相似日搜索空調(diào)短期負(fù)荷預(yù)測方法

提出一種基于建筑空調(diào)負(fù)荷指標(biāo)和氣象參數(shù)的負(fù)荷因子法,分別計算建筑圍護結(jié)構(gòu)負(fù)荷、新風(fēng)負(fù)荷、人員負(fù)荷、照明負(fù)荷及設(shè)備負(fù)荷,逐時疊加獲得總的建筑空調(diào)負(fù)荷。利用正交試驗對建筑空調(diào)負(fù)荷影響因素的顯著性進(jìn)行了分析,得出室外氣象條件、室內(nèi)設(shè)計參數(shù)及新風(fēng)標(biāo)準(zhǔn)為建筑空調(diào)負(fù)荷預(yù)測的顯著性影響因素。

在中央空調(diào)優(yōu)化節(jié)能運行之前,準(zhǔn)確預(yù)測空調(diào)負(fù)荷具有非常重要的意義。不同的中央空調(diào)工程選擇不同的空調(diào)負(fù)荷預(yù)測方法可能會有不同的節(jié)能效果。介紹回歸分析法、灰色預(yù)測法、指數(shù)平滑法、神經(jīng)網(wǎng)絡(luò)法等四種典型性預(yù)測方法,并對四種方法做一個大致的比較分析,得出各種方法的優(yōu)點與缺陷。

為了提高電力系統(tǒng)短期負(fù)荷預(yù)測精度,提出一種基于改進(jìn)極限學(xué)習(xí)機(melm)的短期電力負(fù)荷預(yù)測模型。引入基于結(jié)構(gòu)風(fēng)險最小化理論,并結(jié)合最小二乘向量機回歸學(xué)習(xí)方法,以克服傳統(tǒng)極限學(xué)習(xí)機(elm)在短期負(fù)荷預(yù)測中存在的過擬合問題。某地區(qū)用電負(fù)荷預(yù)測結(jié)果表明,改進(jìn)模型的泛化性與預(yù)測精度均優(yōu)于傳統(tǒng)elm和os-elm模型,可為短期電力負(fù)荷預(yù)測提供有效依據(jù),具有一定的實用性。

鄭州大學(xué) 碩士學(xué)位論文 電力系統(tǒng)短期負(fù)荷預(yù)測方法的研究 姓名：張德玲 申請學(xué)位級別：碩士 專業(yè)：電力系統(tǒng)及其自動化 指導(dǎo)教師：陳根永 20070515 電力系統(tǒng)短期負(fù)荷預(yù)測方法的研究 作者：張德玲 學(xué)位授予單位：鄭州大學(xué) 本文鏈接：http://d.g.wanfangdata.com.cn/thesis_y1059836.aspx

電力系統(tǒng)短期負(fù)荷預(yù)測方法研究分析

針對短期電力負(fù)荷預(yù)測易受氣象因素影響的特點,提出基于相似日和灰色理論的短期電力負(fù)荷預(yù)測模型;首先通過對日類型的判斷得到相同日類型的負(fù)荷數(shù)據(jù),然后對氣象數(shù)據(jù)序列進(jìn)行模糊化聚類處理,并結(jié)合預(yù)測日的氣象數(shù)據(jù),采用灰色關(guān)聯(lián)方法進(jìn)行關(guān)聯(lián)分析,選取與預(yù)測日關(guān)聯(lián)度高的負(fù)荷數(shù)據(jù)作為相似日負(fù)荷數(shù)據(jù),采用灰色預(yù)測方法對相似日負(fù)荷數(shù)據(jù)進(jìn)行短期電力負(fù)荷預(yù)測;仿真結(jié)果表明,選取了相似日之后的預(yù)測結(jié)果比未選取相似日的預(yù)測結(jié)果精度要高.

針對短期電力負(fù)荷預(yù)測易受氣象因素影響的特點，提出基于相似日和灰色理論的短期電力負(fù)荷預(yù)測模型；首先通過對日類型的判斷得到相同日類型的負(fù)荷數(shù)據(jù)，然后對氣象數(shù)據(jù)序列進(jìn)行模糊化聚類處理，并結(jié)合預(yù)測日的氣象數(shù)據(jù)，采用灰色關(guān)聯(lián)方法進(jìn)行關(guān)聯(lián)分析，選取與預(yù)測日關(guān)聯(lián)度高的負(fù)荷數(shù)據(jù)作為相似日負(fù)荷數(shù)據(jù)，采用灰色預(yù)測方法對相似日負(fù)荷數(shù)據(jù)進(jìn)行短期電力負(fù)荷預(yù)測；仿真結(jié)果表明，選取了相似日之后的預(yù)測結(jié)果比未選取相似日的預(yù)測結(jié)果精度要高。

基于氣溫變化的冬季城市燃?xì)馊肇?fù)荷預(yù)測方法——文章結(jié)合實例分析了日平均氣溫對冬季城市燃?xì)馊肇?fù)荷影響的規(guī)律，得到燃?xì)馊肇?fù)荷的主要影響因素為氣溫所處溫度區(qū)間、氣溫變化的幅度，而與氣溫所處時間區(qū)間和升降趨勢無關(guān)。提出了基于氣溫變化的燃?xì)馊肇?fù)荷預(yù)測方法...

