负荷预测

摘要： 负荷数据的高度随机性和不确定性,导致短期负荷预测的精度很难提升。为了提高短期负荷预测的准确度,提出了一种基于完全自适应噪声集合经验模态分解(CEEMDAN)与卷积神经网络(CNN)和门控循环单元(GRU)组合模型的短期负荷预测方法。首先,利用CEEMDAN模型将复杂的原始负荷序列分解为几个相对简单的子序列;其次,利用卷积神经网络(CNN)和门控循环单元(GRU)建立各分量预测模型,将归一化后的分量输入训练模型,得到预测子序列;最后,将所有分量的结果汇总,得到最终预测结果。结果表明,与LSTM模型、GRU模型、CNN-GRU及CEEMDAN-GRU组合模型相比,CEEMDAN-CNN-GRU组合模型所测精度有了明显提升,平均提升了25.08%,23.59%,20.41%和13.53%。CEEMDAN-CNN-GRU组合模型能够提取历史负荷数据中的非线性特征,有效提升短期负荷预测精度,可为电力系统建设提供有力支撑。

摘要： 综合能源系统是提高能源利用效率,降低用能成本的重要技术手段,精准负荷预测是综合能源系统优化调度的关键基础和重要前提。随着各类能源耦合设备的应用和提升和电能替代政策的推广,能源之间的关联关系日益增强。然而,现有的负荷预测方法多为对负荷的单独预测,未能将耦合性和互补性结合起来构建预测模型。基于此,首先结合Copula理论分析了综合能源系统中冷、热、电负荷之间的耦合特性;其次,利用樽海鞘群优化算法(SSA)对最小二乘支持向量机(LSSVM)中的关键参数进行求解,建立SSA-LSSVM多元负荷预测模型;最后,通过对比不同场景下的预测效果,证实了所建模型能有效提升预测精度,具有良好的应用效果。研究成果考虑了多能源之间的耦合特性,可为综合能源系统的负荷预测提供技术支撑,从而为系统调度优化提供基础。

摘要： 为了准确预测地铁车站的空调负荷,首先通过地铁车站能耗监测平台的历史数据分析,识别得到客流量和室外气象参数是主要影响因素。其次利用车站CO_(2)体积浓度逐时监测数据建立客流量神经网络预测模型,并与闸机数据对比,预测模型的复相关系数R^(2)可达0.87。以客流量预测为基础,建立了车站空调负荷预测模型,并比较了不同时间尺度训练数据下误差反向传播神经网络算法和支持向量机算法的预测效果,两种算法的R^(2)达到了0.95以上,均方根误差在70~90 kW之间,预测精度较高,但支持向量机算法的运算时间是误差反向传播神经网络算法的3~4倍左右,推荐数据量较大时优先选择神经网络算法。

摘要： 负荷预测对用能规划起着关键性的作用,特别是随着节约资源、保护环境和可持续发展战略的提出,负荷预测问题的研究变得至关重要。为了了解负荷预测的研究现状,且进一步深入研究和高效应用研究成果,本文对已应用的负荷预测技术进行总结,研究了目前负荷预测技术在实际应用中存在的问题,并对未来的研究方向提出展望。

摘要： 负荷预测在保障电网安全运行和提高经济效益方面均占有举足轻重的地位。高精度的负荷预测不仅需要依靠历史负荷数据,并且气象、电价等诸多因素也会对其产生不同程度的影响。为了综合考虑诸多因素造成的影响。首先,以遴选关键因素作为切入点,利用新英格兰地区实测数据集,使用递归特征消除(RFE)有效去除冗余的影响因素,得到与真实负荷相关性高的影响因素,从而构造新的输入负荷数据。然后,利用注意力机制(Attention)动态调整各因素所占权重的特点,提出引入Attention的长短期记忆(LSTM)网络预测模型实现电力负荷预测。试验结果显示,与经典的K近邻方法(KNN)、LSTM、支持向量回归(SVR)等单一算法以及RFE-LSTM等组合算法相比,所提出的RFE-LSTM-Attention方法可以有效地提取关键负荷因素并获得良好的预测性能。

