电厂机组负荷摆动分析以及处理研究——以金竹山电厂#3机组为例

电厂机组负荷摆动会严重影响机组工作的稳定性,进而影响电厂经济效益。为有效防止电厂机组出现负荷摆动,文章以金竹山电厂#3机组为例进行了研究,描述了机组负荷摆动现象,分析了机组负荷摆动原因,研究了负荷摆动处理措施,以期为今后电厂机组负荷摆动的预防与处理提供参考。     

电力系统负荷预测问题的若干思考

负荷预测在电力系统规划和运行方面发挥的重要作用,具有明显的经济效益,负荷预测实质上是对电力市场需求的预测。该文系统地介绍和分析了各种负荷预测的方法及特点,并指出做好负荷预测已成为实现电力系统管理现代化的重要手段。     

分析师个体特征差异与预测准确度

分析师预测对资本市场参与者的行为有着重要参考价值.现有研究主要集中在被跟踪公司特征对分析师预测准确度的影响,文章以分析师自身特征为切入点,研究分析师之间个体特征差异对其预测准确度的影响.结果表明,分析师预测准确度与其拥有的一般经验和企业经验正相关;进一步研究发现,男性分析师预测准确度的提高主要通过企业经验的积累,而女性分析师预测准确度的提高主要通过一般经验的积累;就职于小型券商的分析师预测准确度与两种经验的关系较强,而就职于大型券商的分析师预测准确度与其经验没有显著关系.文章的结论为投资者如何使用分析师预测提供了更详细的指导.     

基于系统动力学模型的中长期电力负荷预测

一、概述电力负荷预测是发电和配电的基础,科学的进行预测可以使各方获得较为满意的经济效益,同时也会获得巨大的社会效益。预测失误可能会带来不可弥补的损失,目前用于中长期预测方法有很多,回归分析法通过观察数据的统计分析和处理,来寻找负荷与影     

论现代电厂电气自动化系统应用现状与发展

在现代电力市场改革背景下,电厂自动化技术应用成为了影响电厂经济效益、影响电厂市场竞争力的关键。在现代工控自动化技术不断发展的今天,电厂电子自动化系统应用成为了提高电厂生产效率、降低电厂综合成本的关键。为了实现我国电厂电气自动化系统的有效运用,现对现代电厂电气自动化系统应用现状与发展进行了简要论述。     

关于电厂凝结水泵节能改造的具体分析

随着我国电力市场改革的不断深入,电厂生产成本控制成为了影响电力企业发展、影响电厂经济效益的关键。现代电厂为了提高成本控制效果、降低生产成本加快了技术革新与改造。凝结水泵的变频节能改造顺应电厂节能、降低厂用电消耗的需求,为电厂成本控制的开展奠定了基础。本文就电厂凝结水泵的节能改造进行了简要论述。     

也论电厂热工设备的优化

在现代电力系统改革背景下,电力企业综合成本控制成为了影响电厂经济效益、影响电厂综合竞争力的关键。在现代电厂综合成本控制的调研与分析中,电厂热工设备的优化使降低电厂运营成本的关键因素。如何利用现代技术实现电厂热工设备的优化使电厂技改部门面临的首要问题。现从电厂热工设备技术现状分析入手,对电厂热工设备的优化进行了简要论述。     

论火力发电厂安全生产与经济效益关系

安全生产与经济增长决定关火力发电厂生存和发展,但有时电厂安全生产与电厂经济效益是对立统一的关系.通过分析目前电厂安全生产状况,用一般均衡论分析了电厂的安全生产,辩证评论电厂安全生产与经济效益关系,提出加强火力发电厂安全生产、提高经济效益的具体措施,为火力发电厂持续健康发展提供参考.     

电网规划中长期负荷预测技术研究

本文主要阐述了电力负荷预测的类型、原则、方法,分析了中长期电力负荷预测的特点,研究了当前电力规划工作存在问题以及中长期电力负荷预测对电网规划的影响,并以某地区电网发展实例为研究对象,探讨了电网规划中长期负荷预测技术的应用,以期为国家电网的不断完善与发展提供理论指导。     

我国证券分析师盈利预测准确度实证研究

以我国2012—2014年非金融类上市公司为研究样本,考察证券分析师对上市公司盈利预测的准确度以及影响准确度的因素,结果表明：我国盈利预测平均准确度不高,盈利预测存在乐观偏误,盈利预测准确度有逐年增强的趋势;分析师热衷于对盈余平稳、预测难度低、运营前景较好的公司进行盈利预测;分析师对上市公司发布的报告数越多,预测准确度越高;公司规模越大、成长速度越快、盈利难度越低,分析师对其盈利预测的准确度越高;杠杆水平越高、历史盈余波动性越大的公司,分析师对其盈利预测的准确度越低,其中杠杆水平、盈利可预测性对分析师准确度的影响较大。     

浅谈电力负荷预测

电力负荷预测是供电部门的重要工作之一,准确的负荷预测,可以在保障电网的安全前提下,经济合理的安排电网内部发电机组的启停,合理安排机组检修计划,减少不必要的旋转备用容量,降低电网公司的运营成本,提高经济和社会效益。本文主要介绍了电力负荷预测的步骤以及经常采用的负荷预测方法。     

