预测准确率

准确、及时的中长期负荷预测对于制定经济合理的电力分配方案具有十分重要的意义。传统基于统计和人工智能的电力负荷预测算法存在计算效率低、预测准确率不高的问题。文章结合基因表达式编程的思想，提出基于基因表达式编程的中长期电力负荷预测算法。在标准EUNITE数据集上的仿真实验结果表明，文章提出的LFMM-GEP算法在MAE和MAPE以及预测精度上，要优于传统的其他人工智能和统计方法。

准确考虑气象参数预测误差是实现架空输电线路动态载流量精准预测的基本前提。通过统计与计算分析，首次发现在不同气象参数预测值与气象环境下，气象参数预测误差具有不同分布特征。然而，现有架空输电线路载流量概率预测方法并未考虑以上2种因素的影响，难以实现线路载流量的准确预测。为此，首先将气象参数预测误差分析问题构建为气象参数预测值与气象环境2种影响因素下的气象参数预测误差条件分布求解问题；其次引入Sklar定理及其Copula函数和非参数核密度估计法，构建了一种气象参数预测误差条件分布的求解方法；然后结合蒙特卡洛采样法，提出了一种考虑气象参数预测误差条件分布的架空输电线路载流量概率预测新方法。最后通过计算分析发现：相比于2种传统方法，所提方法在考虑气象参数预测值与气象环境2种因素对气象参数预测误差概率分布的影响后，预测区间覆盖率分别提高了5.51、1.99个百分点，预测区间标准化平均宽度分别降低了7.86、3.62个百分点，验证了该方法的准确性与实用性。

针对电力公司物资库龄长、周转率低等问题，文章通过分析物资周转显性化特征，梳理影响物资周转和积压的因素，引入物资需求偏差、项目施工进度偏差等指标参数，提出一种基于梯度提升树的物资在库时长预测模型, 通过多参量构建梯度回归树拟合损失函数得出学习率，于预测模型中进行物资在时长预测。通过对某电力公司2017—2019年物资数据进行训练和预测，经实验分析该模型对电力物资在库时长预测准确率为95%。同BP神经网络、L1/2稀疏迭代回归和线性回归算法比对后发现，该模型在方差、误差、准确率方面优于其他算法，证明了该模型准确性和实用性。

异常天气下新能源出力剧烈变化会严重威胁电网的安全运行，针对气象因素的异常变化导致的风电功率预测准确率低的问题，文章提出了一种基于LightGBM-Seq2Seq的异常天气下的风电功率预测方法。首先，由于目前新能源发电中缺乏有关异常天气的定量判据，文中设计了异常天气判别标准，并采用多尺度滑动窗口进行异常样本提取。其次，针对异常天气下气象波动和功率波动的匹配性差、风电出力情况难以估测的问题，提出基于LightGBM的功率基准值预测模型计算异常天气下的基准功率，同时针对异常气象波动引起的实际功率与基准功率的偏差，提出基于Seq2Seq的功率增量预测模型，通过功率增量对功率基准值进行修正，以实现异常时段的风电功率预测。最后通过实际算例验证了所提方法能够有效提高异常天气下的风电功率预测精度。

国网山西省电力公司自主研发的分行业负荷预测数智化平台上线，实现了分行业负荷预测，并提高了山西电网负荷预测准确率，为调度人员安排发电机组运行方式提供数据支撑，助力电力保供和新能源电力消纳。