|
基于多重影响因素的神经网络中短期用电量预测模型
|
Abstract:
当前,电网规划建设由满足电力负荷平衡需求到电量平衡需求转变。新形势下需要探索和拓展考虑多重影响的因素的电量预测方法。本文在电量影响因素分析基础上,采用BP神经网络、RBF神经网络两种不同的预测模型和方法,将用电量和主要影响因素作为输入条件,构建、训练电量预测模型,最后以某区域电量为实例,验证模型方法的准确性和实用性,助力电力负荷平衡向电量平衡转变。
At present, the planning and construction of power grids have shifted from satisfying the demand for electric load balancing to the demand for electric power balancing. Under the new situation, it is necessary to explore and expand electricity forecasting methods that consider multiple influencing factors. Based on the analysis of power influencing factors, this paper adopts two different prediction models and methods of BP neural network and RBF neural network. The power consumption and main influencing factors are used as input conditions to construct and train the power prediction model. Finally, the power consumption in a certain area As an example, it verifies the accuracy and practicability of the model method, and facilitates the transition from power load balance to power balance.
[1] | 马杰, 李秋燕, 丁岩, 等. 含高渗透率可再生能源的配电网灵活性评价指标体系及计算方法[J]. 电力系统及其自动化学报, 2020, 32(9): 99-104, 112. |
[2] | 孙可, 裴传逊, 翁秉宇. 转型发展形势下城市电网发展协调性评价[J]. 电气工程, 2020, 8(3): 98-108.
https://doi.org/10.12677/JEE.2020.83012 |
[3] | 徐久益, 李自明, 姚剑峰, 等. 计及经济因素的混合模型电量预测研究[J]. 四川电力技术, 44(1): 83-88. |
[4] | 张强, 王毅, 李鼎睿, 等. 基于X-12-ARIMA季节分解与年度电量校正的月度电量预测[J]. 电力建设, 2017, 38(1): 76-83. |
[5] | 马瑞, 彭舟, 蒋诗谣, 等. 季节划分下产业用电量关联分析及预测[J]. 中国电力, 2015, 48(7): 82-88. |
[6] | 魏晓川, 王新刚. 基于气象大数据的城市电力负荷预测[J]. 电测与仪表, 2021, 58(2): 90-95. |
[7] | 潘良军, 王楷, 赵宏炎, 等. 基于春节影响时期分析的中期负荷智能预测[J]. 智慧电力, 2020, 48(9): 75-80, 117. |
[8] | 杨俊义, 周琪, 赵宏大, 等. 春节假期对江苏电网负荷及电量影响研究[J]. 电力需求侧管理, 2015, 17(6): 19-22. |
[9] | 陈广开, 陈书弘, 潘炜, 等. 基于随机森林滚动预测的电量追补算法[J]. 陕西电力, 2018, 46(12): 45-49, 104. |
[10] | 岳中义. 基于神经网络的中短期电量预测模型研究[J]. 电力设备, 2018(26): 171-179. |
[11] | 邓雪凝. 基于灰色关联度的BP神经网络模型短期用电量预测[J]. 电子技术与软件工程, 2020, 174(4): 215-217. |
[12] | 崔佳豪, 毕利. 基于混合神经网络的光伏电量预测模型的研究[J]. 电力系统保护与控制, 2021, 49(13): 142-149. |