雷竞技网页版研究与评论-国际期刊雷竞技苹果下载

国际电气、电子和仪器工程高级研究杂志

菜单

在线刊号(2278-8875)印刷版(2320-3765)

所有提交的EM系统将被重定向到网上投稿系统．作者被要求将文章直接提交给网上投稿系统各自的日志。

电能预测的简单回归模型

J. Kumaran @ Kumar1——拉维2
  1. SCSVMV大学研究学者，印度普都切里本地治里工程学院CSE系副教授
  2. 印度普杜切里本地治里工程学院电气和电子工程教授
有关文章载于Pubmed，谷歌学者

更多相关文章请访问国际电气、电子和仪器工程高级研究杂志

国际电气、电子和仪器工程高级研究杂志

摘要

长期负荷预测是电力资源规划和扩能的一个重要方面。本文提出了一个基于人口和人均GDP的简单回归分析模型，用于印度行业电力需求的长期预测。该模型需要输入，预测年份，并预测部门的能源需求。1990 -2012年各行业的能源消费构成了建立预测模型的数据。它提出了预测的部门能源需求到2025年。

关键字
负荷预测，回归分析。

介绍
电能是各国社会经济发展的重要资源之一。能源消费的增长与经济增长有着本质的联系。由于人口增长、人均消费增加、工商业增长快速发展、国内生产总值(GDP)增长加快和经济结构变化，电力需求增加[1,2]。负荷预测问题作为电力系统规划和运行的重要和主要工具，受到越来越多的重视。在世界上许多国家，特别是像印度这样负荷增长率较高的快速发展中国家，这是一个很有吸引力的研究课题。近几十年来，人们研究了自回归综合移动平均[3]和回归分析(RA)[4-7]等技术来解决LF问题。近年来，由于人工神经网络能够通过学习现有数据库，提取输入变量和输出变量之间的关系，人工神经网络在LF中的应用引起了相当大的兴趣[8-12]。本文概述了将人工神经网络与RA[13-16]以及模糊逻辑[17,18]相结合用于LF的方法。对于中长期LF的研究很少。在[19]中提出了季节指数调整法与回归法相结合的混合模型，利用与预报日相似的前几天的信息预测提前一周的日负荷。 A novel hybrid algorithm involving support vector regression with chaotic sequence and genetic algorithm for cyclic LF with a view to improve the forecasting performance and avoid premature convergence has been suggested [20]. A new hybrid shortterm load forecaster using economic indices in order to reduce the impact of economic dynamics such as economic recession on load demand patterns has been developed in [21]. Most of the studies focus on short-term LF.
在本文中，提出了一个简单的基于RA的模型，用于长期预测涉及人均GDP和人口的印度部门电力需求。本文组织如下:第二节概述RM，第三节解释所提出的模型(PM)以及结果，第四节总结。

回归分析概述
传统的LF模型一般可分为时间序列模型和均方根模型。在时间序列模型中，通过外推之前的负荷来获得未来的负荷。这些模型经常增加传递函数，以适应消费者对不断变化的天气模式和无形因素的反应。这些模型需要大量的数据和复杂的估计过程。RM构成了第二种主要建模技术，其中数据库经常被划分为更小的段，因此为每个段构建RM，例如季节、一天或一周。
RA是一种用于分析数值数据的技术。因变量yi是参数α和自变量xi的线性组合，可以是线性或非线性的。简单线性回归和多元线性回归是线性回归的两种基本类型。例如，在N个数据点的简单回归建模中，有一个自变量xi和两个参数α 0和α 1，它们得到一条直线，称为拟合回归线:
Yi =α 0 +α 1xi +ei I =1，…N (1)
在多元线性回归中，有一个以上的自变量或自变量函数。例如，前面有2 xi项的回归给出了一条抛物线:
图像（2）
虽然右边的表达式是二次的，但它仍然被认为是线性回归，因为它涉及线性参数，α 0， α 1和α 2。
在一般的多个均方根中，可能有m个自变量:
图像（3）
其中ei为误差项，表示因变量中无法解释的变化，作为随机变量处理。
在实践中，RM的性能取决于数据生成过程的形式及其与所使用的回归方法的关系。通常，最佳拟合是使用最小二乘法来评估的，尽管也使用其他标准。

提出的模型
目标是开发一个简单的预测模型，用于预测未来几年输入数据最少的行业电力需求，不同于现有的估计净能源需求的模型。预测模型通常使用与任何国家电力需求有关的天气、平均温度、时间、石油价格、经济、人口等数据。
其中，任何一个国家的能源消费总量都与人口的增长以及以人均GDP为代表的公共收入和生活水平的不断提高有关[11,13]。虽然在长期预测模型中，人均GDP和人口与电能需求之间确定了良好的关系，但它们在未来几年并不容易得到。然而，它们是可以预测的。在Ref.[11]中提出的长期预测模型中，人口和人均GDP作为输入，但没有开发出获取未来年份所需输入数据的工具，导致模型不完整。因此，其目的是开发一个具有最小输入的完整模型，用于预测部门能源需求，不同于使用猜测输入值的现有模型。
PM由两个rm组成，前者预测未来某一年的人口和人均GDP，后者通过将前者的产出作为投入来估计部门的能源需求。PM的结构如图1所示。该模型采用了1980-2012年期间印度各部门能源消耗、人均GDP和人口数据的历史数据。(22 - 24)。
RA应用于通过第二节中描述的程序将年份与人均GDP和人口增长联系起来，以建立RM-1。然后通过RA将人均GDP和人口增长与部门用电需求联系起来，构建RM-2。将这两个模型结合起来，形成所提出的模型。该模型以预测年份为输入，对人口增长率和人均GDP进行初步预测，并对其进行进一步处理，对行业能源需求进行预测。
由RM-1提供的四个不同年份的人均GDP和人口的中间结果与表1中的实际值一起显示。由RM-2获得的部门能源需求的相应预测，以及它们的平均绝对百分比误差(MAPE)也包括在同一表中。从平均MAPE值可以清楚地看出，PM提供了一个更接近实际值的预测，从而确保了未来几年结果的准确性。表2显示了2013- 2025年期间预测的部门能源需求以及中等人均GDP和人口。从该表可以清楚地看出，2013年的净能源需求为814.24 BkWh，而2025年的需求将为2168.55 BkWh。2025年的需求将比2013年增长约2.66倍。政府的政策制定者以及能源公用事业公司应根据2025年的电力需求采取适当步骤建设新发电厂。

结论
有人提出了一个使用两个均方根的简单LF模型，其中考虑到人口和人均国内生产总值，以获得按部门计算的能源需求。采用1980-2012年人口和人均GDP的负荷需求数据编制PM。第一个RM被设计用来预测未来某一年的人口和人均GDP。第二个RM通过处理第一个网络的输出来预测部门能源需求。PM将帮助政策制定者为建设新一代电厂和输电系统分配适当的资金，以满足未来的需求，并试图在未来为客户提供可靠的服务。

确认
作者感谢SCSVMV和本地治里工程学院的权威机构为开展这项工作提供的持续支持、鼓励和设施。

表格一览
表的图标 表的图标
表1 表2

数字一览
数字
图1

参考文献
























全球科技峰会