简介:随着电力用户的增加,各种电力用户产生的数据,用传统的简单的负荷预测方法难以满足人们对于大数据的分析。大数据时代的来临,在电力系统中不断显现出来的。随着智能电网、通信网络技术和传感器技术的发展,直接导致了电力用户侧数据呈指数式增长,使电力用户侧大数据变得十分复杂。本文主要是针对电力用户侧数据的一些特点提出一些并行负荷预测方法。电力用户侧数据特征有数据数量大、数据结构类型繁多和更新的速度快。电力用户侧大数据在存储处理这些数据上对我们研究这些数据是一个挑战。本文是基于随机森林算法的并行负荷预测方法,通过现代热门的云计算,对影响数据的历史负荷、温度、风速等数据进行并行化分析。
简介:摘要负荷预测数据是电力系统运行和规划的重要依据,精准的负荷预测对于提高电力系统实际运行的经济性和可靠性有着非常重要的意义。我国正在推进电力市场的体质改革,对于负荷预测的研究更显得尤为重要。因为对于负荷预测的系统对电力市场提供着重要的技术支持,为物资贸易管理系统以及决策制定支持系统提供数据支持,在电力市场进行运营的同时也让各种各样的负荷预测方法迸发出了新的活力。因此预测未来长期负荷变化比较可行的也是最有效的方法就是对电力负荷的历史纪录数据进行整理观察,然后针对实际情况和现有的资料查找适合实际情况的负荷预测方法。目前,电力系统长期负荷预测法主要有趋势外推法、时间序列法、回归分析法以及灰色预测法等,而其中灰色计算法对于历史数据要求少,并且对数据分布无特殊要求以及限制,具有运算简便和可检验的优点。故本文选取灰色预测法对长期电力负荷进行仿真运算,检验其对于长期负荷预测的作用。
简介:摘要:随着新能源的普及以及因此对电力系统带来的不利影响,电力系统可靠性越来越受到了人们的关注。本文提出了一种基于分数阶威布尔的电力负荷预测方法,以期可以对于电力系统可靠性的提高做出一些贡献。首先将电力负荷数据用分数阶威布尔分布进行拟合,求出参数,并且由此得出分数阶威布尔过程的参数。通过这个方法得出的分数阶威布尔过程可以很好的表现出来电力负荷时间序列的随机性。电力负荷的长相关性由赫斯特指数进行说明。接下来用分数阶威布尔过程的微分来驱动随机微分方程从而得出相邻两个时间点的增量。将增量与当前电力负荷值相加便可以得出预测值。最后本文提出了基于此模型的电力系统负荷预测的操作方法。