日負荷曲線預測

下一日24小時電力負荷的預報。它是電力系統調度賴以安排日調度計畫,決定開停機計畫、經濟分配負荷及安排旋轉備用容量的基礎。日負荷曲線預測的精確性直接影響電力系統運行的經濟效益。而短期負荷預測套用中較為成功的人工神經網路方法ANN(artific ial neural network),在很大程度上取決於訓練樣本以及輸入變數的合理選取,它關係到算法的收斂性、計算速度以及預測的精度。通過對長春地區日負荷數據與日氣象數據的基礎分析,提出了選用多時段氣象數據以及日類型作為相似日判別要素,並運用灰色關聯理論,計算出預測日和諸多歷史日的關聯度,來確定ANN的訓練樣本,從而建立起適應性較強的日電量的預測模型。然後由日電量預測的結果,採用96點的波形係數,求出日各點的負荷預報值,

正文

對下一日24小時電力負荷的預報。它是電力系統調度賴以安排日調度計畫,決定開停機計畫、經濟分配負荷及安排旋轉備用容量的基礎。日負荷曲線預測的精確性直接影響電力系統運行的經濟效益。
電力系統負荷曲線的變化規律表現為一個非平穩的隨機過程。如果以 1小時為間隔對它進行離散化的測量,則可得到一個隨機的時間序列。由於人們的生產及生活安排等社會因素及自然季節性的影響,使負荷曲線的變化呈現出一定的周期性。從不同的時間觀察,可認為負荷曲線的變化具有一天、一周、一月以至一年的變化周期。日負荷曲線的預測應充分利用這種變化周期性的特點。
日負荷曲線的預測方法主要有多重相關算法、時間序列法和諧波分解法。但這幾種方法都沒有計及氣象條件的影響,而負荷與氣象條件有密切的關係。更精確的負荷預測必須考慮氣象因素,建立氣象負荷模型或根據氣象條件對負荷模型進行必要的修正,從而獲得比較切合實際的日負荷曲線預測。
多重相關算法 從負荷樣本數據(即負荷曲線的歷史數據)找出電力系統負荷在各個周期的相關性,構造多個預測模型,一般為一階線性模型。由各個模型得到的預測值及其方差再進行最優組合,得到一個加權平均值。根據線性估計理論,權重應與各自的方差成反比,加權平均值的方差的倒數等於各個方差倒數之和。節假日則需特殊考慮,捨去相應的一個模型的預測值。
時間序列法 把負荷的樣本數據按時間順序組成序列。根據此序列的自相關函式和偏自相關函式的截尾性能來建立自回歸模型、滑動平均模型或自回歸滑動平均模型。在預測方法上可採用條件期望預測、平衡線性最小方差預測或新息法自適應預測等。
諧波分解法 利用負荷曲線變化的周期性,用諧波分析的方法求出預測值。

相關詞條

相關搜尋

熱門詞條

聯絡我們