• CN 62-1175/P
  • ISSN 1006-7639
  • 双月刊
  • 中国科技核心期刊
  • 中国学术期刊综合评价数据库统计源期刊
  • 中文科技期刊数据库收录期刊

干旱气象, 2021, 39(06): 1031-1038 DOI: 10.11755/j.issn.1006-7639(2021)-06-1031

业务技术应用

不同舒适度指数在最大电力负荷预测中的应用

贺莉微,1, 任永建,1, 夏青2

1.湖北省气象服务中心,湖北 武汉 430074

2.湖北省公众气象服务中心,湖北 武汉 430074

Application of different comfort indexes in maximum electric power load forecasting

HE Liwei,1, REN Yongjian,1, XIA Qing2

1. Hubei Meteorological Service Center, Wuhan 430074, China

2. Hubei Public Meteorological Service Centre, Wuhan 430074, China

通讯作者: 任永建(1982— ),男,高级工程师,主要从事气候变化及应用气象研究. E-mail:renyj@cma.gov.cn

收稿日期: 2020-10-23   修回日期: 2020-12-15  

基金资助: 湖北省气象局科技基金重点项目.  2019Z08
中国气象局气候变化专项共同资助.  CCFS202033

Received: 2020-10-23   Revised: 2020-12-15  

作者简介 About authors

贺莉微(1988—),女,工程师,主要从事应用气象研究.E-mail:616664366@qq.com

摘要

利用2008—2019年湖北省荆州、荆门、宜昌、咸宁、随州地区日最大电力负荷值和同期国家气象观测站气象资料,分析最大气象负荷的变化率(Lpm)与温湿指数(I)、气象敏感负荷条件指数(MSLI)、人体舒适度(ET)、体感温度指数(Te)等4种舒适度指数和温度的关系,采用多元回归和BP神经网络方法建立基于上述4种舒适度指数的日最大电力负荷预测模型。结果表明:Lpm与气温、4种舒适度指数在夏季呈正相关,冬季呈负相关,且夏季相关性比冬季显著;综合温度、湿度、风速的4种舒适度指数的变化能够引起Lpm的变化,且这种变化在夏季,尤其是7月和8月更明显;BP神经网络模型和多元回归模型的误差基本控制在电力部门的要求范围内;BP神经网络预测效果优于多元回归,后期业务应用中荆门和咸宁地区建议选取ET指数,其他地市4种指数皆可。

关键词: 舒适度指数 ; 相关关系 ; 多元回归 ; BP神经网络

Abstract

Based on the daily maximum power load values in Jingzhou, Jingmen, Yichang, Xianning and Suizhou areas of Hubei Province from 2008 to 2019 and the meteorological data of national meteorological observation stations in the same period, the relationships between the change rate of maximum meteorological load (Lpm), four comfort indexes such as temperature and humidity index (I), meteorological sensitive load index (MSLI), human comfort (ET) and somatosensory temperature index (Te) and temperature were analyzed. The daily maximum power load forecasting models were established based on the above four comfort indexes by using multiple regression and BP neural network method. The results show that the Lpm was positively correlated with temperature and the above four comfort indexes in summer, negatively correlated in winter, and the correlation was significantly higher in summer than in winter. The changes of the above four comfort indexes integrating temperature, humidity and wind speed could cause the change of the Lpm, and this change was more obvious in summer, especially in July and August. The errors of BP neural network model and multiple regression model were basically controlled within the requirements of the power department. The prediction effect of BP neural network was better than that of multiple regression. In the later business application, it was suggested to select ET index in Jingmen and Xianning, and four indexes in other cities can be used.

Keywords: comfort index ; correlation ; multiple regression ; BP neural network

PDF (2882KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

贺莉微, 任永建, 夏青. 不同舒适度指数在最大电力负荷预测中的应用. 干旱气象[J], 2021, 39(06): 1031-1038 DOI:10.11755/j.issn.1006-7639(2021)-06-1031

HE Liwei, REN Yongjian, XIA Qing. Application of different comfort indexes in maximum electric power load forecasting. Journal of Arid Meteorology[J], 2021, 39(06): 1031-1038 DOI:10.11755/j.issn.1006-7639(2021)-06-1031

