考虑日周期性的城市电力负荷短期自回归预测

被引:6
作者
李强 [1 ]
李玮 [1 ]
吴开宇 [1 ]
秦知航 [1 ]
高璐 [2 ]
机构
[1] 国网武汉供电公司
[2] 北京国网信通埃森哲信息技术有限公司
关键词
负荷预测; 自回归预测; 日周期性; 城市负荷;
D O I
暂无
中图分类号
TM715 [电力系统规划];
学科分类号
080802 ;
摘要
为了解决城市电力负荷的短期预测问题,本文提出了一种考虑日周期性的短期自回归预测方法。该方法利用城市集体负荷的日周期性,采用自回归的方法进行预测,并对预测的结果进行评估。本文的原始数据来自北方某城市18 435个用户,数据间隔为15 min一个测点,一天96个测点,共28天的历史数据。通过使用前27天的数据对第28天的数据进行了预测。通过将预测的功率曲线与实测的功率曲线进行比对,该方法对城市电力负荷短期预测取得了良好的效果。该研究可以为政府和电力调度部门提供建议,为城市以及园区级综合能源规划提供参考,并为精细化售电服务的套餐制定提供支持。
引用
收藏
页码:458 / 461
页数:4
相关论文
共 12 条
[1]   基于非线性自回归神经网络的GHI预测 [J].
马燕峰 ;
蒋云涛 ;
郝毅 ;
赵书强 .
太阳能学报, 2019, 40 (03) :733-740
[2]   基于支持向量回归机的车辆排气噪声品质预测分析 [J].
吕瑞霞 ;
张晓旭 .
节能技术, 2019, 37 (01) :84-86+94
[3]   基于神经网络的风电短期功率预测模型研究 [J].
宿凤明 ;
孙财新 ;
李端开 .
节能技术, 2018, 36 (06) :556-560
[4]   区间时间序列向量自回归模型在短期电力负荷预测中的应用 [J].
万昆 ;
柳瑞禹 .
电网技术, 2012, 36 (11) :77-81
[5]   非参数自回归方法在短期电力负荷预测中的应用 [J].
赵渊 ;
张夏菲 ;
谢开贵 .
高电压技术, 2011, (02) :429-435
[6]   基于线性相关分析的周期自回归短期负荷预测 [J].
唐俊杰 ;
牛焕娜 ;
杨明皓 .
电力系统保护与控制, 2010, 38 (14) :128-133
[7]   基于BP神经网络的空调负荷预测 [J].
陈文鼎 ;
赵哲身 .
节能技术, 2010, 28 (01) :15-17+24
[8]   电力系统负荷预测研究综述与发展方向的探讨 [J].
康重庆 ;
夏清 ;
张伯明 .
电力系统自动化, 2004, (17) :1-11
[9]   考虑周周期性的短期负荷预测 [J].
赵宏伟 ;
任震 ;
黄雯莹 .
中国电机工程学报, 1997, (03) :68-70+73
[10]  
Short-term residential load forecasting: Impact of calendar effects and forecast granularity[J] . Peter Lusis,Kaveh Rajab Khalilpour,Lachlan Andrew,Ariel Liebman.Applied Energy . 2017