资源描述:
《城市电网总量负荷年最大值的双向预测方法.doc》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、城市电网总量负荷年最大值的双向预测方法*李科1,何茜2,王璟1,肖白3,刘桐彤3,房龙江3(1.国网河南省电力公司经济技术研究院,郑州市450052;2.国网郑州供电公司,河南省郑州市450000;3.东北电力大学电气工程学院,吉林省吉林市132012)摘要:城市电网总量负荷预测是城市电网规划的基础工作。为了充分挖掘并利用负荷历史数据的更多信息,提出一种城市电网总量负荷年最大值的双向预测方法。该方法基于历史数据分析了电力负荷与用电量的相关关系,建立了负荷-用电比模型,据此求得基于用电量数据的各月电力负荷最大值,并利用这些最大值分别运用线性回归
2、、指数平滑、灰色理论从纵向和横向对目标年的总量负荷最大值进行预测,将所得的六个预测值加权平均作为最终预测结果。实例分析表明该方法是正确的、有效的。关键词:城市电网;负荷预测;双向预测;加权平均中图分类号:TM715文献标识码:B文章编号:1001-1390(20167)0014-0000-00Thebi-directionalpredictionmethodfortheannualmaximumoftotalloadforecastinginurbannetworkLiKe1,HeQian2,WangJing1,XiaoBai3,LiuTon
3、gtong3,FangLongjiang3(1.InstituteofeconomicEconomicandtechnicalTechnicalresearchResearchofHenaneElectricpowerPowercompanyCompany,Zhengzhou450000,HenanProvince,China.2.StateGridZhengzhouPowerSupplyCompany,Zhengzhou450000,HenanProvince,China.3.SchoolofElectricalEngineering,No
4、rtheastDianliUniversity,Jilin132012,JilinProvince,China)Abstract:Thetotalloadforecastingofurbanpowernetworkisthefundamentalworkofurbanpowernetworkplanning.Inordertofullytapandusemoreinformationofloadhistoricaldata,abi-directionalpredictionmethodfortheannualmaximumoftotalloa
5、dforecastinginurbannetworkisproposed.Themethodanalyzesofthecorrelationofpowerloadandpowerconsumptionbasedonhistoricaldata,andestablishesthemodelofLoadload-electricityratio,herebyobtainsthepowerloadmaximumofeachmonthbyusingpowerconsumptiondata,andthen,forecaststhetotalloadma
6、ximumoftheobjectiveyearsonthebasisofthesemaximumfromhorizontalandverticaldirectionsbyusinglinearregression,exponentialsmoothingandgraytheory,itservestheweightedaveragevalueofthesixpredictedvalueastheFinalfinalpredictedresults.Exampleanalysisshowsthatthemethodiscorrectandeff
7、ective.Keywords:urbanpowernetwork;,loadforecasting;,bi-directionalprediction;,weightedaverage0 引言*基金项目:国家自然科学基金项目(51177009);吉林省自然科学基金资助项目(20140101079JC)。城市电网总量负荷年最大值预测是城市电网规划的前提[1-3],准确有效的预测结果对城市电网建设具有重要的指导意义[4-6]。通过调研掌握翔实的资料数据,进而对电力负荷的发展趋势做出科学合理的推断是预测结果有效性的重要保证[7]。当前的预测方法主
8、要有趋势外推法、模糊理论法、专家系统法、人工神经网络法、卡尔曼滤波法、聚类分析法、小波分析法、混沌分形理论法、数据挖掘法,等[5]。其中,基于时间序列模型的趋势外推