引言

电力负荷是电力系统规划设计和运行管理的最重要指标之一,研究电力负荷特征及其变化规律是达到电网安全、稳定、优质和经济运行的首要条件[1]。电力负荷与气象要素息息相关[2,3,4,5,6],如北京市日最大电力负荷对气温的变化最敏感,气温是其主要的影响因子[5];天津市电力负荷与气象因子的关系在季节和日尺度上十分显著,7、8月气温每上升1 ℃,气象负荷增加120 MW左右[6]。综合温度和相对湿度等气象要素的舒适度指数,更能反映气象与电力负荷的关系,如北京闷热指数与最大电力负荷呈显著正相关,相关系数达0.67[7];湖北黄石市体感温度升高1 ℃,气象负荷率最多增加6%[8];高亚静等[9]提出基于温度、相对湿度、风速以及雾霾的新型人体舒适度概念,并将其纳入到随机森林预测模型中,结果表明电网短期负荷预测的平均绝对误差百分比降低0.6%。可以看出,舒适度指数与电力负荷的关系比温度与电力负荷的关系更敏感,且引入舒适度指数后电力负荷预测准确率有所提升。但不同舒适度指数与电力负荷关系的对比分析研究还较少,因此本文选取4种舒适度指数:温湿指数(I)[10]、气象敏感负荷条件指数(meteorological sensitive load index,MSLI)[11]、人体舒适度(ET)[12]、体感温度指数(Te)[13],分析它们与电力负荷的关系。

近年来,湖北省经济飞速发展,电力需求不断攀升,特别是夏季,用电量和用电负荷屡创新高。如2017年和2018年夏季,受持续高温的影响,武汉日最大电力负荷持续超过10 000 MW,并突破历史极值,对电网稳定运行造成巨大压力[14]。准确的电力负荷预测可以使电力部门在保证电网安全的前提下降低电力公司的运营成本,为电力公司的合理调度提供理论依据,节约能量资源[15]。目前,日最大电力负荷预测模型建模方法有BP神经网络[14,16]、多元回归[17]、改进粒子群-径向基神经网络[18]、支持向量回归[19]等方法。其中逐步回归和BP神经网络对武汉夏季最大电力负荷具有较好的预测效果,尤其对持续高温造成高位运行的最大电力负荷模拟效果更好[14];有关北京地区日最大电力负荷预测中,石玉恒等[16]利用多元回归方法,预测结果显示2013年预报准确率达91.6%,而尤焕苓等[17]对BP神经网络、非线性回归和多元回归方法进行对比,结果表明BP神经网络模拟能力最强。由此可知,多元回归和BP神经网络方法,在日最大电力负荷预测中效果良好。因此,本文利用多元回归和BP神经网络方法,分别使用4种舒适度指数(I、MSLI、ET、Te)建立湖北地区日最大电力负荷预测模型,并对模型预测结果进行对比,以期为开展电力负荷和舒适度指数的研究提供参考。

1 资料和方法

1.1 资料

考虑资料的获取性和完整性,选取国家电网公司华中分公司提供的2008—2019年湖北省荆州市、荆门市、宜昌市、咸宁市和随州市每日逐15 min电力负荷值,日最大电力负荷值为每日逐15 min的最大电力负荷值。利用湖北省气象信息与技术保障中心提供的同期荆州市、荆门市、宜昌市、咸宁市和随州市日平均气温、日最高(低)气温、日平均2 min风速、日平均相对湿度等,资料均经过气象部门质控,数据可靠。

1.2 方法

1.2.1 气象负荷分离

图1为2008—2019年湖北省荆州、荆门、宜昌、咸宁和随州的逐日最大电力负荷及其线性趋势,从中可以看出荆州、荆门、宜昌、咸宁和随州的逐日最大电力负荷均表现出显著增长趋势(R2分别为0.68、0.65、0.51、0.70和0.75,均通过α=0.001的显著性检验)。湖北省不同地区电力负荷特征均表现出夏季达到最高峰,冬季出现次高峰,春节期间负荷值最小。其中荆州最大电力负荷增长速率最大为4.2 MW·(10 a)-1,宜昌次之为1.9 MW·(10 a)-1,荆门和咸宁增长速率相差不大,分别为1.3、1.5 MW·(10 a)-1左右,随州最小为0.9 MW·(10 a)-1。这主要是因为虽然宜昌生产总值比荆州高,但荆州人口比宜昌多220多万;而荆门、咸宁和随州人口数相差不大,但由于各地经济发展水平不同,电力负荷也相应不同。