摘要： 当前电力系统负荷预测中负荷数据受到多种因素影响且多步长预测时精度不高,因此电力负荷预测呈现出非线性、多因素、非平稳态等问题。提出一种基于CNN_BiLSTM混合深度学习网络的长短期电力负荷在线预测方法。首先根据卷积神经网络和双向长短期记忆网络的特点,建立了CNN_BiLSTM负荷预测模型,并将历史负荷与影响因素耦合形成一个新的时间序列作为网络输入;其次,由于机器学习模型依赖于样本的完备性,影响因素的存在会使原有模型与现有数据失配,建立了在线模型;最后,在实际电力负荷预测中,单步长预测并不能满足工业现场的需要,建立了在线多步长预测模型。通过算例分析,并与SVR等方法进行对比,实验结果表明,所提方法能有效地应用于实际的电力系统负荷预测。

摘要： 当前对电动汽车(Electric Vehicle, EV)充电负荷预测的研究大多集中在短期单一时间尺度,且鲜有考虑在较长时间尺度下不同季节电动汽车充电负荷存在的差异。基于此,提出一种考虑季节特性的多时间尺度电动汽车负荷预测模型。首先,考虑季节特性对EV的电池最大载电量、里程耗电量和空调耗电量的影响,结合时空分布规律建立短期日内的电动汽车充电负荷预测模型。其次,为了展现从短期(短时间尺度)到中长期(长时间尺度)的多时间尺度特性,建立考虑多种因素影响的Bass修正模型预测未来不同年份的EV保有量。结合短期EV充电负荷预测模型,可延展至中长期EV充电负荷的预测,从而实现综合短期、中长期的多时间尺度EV负荷预测。最后,采用上海市气温信息及行车数据进行仿真验证。结果表明,所提模型可以有效地预测未来数年EV发展趋势以及考虑季节特性的多时间尺度EV充电负荷。

摘要： 球磨机是磨矿生产中的主要设备,但其运行时的内部负荷无法被直接检测,因此难以对负荷进行实时有效地控制,导致磨矿效率受到影响。针对此问题,文中通过磨矿实验采集球磨机磨音信号,对信号进行Welch功率谱分析,研究了磨音频谱信息与球磨机负荷之间的关系。利用PCA对功率谱进行特征提取,为球磨机负荷预测提供外部特征信息。然后,采用PSO对SVM相关参数进行寻优并建立PCA-PSO-SVM球磨机负荷预测模型。研究结果表明,该球磨机预测模型的预测均方根误差为1.1443,平均绝对误差为0.9125,平均百分比误差为2.7979%,证明了该模型对球磨机负荷预测的有效性和稳定性。

摘要： 对配电网线路进行负荷峰值预测,准确预测将出现重过载的线路,能为配电网制定供电计划提供重要参考。分析配电网线路历史负荷受节假日、季节影响的变化规律,提出基于Prophet的配电网线路峰值负荷预测方法,对每条线路单独建立Prophet模型,模型以历史日峰值负荷数据为输入数据,且通过自适调参方法对模型的变点增长率及变点个数参数进行调优,最后对实际数据进行算例分析,验证了该方法可准确实现配电网线路峰值负荷预测。

摘要： 采用人工神经网络建立建筑负荷预测模型,采用粒子群算法进行空调系统设备运行参数寻优。结合工程实例,对某办公建筑的负荷进行预测,对设备运行参数进行寻优。建筑负荷预测结果与实际负荷的平均相对误差为7.7%,预测模型具有较好的预测能力。采用TRNSYS软件建立该办公楼空调系统仿真模型,按优化后的设备运行参数,对空调系统耗电量进行模拟,模拟耗电量比实际耗电量低9.9%。

摘要： 随着低碳城市研究的兴起,城市规划开始关注城市碳排放和能源消耗,而建筑系统碳排放作为城市碳排放的主要来源之一,成为城市规划者不得不关注的问题.建筑负荷的估算可以为城市总体规划中的能源分配提供参考,但目前对于建筑负荷的获取主要是基于软件模拟和数值计算,需要确定建筑模型和详细参数,不适用于城市规划中对城市大规模居住建筑负荷的研究.本文通过分析城市总体规划阶段对负荷预测的需求,考虑数据的可获取性,提出了一种基于全城满覆盖居住建筑类型划分的居住建筑负荷预测模型构建方法.并以西安市为研究对象,通过在西安市主城区随机挑选研究样本,对研究样本进行调研和监测,提取其建筑几何参数和属性参数,采用软件仿真和回归分析,最终建立了西安市居住建筑负荷预测模型,并将该模型与GIS平台结合,可视化呈现了西安市居住建筑负荷空间分布特征.该模型可用于城市总体规划阶段快速估算大规模的居住建筑负荷.

