基于神经网络方法的大型电网短期负荷预报

电力系统负荷预报研究现状,介绍了神经网络方法应用于电力系统短期负荷预报的可行性及存在的问题。详细讨论了应用BP神经网络、共轭梯度算法改进BP神经网络方法进行电力系统短期负荷预报的算法,及在预报过程中对电网负荷数据进行预处理方法。分别应用二种方法对东北电力系统进行了72小时短期负荷预报仿真。仿真结果表明,BP神经网络训练时间长,预报精度低;而共轭梯度算法改进BP神经网络算法训练步数大大减小,缩短了网络训练时间,而且提高了预报精度。该方法可行,可用于电力系统短期负荷在线预报。     

基于改进粒子群-模糊神经网络的短期电力负荷预测

为了提高短期电力负荷预测精度,提出了改进的粒子群-模糊神经网络混合优化算法.用改进的粒子群训练神经网络,实现了模糊神经网络参数优化.建立了基于该优化算法的短期负荷预测模型,综合考虑气象、天气、日期类型等影响负荷的因素,利用贵州电网历史数据进行短期负荷预测.仿真表明,该方法的收敛速度和预测精度优于传统模糊神经网络法、BP神经网络法、粒子群-BP算法和粒子群-模糊神经网络方法,该优化算法克服了神经网络和粒子群优化方法的缺点,改善了模糊神经网络的泛化能力,提高了电网短期负荷预测的精度,各日预测负荷的平均百分比误差可控制在1.2%以内.该算法可有效用于电力系统的短期负荷预测.     

基于多相关因素的电力系统负荷预测神经网络方法

本文分析了电力系统负荷与社会、经济及大气温度诸因素的相关关系，基于这些关系建立了电力系统负荷预测的神经网络模型，利用误差反向传播算法实现了由这些因素到电力系统负荷的复杂映射。实例结果表明，本文模型是合理的方法是有效和可行的。     

基于加权平均一阶发散度的混沌序列预测法

深入分析了基于最大Lyapunov指数预测法产生误差的根源。在此基础上定义了一个新的变量:加权平均一阶发散度,并基于该变量提出了一种新的混沌序列预测方法。首先从理论上对该方法的基本原理进行了系统论述,并指出了加权平均一阶发散度所具有的一些显著特点。然后总结了所提预测方法的算法过程。最后将新方法应用于电力系统的负荷预测中,得到了理想的预测结果。通过分析和比较,验证了其有效性。     

基于Box-Cox变换分位数回归与负荷关联因素辨识的中长期概率密度预测

中长期电力负荷预测是电力部门制定电力系统发展规划和稳定运行的重要前提.针对影响中长期电力负荷预测精度的多个因素,本文利用逐步回归方法,从众多影响负荷预测精度的关联因子中,对关键的影响因子进行辨识,并提出基于Box-Cox变换分位数回归和核密度估计相结合的概率密度预测方法,得出不同分位点下未来连续几年的概率密度预测结果,实现了对未来年用电量准确波动区间的预测.以安徽省的历史用电量和社会经济数据为例,进行仿真实验.结果表明:该方法不仅实现了中长期电力负荷概率密度预测,而且利用强关联因素提高了中长期电力负荷概率密度预测的精度,有效解决了考虑多因子的中长期电力负荷概率密度预测问题.     

基于小波-神经网络的电力系统短期负荷预测

基于小波变换和神经网络,提出了一种电力系统短期负荷预测方法.通过小波变换把负荷序列分解为不同频段的子序列,再对这些子序列分别采用相应的人工神经网络模型进行预测,最后重构得到负荷序列的最终预测结果.在所提出的方法中小波分解能够提取负荷的一些周期性和非线性特征,根据其子序列各自所具有的特征采用相应的预测方法.实例结果表明该方法具有很高的预测精度和较强的适应能力.     

短期电力负荷预测的粗糙集方法

针对短期电力负荷预测外部影响因素的非线性特点,为得到精确的预测结果,采用粗糙集方法对电力负荷及其实际影响因素进行分析.建立了由代表自然因素的条件属性和代表负荷的决策属性所构成的短期电力负荷预测指标体系,利用粗糙集分析各个条件属性对决策属性的重要程度,得到约简后的预测指标体系,并根据实际历史数据进行短期电力负荷预测.并将所得预测负荷与BP神经网络算法进行对比,结果表明了粗糙集方法的优越性.     