图1

图1   2008—2019年湖北荆州、荆门、宜昌、咸宁、随州逐日最大电力负荷及其线性趋势

Fig.1   Daily maximum power load and its linear trend in Jingzhou, Jingmen, Yichang, Xianning and Suizhou of Hubei Province from 2008 to 2019


同时从2008—2019年湖北荆州、荆门、宜昌、咸宁、随州逐日温度距平变化及其线性趋势(图略)可以看出,各市温度呈平稳的波动变化,略有上升趋势,但这种趋势并不明显。说明电力负荷的逐年显著增长主要由社会经济发展导致,通常电力负荷值计算公式[20]如下:

L=Lt+Lm+ALt=at+b

式中:L(MW)为电力负荷值;Lt(MW)为随社会经济发展而引起的负荷长期变化,称基础负荷,随时间增长,下标t表示时间;Lm(MW)为受气象条件影响而产生的电力负荷变化,称气象负荷;A(MW)为其他不可预测因素引起的电力负荷变化,其值很小,可忽略不计;ab均为系数。

为更能反映电力负荷随气象条件的变化程度,引入最大气象负荷的变化率(Lpm),具体计算公式[20]如下:

Lpm=LmLt×100%

1.2.2 舒适度指数

采用相关分析法分析荆州、荆门、宜昌、咸宁和随州的Lpm与温度、温湿指数(I)、气象敏感负荷条件指数(MSLI)、人体舒适度指数(ET)、体感温度指数(Te)的关系。其中温湿指数(I)的具体计算公式[12]如下:

I=T-0.55(1-U)(T-14.4)

式中:T(℃)、U(%)分别为某一评价时段平均温度、相对湿度。

气象敏感负荷条件指数(MSLI)具体计算公式[13]如下:

MSLI=T+U-3515-V-23T35MSLI=T+U-4015-V-2325T<35MSLI=T-V-2315T<25MSLI=T-U-6030-V-23T<15

式中:V(m·s-1)为某一评价时段风速。

人体舒适度指数(ET)和体感温度指数(Te)具体计算公式[14,15]如下:

ET=T-0.551-UT-58Te=37-37-T0.68-0.14U+11.76+1.4V34-0.29T1-U

1.2.3 BP神经网络

神经网络(neural networks)是以人的大脑为基础,然后从人脑神经网络的机理出发,抽象出来的一种类似的神经网络模型[21]。其原理是对实际值与预测值之间误差的一个反向传递过程,在这个过程中,通过求误差对权值或阈值的导数,沿着导数的负梯度方向不断地对权值或阈值进行调整修正,直到最后输出误差在允许范围内。BP神经网络主要由输入层、隐含层和输出层组成,其中输入层与输出层只有一层,隐含层可以是一层也可以是多层[22],本文选用的输入层包含平均气温、舒适度指数、前一日最大气象负荷,中间为双隐含层,最后输出最大气象负荷。

2 Lpm与气温的关系

图1可知,最大电力负荷夏季(6—8月)和冬季(12月至次年2月)为峰值和次峰值,因此主要分析夏季、冬季Lpm与温度的相关关系。表1为2008—2019年湖北不同地区夏季、冬季Lpm与温度的相关系数,其中夏季、冬季样本数分别为1104、1083。可以看出,除宜昌冬季二者相关系数通过α=0.05的显著性检验外,其他相关系数均通过α=0.01的显著性检验。夏季Lpm与气温呈正相关,冬季呈负相关,且夏季的相关性比冬季显著;另外夏季荆州、荆门、宜昌、咸宁和随州均是Lpm与平均气温的正相关性最高,相关系数分别为0.81、0.75、0.64、0.69、0.75,而冬季,荆州和宜昌的Lpm与平均气温的相关性最高,相关系数分别为-0.61和-0.15,荆门和咸宁的Lpm与最高气温的相关性最高,相关系数分别为-0.33、-0.49,随州Lpm与平均气温、最高气温的相关系数均为-0.49。综上所述,荆州Lpm和温度的相关性最高,荆门次之。

表1   2008—2019年湖北省不同地区夏季和冬季Lpm与气温的相关系数

Tab.1  Correlation coefficients between temperature and Lpm in summer and winter in different areas of Hubei Province from 2008 to 2019

地区季节平均气温最高气温最低气温
荆州夏季0.81***0.76***0.77***
冬季-0.61***-0.57***-0.49***
荆门夏季0.75***0.72***0.71***
冬季-0.32***-0.33***-0.29***
宜昌夏季0.64***0.61***0.60***
冬季-0.15**-0.14**-0.13**
咸宁夏季0.69***0.66***0.62***
冬季-0.48***-0.49***-0.33***
随州夏季0.75***0.69***0.62***
冬季-0.49***-0.49***-0.30***