摘要： 为适应泛在电力物联网建设的需要,数据的深度感知成为当前亟需解决的问题.负荷预测作为电网企业的基础问题,对负荷进行精准预测成为建设泛在电力物联网的依托.随着现代电力设备的普及和深度学习算法的研究深入,电网对于负荷相关数据的获取和掌握更加方便,可借助深度学习算法进行更加准确的预测.提出采用经验模态分解算法对负荷数据进行分解,随后基于长短期记忆神经网络对分解后的各分量进行预测并加和,最后对提出的模型进行了实验验证.

摘要： 电力负荷预测无疑对电力调度及发电计划都具有重要意义,准确稳定的预测显然能够带来实实在在的经济效益,所以,不断提升改进用电负荷预测能力是电力部门的一项长期艰巨的工作.本研究面向的是用电负荷大数据,是从大规模配变采集的每日96点的多年数据,研究的方法是用机器学习方法对大数据进行分析预测,本研究的重点是挖掘数据内在规律,为了使数据规律性更加可循,在作负荷预测前,先根据用电行为对用电负荷数据分层聚类,使得用电负荷曲线尽可能在类内相似、类间区别明显,基于用电行为的分层聚类可动态反映用电行为变动,效率高,可避免人工分类失误.分层聚类完成后,再对各分类分别作预测分析,分类预测模型算法是在用于时间序列算法的基础上通过神经网络算法对不规则波动作调整.不规则波动是由用电环境,如天气、节假日等的变化等带来的.神经网络算法可以根据历史数据的学习较好调整环境影响因素对负荷的波动.本研究已经在实践中得到应用,其预测准确度及稳定度都有新的突破,该负荷预测方法可以应用在电力调度部门的日内96点负荷预测,也可以用在计划部门的中长期负荷预测.

摘要： 介绍了换热站负荷预测系统,利用组态软件KingSCADA实现,根据气象参数和供热运行数据分析供热系统的运行性能,优化供热方案,预测运行参数.提高了能源的有效利用率和设备利用率,保证了换热站的自动供热控制.

摘要： 通过阐述负荷预测对电网设计的重要性,分析了负荷预测可采用的不同方法,采用实例计算,明确了负荷预测在煤改电工程应用中的重要性.

摘要： 泛在电力物联网鼓励各种分布式电源、储能以及电动汽车等大量的新型电力设备接入配电网侧.传统的配电网结构在未来将会出现巨大变化,导致原有的规划技术将难以适用于配电网对于供电安全性与稳定性等指标的要求.基于以上现状,对适用于泛在电力物联网形势下的主动配电网规划技术进行综述.分别从主动配电网中负荷预测与发电预测、选址定容、规划方案多维度评估等方面,阐述了新形势下配电网规划技术可能遇见的难点与挑战,归纳评价了多种复杂理论与优化算法.最后给出了对于新形势下主动配电网规划技术的总结与未来展望.

摘要： 分析居民用户智能用电行为可以为电网负荷预测提供数据依据,用户智能用电行为的分析可通过居民用户智能用电行为分析系统实现.系统的设计包括智能用电数据采集、云数据处理、用户行为分析3个主要模块,结合无线通信技术、云处理技术和ASCF-Mine挖掘算法,对各模块的设计和功能进行优化,并通过实验对比分析,验证了系统对用户智能用电行为分析的高准确率.

摘要： 随着信息化时代的迅速发展,全球数据量正在爆炸式地增长,为数据挖掘分析带来了无限的机遇,同时也给数据分析处理带来了巨大的挑战.电力行业关系着国家的发展和人民的生活,也需要依托大数据技术提高电力系统的运行经济性、可靠性.以大数据技术为基础,首先开展了配变负荷曲线聚类研究,为研究配变负荷特性、预测配变负荷走势做好铺垫;其次,分析了行业用电与气象因素直接的关系,并建立了行业负荷影响因素模型,为分析行业负荷特性打好基础;最后,针对分行业分地区负荷大数据,展开负荷分析和建模研究,实现基于地区行业负荷细分的网供负荷预测.

