【摘 要】
：
[目的]随着风能、太阳能等清洁能源快速发展，电力系统的能源结构发生了重大变化，这使得电网安全运行的不确定性增大，也给精准用电量预测带来了新的挑战。电网用电量受众多因子的影响，而气象因子的影响显著，因此，分析气象因子对用电量精细化预测的影响显得尤为重要。[方法]利用2017年逐日用电量以及最高气温、平均气温、最低气温、气压、相对湿度、风速等气象数据，采用集合模态经验分解（EEMD）和BP神经网络组合
【基金项目】
：
国家重点研发计划资助项目“风电场局地生态气候效应事实、机理及参数化方法研究”（2018YFB1502801）； 湖北省气象局重点资助项目“基于智能网格产品的电网用电负荷预测精细化关键技术研究”（2019Z08）；
论文部分内容阅读
[目的]随着风能、太阳能等清洁能源快速发展，电力系统的能源结构发生了重大变化，这使得电网安全运行的不确定性增大，也给精准用电量预测带来了新的挑战。电网用电量受众多因子的影响，而气象因子的影响显著，因此，分析气象因子对用电量精细化预测的影响显得尤为重要。[方法]利用2017年逐日用电量以及最高气温、平均气温、最低气温、气压、相对湿度、风速等气象数据，采用集合模态经验分解（EEMD）和BP神经网络组合预测方法，探讨气象因子对集合模态经验分解回归模型（EEMD-BP）方法预测用电量的影响。[结果]研究发现，平均气温、最高气温、最低气温、气压和相对湿度与用电量序列经EEMD分解后的低频分量存在较好的相关关系，而与高频分量和周期分量的相关性较弱。[结论]利用BP回归模型预测的用电量与实况误差较大，引进气象因子后，EEMD-BP得出的预测准确率有了明显的提高。研究表明，基于气象因子的EEMD-BP组合预测方法可有效提高用电量预测的准确率，可为完善短期用电量预测方法提供有效的技术支撑。
其他文献
单元整体化教学是近年来语文教育发展的重要趋势,备受学界关注。文章于2015年秋开启单元整体化教学探索之旅,6年实践,化为实施单元整体化教学的三个关键词:对标、定点和统整,即把课文当作一组实现单元任务的媒介,把单元当作任务群或项目学习的单位来设计教学,在紧扣单元学习目标下,抓住单元系统中的"点"进行统整,学生由单篇课文的散点式学习走向统整学习便有了可能。
针对电力负荷数据波动性大、随机性强和非线性等特点，提出一种基于Pyraformer网络的短期电力负荷预测模型。首先，采用变分模态分解（variational modal decomposition,VMD）算法将负荷数据分解为频率不同的模态分量，引入过零率和皮尔逊相关系数对模态分量进行划分，得到低频、中频和高频部分，并分别与原始负荷数据组成重构数据。其次，将重构数据分别输入到含有金字塔注意力模块（
KFI是一种具有三维八元环孔道的小孔分子筛,孔径为3.9×3.9?,因其具有分子尺寸的筛分特性、较大的比表面积、较高的热/水热稳定性等特点,被广泛应用于气体吸附与分离、甲醇胺化反应、氨气选择性还原反应（NH3-SCR）、甲醇制烯烃（MTO）反应、以及甲醇脱水制二甲醚反应等,特别是在甲醇胺化和NH3-SCR反应中表现出优异的催化性能。然而,目前合成KFI分子筛的时间较长,特别是对于高硅KFI分子筛（
HMOR分子筛在二甲醚羰基化反应中具有类似酶催化的优异性能.关于骨架铝的分布和反应活性位的识别是研究该反应机理的关键科学问题.早期的工作是基于理论计算研究二甲醚羰基化活性位点,但缺乏直接的谱学证据.通过在不同温度下焙烧NH4MOR制备了一系列HMOR催化剂,通过多种谱学表征手段研究分子筛骨架铝的稳定性以及铝原子落位信息,进一步通过二甲醚羰基化反应活性关联MOR分子筛的酸性和铝分布关系获得反应机理的
短期负荷预测对电力系统的安全稳定运行有着重要意义，为此，提出一种基于集合经验模态分解和Q学习策略优化的短期负荷预测模型。首先,采用集合经验模态分解对原始负荷序列进行分解，以降低预测难度。其次,在此基础上分别采用卷积神经网络、残差神经网络、长短时记忆神经网络和门控循环单元网络4个深度学习模型进行预测得到4个预测结果，再对其加权组合获得最终的负荷预测值。第三,利用Q学习策略对组合权重进行优化,进而最大
新一代电网是未来智能电网发展的主要方向,而电力负荷精准预测是智能电网的一项重要基础工作.为了提高智能电力系统负荷预测的精确度,本文基于自相关机制的预测模型Autoformer,对负荷数据集进行了特性分析,在原模型中加入特征提取层,从编码层数、解码层数、学习率和批量大小等方面优化了模型参数,实现了周期灵活的负荷预测.在真实数据集上进行了实验和分析,实验结果表明,本文模型在预测效果上表现更好, MAE
高精度的短期电力负荷预测是优化电网运行策略和提高电网运行效率的可靠保障。为进一步提高短期电力负荷预测精度，提出轻量梯度提升机（light gradient boosting machine, LightGBM）-Transformer组合模型。该模型考虑时间特征和天气因素对短期电力负荷预测的影响，首先利用LightGBM算法获取特征重要性，排除无关噪声的影响，再将选择后的特征向量作为Transfo
电力负荷预测直接影响电网规划和运行，但是受到各类因素的影响。为提高预测精度，针对电力负数据时序性和非线性特征，提出一种基于变分模态分解的中期电力负荷混合预测模型（hybrid prediction model of medium-term power load based on variational mode decomposition， HPMMPL-VMD）。在HPMMPL-VMD算法中，首
本文针对已有神经网络模型在短期负荷预测中输入维度过高、预测误差较大问题,提出了一种结合核主成分分析、卷积神经网络和深度双向门控循环单元的短期负荷预测方法。先运用核主成分分析法对原始高维输入变量进行降维,再通过卷积深度双向门控循环单元网络模型进行负荷预测。以第九届全国电工数学建模竞赛试题A题中的负荷数据作为实际算例,结果表明所提方法较降维之前预测误差大大降低,与已有预测方法相比也有大幅的误差降低。
面向综合能源系统中多元负荷和可再生能源出力以及天气因素之间复杂耦合关系的挖掘需求，提出了一种基于改进时空图卷积网络的综合能源系统超短期联合预测方法。首先，将综合能源系统中的多元负荷、可再生能源出力、天气因素均映射为图结构数据形式，采用最大信息系数计算各输入变量间的相关性，将其作为节点相连边的加权值构造邻接矩阵；其次，在对时空图卷积运算改进的基础上简化了模型的参数结构；最后，建立基于Seq2Seq架