注:***、**分别表示通过α=0.01、α=0.05的显著性检验。

新窗口打开| 下载CSV


图2为2008—2019年湖北荆州市Lpm与平均气温的月变化。可以看出荆州Lpm与平均气温存在一定的关系,5—6月随着平均气温上升,Lpm也相应增大,7—8月达到峰值,随着1月左右平均气温降到谷值,Lpm达到次峰值。出现这种现象的主要原因是夏(冬)季居民空调制冷(暖)的需求增加。除此之外,2013年和2019年高温日数较往年偏多,使得荆州Lpm也达到近12 a次大值和最大值。荆门、宜昌、咸宁、随州的Lpm与平均气温的关系(图略)和荆州类似。

图2

图2   2008—2019年湖北荆州市Lpm与平均气温的月变化

Fig.2   Monthly variation of Lpm and average temperature in Jingzhou of Hubei Province from 2008 to 2019


3 Lpm与舒适度指数的关系

表2为2008—2019年湖北省不同地区夏季和冬季Lpm与4种舒适度指数的相关系数,其中夏季、冬季样本数分别为1104、1083。可以看出,荆州、荆门、宜昌、咸宁、随州夏季Lpm与4种舒适度指数呈正相关,冬季除宜昌地区Lpm与Te指数呈正相关外,其他各市Lpm与4种舒适度指数均呈负相关,且夏季的相关性比冬季高。宜昌冬季Lpm与Te指数呈正相关的原因可能是该市经济发展水平较其他地市高,暖气普及率较高,冬季使用空调制暖较少,居民用电相对减少。无论夏季还是冬季,荆州、荆门、宜昌、咸宁、随州的LpmI指数相关性较高,夏季相关系数分别为0.80、0.73、0.63、0.66、0.72,冬季分别为-0.60、-0.29、-0.14、-0.48、-0.48,与MSLI指数的相关性次之。整体上,5市中荆州地区Lpm和4种舒适度指数的相关性最高。

表2   2008—2019年湖北省不同地区夏季和冬季Lpm与4种舒适度指数的相关系数

Tab.2  Correlation coefficients between Lpm and four comfort indexes in summer and winter in different areas of Hubei Province from 2008 to 2019

地区季节IETTeMSLI
荆州夏季0.80***0.72***0.61***0.74***
冬季-0.60***-0.42***-0.29***-0.60***
荆门夏季0.73***0.65***0.51***0.68***
冬季-0.29***-0.16*-0.12-0.29***
宜昌夏季0.63***0.55***0.57***0.61***
冬季-0.14*-0.070.04*-0.14*
咸宁夏季0.66***0.66***0.58***0.64***
冬季-0.48***-0.37***-0.18***-0.48***
随州夏季0.72***0.68***0.60***0.68***
冬季-0.48***-0.30***-0.27***-0.49***

注:***、*分别表示通过α=0.01、α=0.1的显著性检验。

新窗口打开| 下载CSV


图3为2008—2019年湖北不同地区夏季和冬季Lpm与4种舒适度指数相关系数的月变化。可以看出,盛夏7、8月,荆州地区LpmI指数相关系数最高(均为0.81),荆门和随州次之,相关系数分别为0.72、0.77和0.75、0.76,宜昌为0.63、0.66,咸宁为0.38、0.63;冬季2月,荆州地区LpmI指数的相关系数最高(-0.67),咸宁次之(-0.62),随州为-0.53,荆门为-0.39,宜昌地区Lpm与MSLI指数的相关性最低(-0.14)。综合表2图3可以得到:综合温度、湿度、风速的4种舒适度指数的变化能引起Lpm变化,且这种变化在夏季,尤其是7月和8月更明显。

图3

图3   2008—2019年夏季和冬季湖北不同地区Lpm与4种舒适度指数相关系数的月变化

Fig.3   The monthly variation of correlation coefficients between Lpm and four comfort indexes in summer and winter in different areas of Hubei Province from 2008 to 2019


4 基于4种舒适度指数的预测模型

4.1 日最大电力负荷预测模型

在建立电力负荷预测模型时,前一日最大电力负荷对提高模型预测精度有重要影响[14],因此分别选取4种舒适度指数、平均气温及前一日最大气象负荷作为预报因子,利用多元回归和BP神经网络方法建模,预测当天日最大电力负荷,并对2种建模方式进行对比分析。