提出了1種基于混沌分析和支持向量回歸機的短期空調(diào)負(fù)荷預(yù)測建模方法。通過研究實際空調(diào)負(fù)荷序列的混沌特性,確定其混沌特征參數(shù)并選取支持向量回歸機進(jìn)行預(yù)測。支持向量機建模過程使用粒子群算法進(jìn)行參數(shù)尋優(yōu)。仿真結(jié)果表明,空調(diào)負(fù)荷序列具有一定的混沌特性,使用混沌支持向量機方法的預(yù)測精度比單一支持向量機法預(yù)測結(jié)果eep指標(biāo)降低了31.4%,預(yù)測精度有了明顯提升。

提出了一種基于灰色模型和神經(jīng)網(wǎng)絡(luò)組合的短期負(fù)荷預(yù)測方法。首先利用頻域分解消除負(fù)荷序列的周期性,然后利用灰色模型計算負(fù)荷序列的歷史擬合值和未來預(yù)測值,將其作為神經(jīng)網(wǎng)絡(luò)的輸入。在歷史數(shù)據(jù)中選擇一天作為基準(zhǔn)日,以該基準(zhǔn)日的量為參照,以負(fù)荷的灰色模型擬合值相對基準(zhǔn)日的變化量,以及溫度變化量為bp神經(jīng)網(wǎng)絡(luò)的輸入,實際負(fù)荷變化量為輸出,訓(xùn)練神經(jīng)網(wǎng)絡(luò)并預(yù)測待預(yù)測日負(fù)荷的變化量,加上基準(zhǔn)日負(fù)荷后得到預(yù)測負(fù)荷。該方法綜合了灰色模型方法和神經(jīng)網(wǎng)絡(luò)方法的優(yōu)點,仿真結(jié)果驗證了方法的有效性。

電力系統(tǒng)短期負(fù)荷預(yù)測是保證電力系統(tǒng)安全經(jīng)濟運行和實現(xiàn)電網(wǎng)科學(xué)管理及調(diào)度的重要依據(jù),目前的電力系統(tǒng)短期負(fù)荷預(yù)測方法存在著一些不足。提出了基于人工神經(jīng)網(wǎng)絡(luò)與主分量分析的短期負(fù)荷預(yù)測方法,在試驗中分別采用該方法和單一的人工神經(jīng)網(wǎng)絡(luò)對遼寧省某電網(wǎng)的短期負(fù)荷進(jìn)行了預(yù)測,試驗結(jié)果表明本文提出的方法與單一的人工神經(jīng)網(wǎng)絡(luò)預(yù)測法相比,不但減少了預(yù)測的時間,而且避免了過擬合現(xiàn)象,提高了預(yù)測精度。

文章首先對目前電力系統(tǒng)負(fù)荷預(yù)報理論和方法進(jìn)行了全面回顧和評述,重點介紹了混沌理論的發(fā)展及應(yīng)用現(xiàn)狀。結(jié)合混沌時間序列的分析方法,在對現(xiàn)在廣泛應(yīng)用于電力系統(tǒng)短期負(fù)荷預(yù)測的混沌方法研究的基礎(chǔ)上,提出了將混沌預(yù)測技術(shù)與小波奇異性檢測和消噪結(jié)合提高預(yù)測精度的方法。

為了考慮除負(fù)荷本身外的其他因素對短期負(fù)荷的影響,提出了基于相似度與神經(jīng)網(wǎng)絡(luò)的短期協(xié)同預(yù)測模型。該模型首先通過計算負(fù)荷曲線的相似度對歷史數(shù)據(jù)進(jìn)行排序,然后選擇與預(yù)測時刻相似度較相近的數(shù)據(jù)對未來時刻的負(fù)荷利用相似度進(jìn)行預(yù)測,對于出現(xiàn)的誤差,通過神經(jīng)網(wǎng)絡(luò)結(jié)合其他因素進(jìn)行預(yù)測糾正。實驗結(jié)果證明,該協(xié)同預(yù)測模型較之單純的bp神經(jīng)網(wǎng)絡(luò)預(yù)測模型具有較高的預(yù)測精度。

偏最小二乘(pls)運算降低電力負(fù)荷數(shù)據(jù)之間的相關(guān)性,最小二乘支持向量機(ls-svm)可以獲得模型的全局最優(yōu)預(yù)測效果,減少預(yù)測過程的運算量。介紹了pls和ls-svm的基本原理,給出了pls-ls-svm建立短期日電力負(fù)荷預(yù)測模型的過程,并用于某地區(qū)2008年的用電日負(fù)荷預(yù)測,預(yù)測的平均相對誤差和最大相對誤差分別為0.685%和8.8599%。與基于ar(1)模型的預(yù)測結(jié)果相比,pls-ls-svm模型更高的預(yù)測準(zhǔn)確性可為短期電力負(fù)荷預(yù)測提供有效依據(jù)。

