电力负荷预测公式:
对于超短期负荷预测B(t)接近于线性(常数)
对于短期负荷预B(t)具有明显的周期性
对于中长期负荷预测B(t)具有明显增长趋势的周期性变化
气象因素:温度、湿度、风力、阴晴等
负荷因素:空调等
负荷变化:分段线性
特别事件:重大政治活动,特别电视节目等
负荷分量:通过对典型日、相似日的积累;借助于人工修正。一般为一个常量
随机分量模型V(t)
自回归模型(AR)
动平均模型(MA)
自回归动平均模型(ARMA)
累积式自回归动平均模型(ARIMA)
时间序列法、线性回归、指数平滑、人工神经元网络方法、节假日预报法、多种算法的组合算法
可以分区、分类型进行负荷预测
相似日、同类型日、连续日;工作日、双休日、节假日(可消除特殊事件的影响)
气象因素、同类型日、节假日、同星期类型、连续日
算法选择适合当地负荷特点,气象数据输入要及时、准确,注意检查样本数据 ,保证历史数据的真实性、完整性,适当人工干预