4.2 结果分析

利用2008—2018年6—8月相关数据建立模型,对2019年6—8月日最大电力负荷进行预测及检验。多元回归法中各预测方程的复相关系数均大于0.85,且通过α=0.01的显著性检验。表3为2019年6—8月湖北不同地区日最大电力负荷预测值的相对误差绝对值(absolute relative error,ARE)。可以看出,宜昌日最大电力负荷预测精度最高,咸宁次之,随州预测精度最低。除随州地区多元回归法以外,其他地区相对误差绝对值的平均值都控制在6%以内,达到电力部门内部考核要求。通过对比ARE<3%及ARE<5%的占比,荆州、荆门、宜昌、随州地区BP神经网络法比多元回归法预测精度高,而咸宁地区多元回归法比BP神经网络法预测精度高。利用多元回归法建模,4种舒适度指数在各市的预测精度相当;利用BP神经网络法建模,ET指数在荆门和咸宁地区表现较好。

表3   2019年6—8月湖北不同地区日最大电力负荷预测值的相对误差绝对值 单位:%

Tab.3  The absolute relative error (ARE) of forecast values of daily maximum power load in different areas of Hubei from June to August 2019

地区舒适度
指数
ARE<3%的占比ARE<5%的占比最大AREARE的平均值
多元
回归
BP神经
网络
多元
回归
BP神经
网络
多元
回归
BP神经
网络
多元
回归
BP神经
网络
荆州I38.032.655.458.726.924.75.85.6
ET38.035.954.358.726.920.65.85.4
Te38.044.660.962.027.427.15.55.3
MSLI38.039.154.364.127.527.55.85.4
荆门I35.940.253.360.925.526.05.04.5
ET37.052.253.376.125.526.75.03.8
Te37.038.056.558.725.926.14.84.9
MSLI34.847.853.373.925.426.55.04.0
宜昌I57.657.679.380.416.113.83.23.2
ET55.454.379.381.516.316.53.23.3
Te54.356.579.379.315.715.03.23.1
MSLI56.556.579.379.316.015.63.23.1
咸宁I43.539.170.765.217.617.24.14.1
ET42.443.570.766.317.815.84.13.9
Te42.431.569.660.916.915.74.14.6
MSLI42.441.369.668.517.217.64.14.1
随州I28.332.645.751.118.719.16.45.9
ET28.333.744.652.219.019.96.45.9
Te23.928.347.850.017.917.56.46.0
MSLI27.229.346.750.018.919.06.45.8

新窗口打开| 下载CSV


图4为2019年6月26日至7月2日荆州、6月3—9日随州地区基于多元回归和BP神经网络的日最大电力负荷预测值相对误差日变化。可以看出,荆州地区6月29日和随州地区6月6—7日相对误差异常偏大,主要是因为6月29日荆州地区出现25.5 mm的降水,日最高气温从33 ℃下降至26 ℃,6月6—7日随州地区也出现降水过程,降水量16.8 mm,日最高气温从34 ℃下降至28 ℃,两地均遭遇到转折性天气,使空调制冷需求下降,居民用电相对减少。因此,在实际业务应用中,需时刻关注天气变化,适当进行人工订正。

图4

图4   2019年6月26日至7月2日荆州(a、c)、6月3—9日随州(b、d)地区基于多元回归(a、b)和BP神经网络(c、d)的日最大电力负荷预测值相对误差日变化

Fig.4   The daily variation of relative error of daily maximum power load forecast values based on multiple regression (a, b) and BP neural networks (c, d) in Jingzhou from 26 June to 2 July (a, c) and Suizhou from 3 to 9 June (b, d) 2019


5 结论与讨论

(1)湖北不同地区Lpm与气温、4种舒适度指数在夏季呈正相关,冬季呈负相关,且夏季相关性比冬季显著。

(2)综合温度、湿度、风速的4种舒适度指数的变化能引起Lpm的变化,且这种变化在夏季,尤其是7月和8月更明显。

(3)对多元回归法和BP神经网络法建立的日最大电力负荷预测模型进行检验,结果显示BP神经网络预测效果优于多元回归,荆门和咸宁地区在业务应用中建议选取ET指数,其他各市4种舒适度指数皆可。

气象预报的精准度对电力负荷的预测影响较大,而本文不足之处是在日最大电力负荷预测的研究中,使用气象实况数据代替气象预测数据。未来需进一步引入支持向量机、大数据挖掘、AI等先进方法,提高模型预测精度,切实为电网稳定运行、经济调度提供气象保障。

参考文献

胡江林, 陈正洪, 洪斌, .