摘要： 能源是国家可持续发展的重要物质基础,国家经济发展进入“新常态”,环境承载能力已达到或接近上限,必须寻求非传统发展模式和新的能源战略,推动形成绿色低碳循环发展新方式.在新常态下,能源规划的编制,需贯彻国家及省市能源发展思路,坚持保障供应、优化结构、节能降耗、保护环境的基本发展原则,扎实做好节能减排工作,确保实现节能减排约束性指标.本文以《南通中央创新区能源专项规划》为例,介绍了能源规划中区域建筑能源规划的规划原则、主要内容、方法及步骤,协调区域能源系统整体规划,根据需求及相关技术规范规定,高效利用传统能源,因地制宜开发利用可再生能源,提高可再生能源比例,实现能源的生态化、节约化和可再生化,指导中央创新区的科学建设.

摘要： 能源是国家可持续发展的重要物质基础,国家经济发展进入“新常态”,环境承载能力已达到或接近上限,必须寻求非传统发展模式和新的能源战略,推动形成绿色低碳循环发展新方式.在新常态下,能源规划的编制,需贯彻国家及省市能源发展思路,坚持保障供应、优化结构、节能降耗、保护环境的基本发展原则,扎实做好节能减排工作,确保实现节能减排约束性指标.本文以《南通中央创新区能源专项规划》为例,介绍了能源规划中区域建筑能源规划的规划原则、主要内容、方法及步骤,协调区域能源系统整体规划,根据需求及相关技术规范规定,高效利用传统能源,因地制宜开发利用可再生能源,提高可再生能源比例,实现能源的生态化、节约化和可再生化,指导中央创新区的科学建设.

摘要： 本发明提供一种可以可靠预测电力消耗量等的负荷量的负荷量预测装置、负荷量预测方法以及负荷量预测程序。负荷量预测装置，包括:取得部（12），取得含有成为预测对象的负荷量的时间序列的实际数据；接收部（11），接收气象要素的时间序列的预报数据；和运算部（13），将预报数据代入以表示气象状态的因素和电力消耗量为变量的回归式中，计算预测对象期间的电力消耗量的预测值，且变更回归式的系数，以使得按照能够根据星期几来划分的模式预先登记的实际数据中的、属于与预测值相同的模式的上次的实际数据的负荷量与预测值之间的偏差为最小。

摘要： 本发明提供一种可以可靠预测电力消耗量等的负荷量的负荷量预测装置、负荷量预测方法以及负荷量预测程序。负荷量预测装置，包括:取得部（12），取得含有成为预测对象的负荷量的时间序列的实际数据；接收部（11），接收气象要素的时间序列的预报数据；和运算部（13），将预报数据代入以表示气象状态的因素和电力消耗量为变量的回归式中，计算预测对象期间的电力消耗量的预测值，且变更回归式的系数，以使得按照能够根据星期几来划分的模式预先登记的实际数据中的、属于与预测值相同的模式的上次的实际数据的负荷量与预测值之间的偏差为最小。

摘要： 一种基于通用分布的负荷预测方法及预测系统，以实现电力系统短期负荷功率预测。该方法将历史气象信息数据和电气数据相结合，针对不同的温度增量水平分别构建相应的统计分析模型。首先采用直方图模型来近似表征实际分布，然后选取适当的模型对实际分布进行拟合，本文采用通用分布函数模型进行拟合，并且依据通用分布CDF函数的逆函数的闭合解析表达式，得出一定置信水平下预测功率的置信区间。

摘要： 本发明提供了一种用于空调负荷预测的缺失值处理方法及空调负荷预测系统，属于空调负荷预测技术领域。本发明提供了一种用于空调负荷预测的缺失值处理方法及与BACnet通讯的使用上述缺失值处理方法的空调负荷预测系统。用于空调负荷预测的缺失值处理方法，基于空调运行参数的短周期性，对缺失值进行预测，填补缺失值，为空调负荷预测模型的建立提供高质量训练数据，提高空调负荷预测准确性；基于BACnet通讯技术对空调负荷预测模型进行封装，楼宇自控系统管理软件、DDC控制器等均可通过BACnet通讯，实现对空调负荷预测系统的快速调用和数据读写，从而提供了一种准确、易于应用的空调负荷预测系统。