组合负荷预测方法综述

电力系统负荷具有很多不确定因素,针对单一模型进行负荷预测时,预测精度不高这一问题,可采用组合预测法将多种预测方法所得的预测值进行加权平均而得到最终预测结果,以满足现代电力对负荷预测结果的准确性、快速性和智能化的要求。该文首先简要介绍了几种常用的负荷预测方法,接着详细介绍了组合负荷预测的研究现状及确定组合预测中各模型最优权重的几种方法,最后介绍了组合负荷预测模型的误差修正方法,对提高负荷预测的准确性有一定的现实意义。     

加强电网的经济调度探析

电网经济调度就是电网的经济运行,它是在基于经济调度的理论基础上制定的各个电厂之间负荷分配的工作方案,目的是保持电网能源消耗降低到最少和减少电网运行费用,使经济效益最大化,并且还要保持电网的正常运行和用电量需求。     

电力系统短期负荷混沌预测法

电力系统短期负荷预测,在日常工作中具有十分重要的意义,它是保证电力系统的安全、经济运行的基础。文章简要对短期负荷预测的研究方法进行介绍,详细分析了混沌理论预测方法,包括相空间重构等主要思想。另外,选择合适的综合预测模型才是提高预测精度的主要方法。     

基于组合神经网络在电力系统短期负荷模型研究

电力系统短期负荷预测是实现电力系统优化运行的基础,对于电力系统运行的安全性、可靠性和经济性都有显著影响。因此,寻求有效的负荷预测方法以提高预测精度具有重要意义。     

基于最小二乘支持向量机的短期负荷预测

支持向量机是一种基于统计学理论的新颖的机器学习方法,该方法被广泛用于解决分类和回归问题。文章将最小二乘支持向量机（LS—SVM）算法应用于电力系统短期负荷预测中,并将其预测结果和BP神经网络的预测结果进行比较分析。仿真实验表明,该方法在短期负荷预测中具有很好的预测速度和精度。     

考虑市场力的短期边际电价预测

电价波动较负荷波动剧烈,使得整个电价的预测精度降低。造成这种价格波动的主要原因是由于在电力市场中,发电商拥有的市场力具有能够支配电价上下波动的能力,使得电价的变化更加难以预测。因此市场力在电价预测中是必须考虑的重要因素之一。提出将市场供需比指标作为电价预测的一个输入量,将其引入到预测模型中作为影响电价的因素,使预测精度得到提高。     

Stability in the inefficient use of forecasting systems: A case study in a supply chain company

Computer-based demand forecasting systems have been widely adopted in supply chain companies, but little research has studied how these systems are actually used in the forecasting process. We report the findings of a case study of demand forecasting in a pharmaceutical company over a 15-year period. At the start of the study, managers believed that they were making extensive use of their forecasting system that was marketed based on the accuracy of its advanced statistical methods. Yet most forecasts were obtained using the system’s facility for judgmentally overriding the automatic statistical forecasts. Carrying out the judgmental interventions involved considerable management effort as part of a sales & operations planning (S&OP) process, yet these often only served to reduce forecast accuracy. This study uses observations of the forecasting process, interviews with participants and data on the accuracy of forecasts to investigate why the managers continued to use non-normative forecasting practices for many years despite the potential economic benefits that could be achieved through change. The reasons for the longevity of these practices are examined both from the perspective of the individual forecaster and the organization as a whole.     

Benchmarking robustness of load forecasting models under data integrity attacks

As the internet’s footprint continues to expand, cybersecurity is becoming a major concern for both governments and the private sector. One such cybersecurity issue relates to data integrity attacks. This paper focuses on the power industry, where the forecasting processes rely heavily on the quality of the data. Data integrity attacks are expected to harm the performances of forecasting systems, which will have a major impact on both the financial bottom line of power companies and the resilience of power grids. This paper reveals the effect of data integrity attacks on the accuracy of four representative load forecasting models (multiple linear regression, support vector regression, artificial neural networks, and fuzzy interaction regression). We begin by simulating some data integrity attacks through the random injection of some multipliers that follow a normal or uniform distribution into the load series. Then, the four aforementioned load forecasting models are used to generate one-year-ahead ex post point forecasts in order to provide a comparison of their forecast errors. The results show that the support vector regression model is most robust, followed closely by the multiple linear regression model, while the fuzzy interaction regression model is the least robust of the four. Nevertheless, all four models fail to provide satisfying forecasts when the scale of the data integrity attacks becomes large. This presents a serious challenge to both load forecasters and the broader forecasting community: the generation of accurate forecasts under data integrity attacks. We construct our case study using the publicly-available data from Global Energy Forecasting Competition 2012. At the end, we also offer an overview of potential research topics for future studies.     

GMDH网络在短期负荷预测中的应用

文章提出基于自组织方法的GMDH（Group Method of Data Halldlin亩型神经网络并将它应用于短期负荷预测。与一般的前馈神经网络不同,GMDH网络的结构确定于训练过程之中,因而可大大提高神经网络性能。它能充分、合理地利用数据,自动进行变量组合,筛选及判断从而得到合适的模型,特别适用于数据预测。将这种用自组织方法所构成的GMDH型神经网络应用于广西某地区电力局的短期负荷预测,采用Matlab6．5进行仿真实验,证明其在短期负荷预测方面有很好的应用前景。