华中电网日负荷与气象因子的关系

[J]. 气象, 2002, 28(3):14-19.

[本文引用: 1]

陈正洪, 洪斌.

华中电网四省日用电量与气温关系的评估

[J]. 地理学报, 2000, 55(增刊1):34-38.

[本文引用: 1]

卢珊, 高红燕, 李建科, .

西安市居民用电量对气象因子的响应及预测

[J]. 干旱气象, 2017, 35(5):886-892.

[本文引用: 1]

张彦恒, 杨琳晗, 武辉芹, .

冀北电网电力负荷特征与气温的关系

[J]. 干旱气象, 2016, 34(5):881-885.

[本文引用: 1]

叶殿秀, 张培群, 赵珊珊, .

北京夏季日最大电力负荷预报模型建立方法探讨

[J]. 气候与环境研究, 2013, 18(6):804-810.

[本文引用: 2]

熊明明, 李明财, 任雨, .

天津电力负荷特性及其与气象因子的关系

[J]. 气象科技, 2013, 41(3):577-582.

[本文引用: 2]

张自银, 马京津, 雷杨娜.

北京市夏季电力负荷逐日变率与气象因子关系

[J]. 应用气象学报, 2011, 22(6):760-765.

[本文引用: 1]

尹炤寅, 范进进, 陈幼姣, .

体感温度对夏季气象负荷率变化的影响研究——以湖北省黄石市为例

[J]. 气象, 2017, 43(5):620-627.

[本文引用: 1]

高亚静, 孙永健, 杨文海, .

基于新型人体舒适度的气象敏感负荷短期预测研究

[J]. 中国电机工程学报, 2017, 37(7):1946-1954.

[本文引用: 1]

中华人民共和国国家质量监督检验检疫总局, 中国国家标准化管理委员会. 人居环境气候舒适度评价: GB/T 27963—2011[S]. 北京: 中国标准出版社, 2012.

[本文引用: 1]

中国气象局. 用电需求气象条件等级: QX/T 97—2008[S]. 北京: 中国标准出版社, 2008.

[本文引用: 1]

中国气象局. 城市总体规划气候可行性论证技术规范: QX/T 242—2014[S]. 北京: 中国标准出版社, 2014.

[本文引用: 2]

徐大海, 朱蒋.

人对温度湿度风速的感觉与着衣指数的分析研究

[J]. 应用气象学报, 2000, 11(4):430-439.

[本文引用: 2]

任永建, 熊守权, 洪国平, .

气象因子对夏季最大电力负荷的敏感性分析

[J]. 气象, 2020, 46(8):1144-1153.

[本文引用: 5]

武辉芹, 张金满, 曲晓黎.

河北省南部电网夏季电力负荷特征及与气象因子的关系

[J]. 气象科技, 2013, 41(5):945-948.

[本文引用: 2]

石玉恒, 赵娜, 王凌, .

北京地区日最大电力负荷预测模型初探

[J]. 中国电力, 2019, 52(8):157-163.

[本文引用: 2]

尤焕苓, 丁德平, 王春华, .

应用回归分析和BP神经网络方法模拟北京地区电力负荷

[J]. 气象科技, 2008, 36(6):801-805.

[本文引用: 2]

师彪, 李郁侠, 于新花, .

基于改进粒子群-径向基神经网络模型的短期电力负荷预测

[J]. 电网技术, 2012, 33(17):180-184.

[本文引用: 1]

李笋, 王超, 张桂林, .

基于支持向量回归的短期负荷预测

[J]. 山东大学学报, 2017, 47(6):52-56.

[本文引用: 1]

贺芳芳, 史军.

上海地区夏季气温变化对用电负荷的影响

[J]. 长江流域资源与环境, 2011, 20(12):1462-1467.

[本文引用: 2]

GOTMAN N, SHUMILOVA G, STARCEVA T.

Electric load forecasting using an artificial neural networks

[J]. IEEE Trans Power Systems, 2014, 6(2):442-449.

DOI      URL     [本文引用: 1]

隋惠惠.

基于BP神经网络的短期电力负荷预测的研究

[D]. 哈尔滨: 哈尔滨工业大学, 2015.

[本文引用: 1]

/