优化BP神经网络的预测模型的平均误差降低了4.80%,改进后模型的预测精度更高。
-
-
彭飞;
马煜;
张晓华;
吴奕;
邓文琛;
陈志奎
-
-
摘要:
深度学习模型通过学习数据的深层特征能够有效提高电力负荷预测的准确率,但同时也带来了超参数较多、模型可解释性差等问题。针对这些问题,文中将深度森林模型引入短期电力负荷预测领域。在多粒度级联森林模型的基础上改进了多粒度窗口扫描方法,调整窗口大小与滑动步长,使模型能够在不同时间尺度下提取电力负荷数据的周期性特征。此外,改进深度森林输出层的计算方法,将输出结果由离散的类向量改进为连续的预测值,进而提高模型的精确度。最后在中国东北电网的实测数据中验证了文中所提出方法的可行性与有效性。从实验结果可知,改进深度森林算法在较高预测精度的情况下能取得更高的准确率,并且相较于深度神经网络具有更快的学习速度。
-
-
何闰丰;
黄莺
-
-
摘要:
我国电力负荷的快速增加和电网运行环境日趋复杂,对电力负荷预测的准确性和可靠性提出了更高的要求。为了解决电力预测准确率低的问题,提出一种改进支持向量机的电力负荷预测方法。该方法综合考虑了影响电力负荷预测效果的气象因素,采用多元线性回归模型拟合了电力负荷与最高温度、最低温度、平均温度以及相对湿度的关系,找出电力负荷数据的异常点,再使用秃鹰搜索算法优化支持向量机中参数。该方法提高了预测的效果,给电力负荷预测提供了借鉴思路。
-
-
侯慧;
王晴;
赵波;
章雷其;
吴细秀;
谢长君
-
-
摘要:
随着碳交易系统的发展,准确预测电力能源消耗对于能源管理是至关重要的。为实现在缺失天气等多种关键信息下的电力负荷预测,首先采用混沌理论中的相空间重构技术对历史负荷时间序列进行处理,根据排列熵验证混沌特性。并利用8种机器学习模型进行预测与比较,其中包括4种以神经网络为基础的机器学习模型、3种以统计学习为基础的机器学习模型及1种基准模型。其次采用灰色关联度法对预测精度较高的极限学习机(ELM)和极端梯度提升(XGBoost)进行组合,构建了ELM-XGBoost模型。最后将ELM-XGBoost应用于一日至一周内不同时间尺度的负荷预测。结果表明,预测精度随预测时间尺度增加而呈现降低的趋势,且在日负荷预测中,所构建的ELM-XGBoost模型预测精度得到提升,应用效果良好。
-
-
张莲;
李涛;
宫宇;
杨洪杰;
张尚德;
贾浩
-
-
摘要:
针对电力负荷序列的非平稳、非线性和长记忆等问题,建立了一种基于变分模态分解(VMD)、考虑变分模态分解残差量情况的长短期记忆神经网络(LSTM)电力负荷预测模型。首先,该预测模型采用VMD算法将归一化后的电力负荷数据分解为一系列本征模态(IMF)分量和残差量;然后,对每个IMF和残差量分别建立LSTM模型进行预测;最后,将各分量预测结果反归一化组合重构得到最终的电力负荷预测结果。使用平均绝对百分误差(MAPE)和均方根误差(RMSE)评价模型,结果表明该模型的预测精度优于LSTM模型和VMD-LSTM模型。
-
-
许隽杰;
陈永保;
章立新;
高明;
刘婧楠
-
-
摘要:
电力用户侧短期负荷需求的快速准确预测是实现电网优化调度的基础,只有搞清楚用户侧负荷需求,才能更好实现负荷供给。因电力负荷需求受气象、生产生活等多重因素的影响,而现有方法预测准确度不够高,制约了电网总体运行效率的进一步提高。本文提出了一种基于LightGBM算法的短期电力负荷预测模型,特征输入参数中考虑了气象参数和用户历史用电指标,模型中使用了五折交叉验证法,以提高预测精确度及泛化性,并利用某省的实际电网母线的电力数据,对模型进行训练及验证。结论表明:不同历史数据规模大小的选择对LightGBM模型的预测精度有一定影响,预测数据与实际值相比,平均绝对误差均小于0.3,平均绝对百分比误差均小于0.01%,均方根误差均小于1%。将本文模型和多元线性回归模型及XGBoost模型的预测结果进行对比,证明本文模型具有更高的精确度和预测效果。
-
-
-
赵飞;
陆明明;
周渝慧
- 《第六届输配电技术国际会议》
| 2007年
-
摘要:
本文介绍了目前比较通用的电力负荷预测方法。为进一步提高负荷预测的精度,利用人工智能领域中的Multi-Agent技术设计了电力负荷预测支持系统,主要包括人机界面、交互模块、预测模块和集成模块等。系统吸收了回归预测模型、灰色预测模型、时间序列预测模型和人工神经网络预测模型等方法的优点,并且可以在未来进一步扩展,综合更多新的更加先进的电力负荷预测方法的优点,不断提高负荷预测的精度。实例分析结果表明,此系统在同等条件下可以得到精度相对较高的电力负荷预测结果。
-
-
-
-
-
-
-
-