mforexampleinthenegotiationofcontractswithothercompanies.Medium-termloadforecasts(MTLF)arefromoneweektooneyear.Forecastsaimingatloadpredictionformorethanayearaheadareusuallytermedlong-termloadforecasts(LTLF)(seee.g.FeinbergandGenethliou,).AsstatedinKyriakidesandPolycarpou()thetime-horizoninLTLFisusuallyyearsalthoughlongerleadtimesof–yearscanbefound.Thedifferencesinleadtimeshaveconsequencesforthemo,demandisoneofthemainfactorsforpricing.Loadforecastingisthereforeatthecoreofnearlyalldecisionsmadeinenergymarkets.Duetothehighimportanceofaccurateloadforecasting,thehistoryofthisfieldisquitelong:Asurveypaper(GrossandGaliana,)listsanimpressivenumberofpublicationsdevotedtoloadanalysisandforecasting–reachingbackasfaras(Heinemannetal.,).Uptonow,variousapproacheshavebeenintroduced.Theycanbegroupedintotwomainclasses:Modelsandmethodswhichfollowamoreclassicalapproach,i.e.,whichapplyconceptsstemmingfromtimeseriesandregressionanalysisandmethodswhichbelongtothefieldsofArtificialandComputationalIntelligence.Thispapergivesashortsurveyovermodelsandmethodsforloadforecasting.FurthersurveyandreviewpapersareforexampleKyriakidesandPolycarpou(),FeinbergandGenethliou(),TzafestasandTzafestas()andHippertetal.()..Short-term,medium-termandlong-termforecastsAswehaveseen,forecastsaremadeforvariouspurposes:theday-to-dayoperationofthepowersystem(e.g.KyriakidesandPolycarpou,)requiresthepredictionoftheloadforadayaheadwhereasthedecisionwhethertoundertakemajorstructuralinvestmentsrequiresafarlongerpredictionhorizon.Forecastscanbedistinguishedthereforefirstlybythetime-horizonortheleadtime:short-termloadforecasts(STLF)usuallyaimtopredicttheloaduptoone-weekahead(KyriakidesandPolycarpou,).Frequently,thetermveryshort-termloadforecastisusedforforecastswithatime-horizonoflessthanhours(seeYang,,p.).Uptonow,themainfocusinloadforecastinghasbeenonSTLFsinceitisanimportanttoolintheday-to-dayoperationofutilitysystems(seee.g.Gonzalez-Romeraetal.,).Morerecentlywiththederegulationofenergymarkets,moreandmoreattentionisalsopaidtoloadforecastswithagreatertime-horizon,i.e.,medium-termloadforecasts.Asstatedin(Gonzalez-Romeraetal.,),medium-termloadforecastsenablescompaniestoestimatetheloaddemandforalongertimeintervalwhichhelpsthemforexampleinthenegotiationofcontractswithothercompanies.Medium-termloadforecasts(MTLF)arefromoneweektooneyear.Forecastsaimingatloadpredictionformorethanayearaheadareusuallytermedlong-termloadforecasts(LTLF)(seee.g.FeinbergandGenethliou,).AsstatedinKyriakidesandPolycarpou()thetime-horizoninLTLFisusuallyyearsalthoughlongerleadtimesof–yearscanbefound.Thedifferencesinleadtimeshaveconsequencesforthemo仅考虑过去负荷而且考虑过去负荷估算。这个估算由经验丰富专家提供。因此，在某种程度上该模型计算结合人类知识。首先，Amjady识别伊朗国家电网负荷数据四种日期类型：周六、周日到周三、周四和周五和公共假期。这些模型又分为热天（平均温度在℃以上）和冷天。共有种模型。这些参数使用来自伊朗国家电网年到年数据确定，并用年数据测试这些参数。该模型MAPE从.（周日到周三，热天）和.（公共假日，冷天）。ARIMA/ARMA模型能够扩展到考虑季节性因素。一些模型已经发展了这项任务。例如，一个周期性自回归模型（PAR）用p,,,tsstsptpstyCyy（）代表周期性动态系列。这些参数通过sN季节允许改变。一个PAR模型被用于模拟日负荷曲线周期性行为，而月和日周期性通过引入假变量被涵盖。泰勒等人提出了短期负荷预测单模型一个对照。他们分析了四个主要模型和两个基准功能。选择模型是两个周期性ARIMA模型，双季节性指数平滑、人工神经网络和主成分分析回归模型。作者调整指数平滑法是把古典季节性冬季平滑方法延伸到两个周期合并tttttstSySSTDW（）ttttTSST（）章及标题tttsttsyDDSW（）tttsttsyWwWSD（）ttkttttsktssttstsykSkTDWySTDW（）。变量tS和tT代表平滑水平和趋势；tD和tW是季节指数，tyk是tk时刻预测，t为起始点。这些参数（除）是待定平滑参数。参数用于一阶自相关调整。这两个对照基于两个时间序列：年里约热内卢时负荷需求（年月号到年月号，周）和英格兰和威尔士年半小时负荷需求（月号到月号，周）。所提出误差预测方法中只有MAPE被报道，因为其余误差计算得到相同结果。指数平滑方法是最好方法。在TaylorandMcSharry中，研究延伸到以欧洲个国家电力需求为基础个单模型估算。同样，双周期性指数平滑方法用于小时中最长主要时间负荷预测产生最好结果：低于MAPE。正如所看到，时间序列方法非常普遍。然而，仍然有很多缺点。如回归基础方法、时间序列方法可能遇到数值不稳定。.人工智能和计算机智能方法计算机智能是一个相对较新研究领域。计算机智能通常用来模糊系统、人工神经网络、进化计算机和群体智能领域。在这些领域中，神经网络是负荷预测中最长应用方法。人工神经网络人工神经网络模拟人脑基本工作原理，由神经元组成。神经元在它输入结上接收信息并聚集信息。然后，它决定激活并通过输出结输出其响应到其他神经元。人工神经网络被广泛地用于负荷预测。正如所陈述那样，基于神经网络技术软件被美国多个电力公用事业公司使用。一些亚神经网络出现。在负荷预测中径向基函数网络、自组织特征映射聚类和递归神经网络被使用。然而，反馈神经网络是最长应用亚型。前馈网络包含一个输入层、几个隐含层和一个输出层。神经元由权向量连接，既无反馈也无层内连接。一个神经元i通过接收k个输入、计算其加权和、减去所谓偏差i，并应用激活函数a()产生输出，即niikkikyawx。基本学习和权值调整方法是反向传播，即反向传播误差以调整权值。通常使用单隐层网络。Hippert等人提供了大型神经网络与古典方法对照。古典方法从单纯预测方法到平滑滤波和平滑滤波与线性回归组合。进而想到平滑滤波和神经网络结合。现在工作是以来自里约热内卢当地一家章及标题公共事业公司数据预测未来小时负荷曲线图。用于建立、测试和验证负荷模型数据是年月到年月时负荷和温度数据。Hippert等人发现大型神经网络效果最好，不仅MAPE（.-.）最小，而且误差蔓延较小。正如他们所推断，大型神经网络被看做比其它负荷预测模型具有竞争力模型。.结论负荷预测对于电力部门决策过程非常重要。本文概述了常用输入变量和预测指标，之后给出一些模型和方法。越来越多注意力集中在混合动力方法上。负荷预测不仅在为电力系统运营提供精确估算方面非常重要，而且还是能源市场交易和决策一个基础。准确预测是一个关键因素：一个电力部门决策者需要准确预测，因为大多数决策必然是基于预期未来需求。因此第一批做出决策之一是选择一个合适模型。这取决于所预测问题和当前形势。因此，没有统一建议。,demandisoneofthemainfactorsforpricing.Loadfore

文档预览结束

找同类相似 下载到手机