摘要： 本发明公开了一种基于自定义神经网络的负荷预测系统及负荷预测方法，包括：数据存储模块，用于获取历史负荷数据并保存；负荷预测模块，用于接收并根据用户输入的自定义神经网络构建参数，构建负荷预测神经网络，并基于用户输入的负荷预测指令及历史负荷数据，采用负荷预测神经网络进行负荷预测。由于现有预测系统在进行负荷预测时，根据实际预测需要，而需要不断更改神经网络，更改神经神经网络往往通过人工更改代码来完成，过程比较耗时耗力，本发明在系统中引入自定义神经网络，用户输入参数更改值，系统来执行更改操作，自动完成新的神经网络构建，使用更加方便便捷。另外，通过自定义设置，极大提高了负荷预测系统的泛化能力，应用范围广。

摘要： 本发明公开了一种提升景区饱和负荷预测精度的负荷预测方法包括如下步骤：步骤(1)：将景区内的供电用户划分为民宿用户和普通用户，并分别统计民宿用户和普通用户的户数；步骤(2)：对景区内民宿用户的厨房用电设备进行调研；步骤(3)：对景区内民宿用户的客房用电设备进行调研；步骤(4)：对景区内各普通用户的用电设备进行调研；步骤(5)：将生活用电设备之外的用于生产的用电设备定义为动力设备；步骤(6)：得到景区内所有普通用户加在一起的普通用电总负荷及民宿用户总负荷；步骤(7)：得到最终的预测用电总负荷。本发明能够能够有效弥补国内针对景区饱和负荷预测空白和现有负荷密度法因指标受限导致预测精度不强的问题。

摘要： 本申请涉及一种电力负荷预测模型的构建方法和电力负荷预测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取电力系统的原始数据；对原始数据进行预处理，得到训练数据集；获取基于贝叶斯优化算法优化得到的超参数最优长短期记忆神经网络模型；将训练数据集输入到超参数最优长短期记忆神经网络模型中进行训练，得到电力负荷预测模型。先进行预处理，筛选掉不符合条件的异常值，避免异常值影响预测模型的准确率，同时贝叶斯优化算法能自动调节模型中的超参数，避免人为主观调参对预测模型精度的影响，且经过优化后的长短期记忆神经网络模型性能较好，收敛效果较好，从而能得到准确的电力负荷预测结果。

摘要： 本发明公开了一种电力负荷预测模型的训练方法、装置及电力负荷预测方法。电力负荷预测模型包括全卷积神经网络FCN和长短期记忆网络LSTM，该训练方法包括：获取当前训练周期的训练数据集，其中，训练数据集包括历史负荷的时间序列数据；将训练数据集中的时间序列数据输入当前训练周期的电力负荷预测模型，得到当前训练周期的电力负荷预测值；基于当前训练周期的电力负荷预测值和当前训练周期的电力负荷真实值，确定当前训练周期的损失函数；根据当前训练周期的损失函数调整当前训练周期的电力负荷预测模型的参数。利用该训练方法得到的电力负荷预测模型可处理大体量的时间序列数据，且具有预测精准度高的优点。

摘要： 本公开提出了一种负荷预测方法、负荷预测模型的训练方法及相关设备，涉及深度学习等人工智能领域，方法包括获取历史负荷时序数据与历史外源性时序数据和预测时间范围内的可预知外源性时序数据；获取在历史外源性时序数据影响下历史负荷时序数据的第一负荷变化信息，并提取第一负荷变化信息对应的第一特征；根据第一特征，获取在可预知外源性时序数据影响下，预测时间范围内的第一预测负荷时序数据；根据第一预测负荷时序数据，获取预测时间范围内的目标预测负荷时序数据。本公开中，实现了基于外源性时序数据的负荷预测，提高了负荷预测的准确性，使得负荷预测方法具备了更好的适用性和实用性，优化了负荷预测方法。

摘要： 本发明涉及电力系统技术领域，公开了一种基于负荷预测流水线框架语言的负荷预测系统及方法，通过LF_FLFL生成器，以可视化模板方式获取用户的负荷预测配置信息，生成满足用户电力负荷预测需求的负荷预测任务表，并转换为执行负荷预测任务的有向无环图，通过LF_FLFL解释器，在用户配置的大数据技术支持平台环境下，根据机器学习模型库及调度策略元数据库，按照有向无环图自动执行电力负荷预测的大数据采集、清洗、存储、探索分析、建模特征、模型训练、模型评价以及模型应用负荷预测任务，从而实现负荷的智能预测，降低负荷预测的实施难度，提高负荷预测的效率。