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行預(yù)測。支持向量機建模過程使用粒子群算法進行參數(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。

準(zhǔn)確預(yù)測空調(diào)負(fù)荷不僅對蓄能空調(diào)高效運行意義重大,而且也是冷熱電三聯(lián)產(chǎn)技術(shù)發(fā)揮優(yōu)勢的關(guān)鍵所在。本文提出一種小波網(wǎng)絡(luò)應(yīng)用于空調(diào)負(fù)荷的預(yù)測模型,通過小波分解,把空調(diào)負(fù)荷序列分解為不同頻段的小波系數(shù)序列,再將各層的小波系數(shù)子序列重構(gòu)到原尺度上,然后對小波系數(shù)序列采用相匹配的bp神經(jīng)網(wǎng)絡(luò)模型進行預(yù)測,最后合成空調(diào)負(fù)荷序列的最終預(yù)測結(jié)果。該預(yù)測模型中的低頻小波系數(shù)a3和中頻小波系數(shù)d3的神經(jīng)網(wǎng)絡(luò)輸入變量為前1天小波系數(shù)值和對應(yīng)時刻的溫度、相對濕度、風(fēng)速、總輻射量、天氣狀況和星期幾編碼共7個因子,并采用主成分分析法進行輸入變量的降維;高頻小波系數(shù)d2和d1以前幾日的小波系數(shù)為輸入因子。經(jīng)過對西安市某綜合樓的空調(diào)負(fù)荷進行預(yù)測,證明了預(yù)測值和實際運行值擬和很好,相對誤差為-10%~8%。該預(yù)測模型具有預(yù)測精度較高、推廣能力較強及計算速度較快的優(yōu)點。

提出將小波分析和時間序列應(yīng)用于空調(diào)負(fù)荷預(yù)測;利用小波分析可以將空調(diào)負(fù)荷序列通過小波分解一層一層分解到不同的頻率通道上,分解后序列的平穩(wěn)性比原始序列好得多。其小波分解后的序列用時間序列模型來預(yù)測,最后再合成得到原時間序列的預(yù)測值。預(yù)測結(jié)果表明,該模型應(yīng)用于空調(diào)負(fù)荷預(yù)測具有較高的預(yù)測精度,而且明顯優(yōu)于傳統(tǒng)的時間序列模型。

提出了一種基于電動汽車駕駛、停放特性的考慮時空分布的電動汽車充電負(fù)荷預(yù)測方法。采用停車生成率模型預(yù)測停車需求,結(jié)合不同類型汽車、不同停放目的地的停車特性,建立電動汽車停車需求時空分布模型。從電動汽車日行駛里程、日停放需求時空分布特性入手,分析充電需求。采用蒙特卡洛模擬方法,仿真大規(guī)模電動汽車不同時間、不同空間的停放、駕駛以及充電行為,預(yù)測電動汽車充電負(fù)荷的時空分布特性。以深圳市為例,預(yù)測結(jié)果表明:電動汽車用戶充電行為選擇以及公共停車場充電設(shè)施配建比例不同,充電負(fù)荷也將有不同的分布;居民區(qū)、工作單位配建充電設(shè)施可滿足大部分電動汽車的充電需求;同一城市不同區(qū)域建設(shè)用地類型不同,充電負(fù)荷具有明顯差異。

能源是人類社會發(fā)展的關(guān)鍵性問題,電能是最方便的能源。電力負(fù)荷預(yù)測是電力部門的重要工作之一,對電力系統(tǒng)的規(guī)劃、建設(shè)、運行起重要作用。用灰色系統(tǒng)預(yù)測方法進行電力負(fù)荷中期預(yù)測,結(jié)果可對實際工作提供重要依據(jù)。

a題電力系統(tǒng)短期負(fù)荷預(yù)測 短期負(fù)荷預(yù)測是電力系統(tǒng)運行與分析的基礎(chǔ)，對機組組合、經(jīng)濟 調(diào)度、安全校核等具有重要意義。提高負(fù)荷預(yù)測精度，是保障電力系 統(tǒng)優(yōu)化決策科學(xué)性的重要手段?，F(xiàn)代電力系統(tǒng)中，構(gòu)成電力負(fù)荷的用 電器種類繁多，空調(diào)等受氣象條件影響的負(fù)荷占比持續(xù)增高，氣象因 素（溫度、濕度、降雨量等）對電力系統(tǒng)負(fù)荷的影響愈顯突出?？紤] 氣象因素成為調(diào)度中心進一步改進負(fù)荷預(yù)測精度的主要手段之一。 已知地區(qū)1、地區(qū)2從2009年1月1日至2015年1月10日 的 電力負(fù)荷數(shù)據(jù)（每15min一個采樣點，每日96點，量綱為mw）以 及2012年1月1日至2015年1月17日的氣象因素數(shù)據(jù)（日最高溫 度、日最低溫度、日平均溫度、日相對濕度以及日降雨量），詳見附 件1-數(shù)據(jù).xlsx。 具體要求如下： 1.請分析兩個地區(qū)2014年