配電網(wǎng)中長期負(fù)荷預(yù)測方法綜述

青浦工業(yè)園區(qū)熱負(fù)荷預(yù)測方法——采用回歸分析法、時間序列分析，與實際情況相結(jié)合，對青浦工業(yè)園區(qū)的熱負(fù)荷進(jìn)行預(yù)測，從而得出青浦工業(yè)園區(qū)的單位面積規(guī)劃熱負(fù)荷指標(biāo)，為集中供熱的規(guī)劃與設(shè)計提供了基礎(chǔ)資料。

通過對電力負(fù)荷變化規(guī)律和影響因素的分析,提出了一種新的短期電力負(fù)荷預(yù)測模型。首先利用混沌理論將雜亂無章的歷史數(shù)據(jù)進(jìn)行相空間重構(gòu),找出其中的潛在規(guī)律,并粗選預(yù)測參考點;然后利用蟻群優(yōu)化算法,考慮距離因素和相點演化的相關(guān)性因素,對粗選的預(yù)測參考點作進(jìn)一步精選,提高其質(zhì)量;最后采用gm(1,1)灰色模型得到預(yù)測日的負(fù)荷數(shù)據(jù)。實際算例驗證了提出的方法具有較好的預(yù)測精度。

電力系統(tǒng)短期負(fù)荷預(yù)測分析

電力系統(tǒng)短期負(fù)荷預(yù)測的靜態(tài)分析

0 目錄 中文摘要..............................................................1 英文摘要..............................................................2 1電力系統(tǒng)負(fù)荷預(yù)測綜述...............................................3 1.1引言...........................................................3 1.2電力系統(tǒng)負(fù)荷預(yù)測的含義.........................................3 1.3電力系統(tǒng)負(fù)荷預(yù)測的意義.......................................

短期電力負(fù)荷預(yù)測器設(shè)計 thedesignofshorttermpowerload prediction 畢業(yè)設(shè)計任務(wù)書 一、設(shè)計內(nèi)容 結(jié)合人工神經(jīng)網(wǎng)絡(luò)模型的特點和學(xué)習(xí)方式，根據(jù)其學(xué)習(xí)方法，編寫算法進(jìn)行matlab仿 真，對仿真預(yù)測結(jié)果的精度進(jìn)行分析。 二、基本要求 1．選擇適合電力負(fù)荷預(yù)測的人工神經(jīng)網(wǎng)絡(luò)的模型。 2．利用matlab軟件用于人工神經(jīng)網(wǎng)絡(luò)模型的仿真。 3．得到仿真結(jié)果，對電力負(fù)荷預(yù)測結(jié)果的精度進(jìn)行分析。 三、主要技術(shù)指標(biāo) 利用現(xiàn)有的人工神經(jīng)網(wǎng)絡(luò)模型，編寫matlab程序，對人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，實現(xiàn)電 力負(fù)荷預(yù)測。 四、應(yīng)收集的資料及參考文獻(xiàn) [1]韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計及應(yīng)用[m].北京:化學(xué)工業(yè)出版社 [2]周開利，康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其matlab仿真程序設(shè)計[m].北京:清華大學(xué)出版 社 [3]朱大奇.

負(fù)荷預(yù)測對電網(wǎng)規(guī)劃和售電市場調(diào)控具有重要意義。由于電力負(fù)荷與天氣、日期、區(qū)域等多個因素密切相關(guān),存在較強的不確定性和非線性特征,導(dǎo)致傳統(tǒng)方法的負(fù)荷預(yù)測精度較低。為了提高負(fù)荷預(yù)測精度,提出基于正交投影徑向基函數(shù)極限學(xué)習(xí)機(oprbf-elm)的短期電力負(fù)荷預(yù)測算法。該算法將elm的隱含層節(jié)點替換為徑向基神經(jīng)元,基于訓(xùn)練誤差二范數(shù)最小化準(zhǔn)則,采用正交投影計算輸出權(quán)值向量,并在核函數(shù)的數(shù)量取值范圍內(nèi)索引獲取使得訓(xùn)練集均方根誤差(rmse)最小的預(yù)測負(fù)荷結(jié)果。算法預(yù)測過程中只需要設(shè)置網(wǎng)絡(luò)的徑向基神經(jīng)元(rbf)個數(shù),不需要調(diào)整輸入權(quán)值及隱含層偏差,且正交投影能較好地消除輸入樣本特征之間的相關(guān)性,快速有效得到輸出權(quán)值向量,從而提高負(fù)荷預(yù)測精度。以我國某省電動汽車用電領(lǐng)域的負(fù)荷數(shù)據(jù)作為標(biāo)準(zhǔn)樣本進(jìn)行仿真,仿真實驗驗證了該算法的可行性和有效性,與支持向量機(svm)和傳統(tǒng)rbf-elm相比,該算法的預(yù)測精度高、泛化能力強,具有廣泛的實用性。