混合电力系统的短期预报和最优调度

应用ＢＰ型神经网络,对水火混和电力系统中的负荷和水库独立来水进行短期预报;应用大系统最优化理论中的关联预估方法,针对大规模水火混合电力系统的最优经济调度问题,构造出一个新的多级算法,该算法结构清晰,具有很好的收敛性。     

基于EMD-PSR-LSSVM的城市燃气管网短期负荷预测

城市燃气管网短期负荷预测对燃气调度系统的安全与稳定具有重要意义. 为了提高城市燃气管网短期负荷预测精度,建立了基于经验模态分解(EMD)-相空间重构(PSR)-最小二乘支持向量机(LSSVM)的组合预测模型. 首先,运用EMD算法把原始非线性时间序列分解为互不耦合的模态分量,并采用PSR算法确定LSSVM建模中各个分量的输入输出结构; 其次,运用PSO算法对LSSVM建模中的参数进行优化,使用训练好的LSSVM模型对各个IMF分量进行回归预测; 最后运用该组合模型对郑州市燃气管网负荷进行短期预测.结果表明:与LSSVM回归预测和BP神经网络预测模型相比,本文提出的组合模型的预测精度更高,是一种更为有效的城市燃气管网短期负荷预测方法.     

运用样本更新的实时神经网络进行短期电力负荷预测

用多层神经网络模型解决短期电力负荷预测问题 ,提出了运用基于非梯度的单参数动态搜索(SPDS)算法训练网络 .这种学习算法可以克服 BP学习算法对规模大、特征多的问题难以收敛的困难 .根据预测日的天气信息进行样本集的动态构造和网络的实时训练 .计算结果表明 ,文中提出的模型可以较好地进行短期电力负荷预测 ,也验证了 SPDS学习算法的有效性.     

几何转换Boosting回归算法及其在高耗能企业负荷预测中的应用

针对高耗能企业的电力负荷预测问题, 提出了一种基于几何转换关系的Boosting集成预测方法. 该方法将分类问题中广泛采用的AdaBoost算法引入回归问题, 通过几何关系转换将负荷预测这一回归问题转化为一个两类分类问题, 在此分类问题上应用置信度AdaBoost算法得到最优集成分类面. 证明了此分类面等价于原回归问题上的一个回归函数, 同时证明了该方法与原始AdaBoost算法有着类似的收敛性. 实际算例表明, 该方法通过多预测模型的集成有效提高了负荷预测精度, 克服了传统单一预测模型在高耗能企业的电力负荷预测问题上泛化性能不佳的缺陷.     

基于集成智能方法的电力短期负荷预测

将自组织(SOM)和反向传播(BP)两种神经网络结合起来, 并使用模糊理论, 建立了一种基于集成智能方法的日负荷预测智能模型, 该模型首先利用SOM网络的竞争学习能力将历史数据分成若干类别从而找出与预测日同类型的预测类别. 然后, 把温度、日类型等不确定性扰动因素分离出去, 利用BP算法的非线性函数逼近功能, 完成电力负荷的基本分量部分的预测工作. 在处理温度、天气情况、日类型等不确定因素对负荷的影响时, 采用模糊逻辑理论对负荷基本分量进行修正. 提出了一种基于进化树的自组织神经网络算法(SOETA), 该算法是一种无监督基于二叉树的自组织特征映射网络模型, 采用进化思想进行无监督学习, 具有灵活的拓扑结构和精确的模式识别. 本文以2007年厦门市的电力负荷数据为例, 试验结果表明, SOETA+BP+模糊理论的预测精度最优, 有效提高了电力短期负荷预测精度.     

基于神经网络矫正的非线性短时负荷预测模型

为了解决传统神经网络负荷预测模型中,当预测日天气出现快速变化时预测误差随之增加的问题,提出了一种改进的未来一小时实时负荷预测模型。在该模型中,预测负荷通过对预测日的类似日负荷数据加一个矫正值来获得,矫正值从神经网络产生,网络结构得到简化。由于采用在线实时学习方式,该模型可以学习快速的天气变化和预测误差之间的关系,减小预测误差。仿真结果验证了该模型的有效性。     

基于混沌理论和LSSVM的蒸汽负荷预测

蒸汽是一种重要的二次能源, 如何预知热电厂在未来时刻需生产的蒸汽负荷, 对于安全、经济地向用户提供高质量的热负荷具有重要意义. 针对短期蒸汽负荷序列的预测问题, 首先证明了蒸汽负荷序列具有混沌特性, 根据Takens定理, 重构蒸汽负荷时间序列相空间, 分别采用C-C方法和Cao方法确定延迟时间和嵌入维数; 然后在相空间中, 利用最小二乘支持向量机(LSSVM)建立蒸汽负荷预测模型, 并采用模拟退火算法(SA)改进的粒子群优化算法(PSO), 即SA_WPSO算法对LSSVM参数的选择方法进行了优化, 结果证明该方法能够取得很好的预测效果.     

EMD-ISMO算法在电力负荷预测中的应用

电力负荷是受多种因素影响的复杂非线性系统,具有明显的周期波动性和趋势性。利用集平稳化和层次化处理能力于一体的经验模态分解（EMD）方法处理非线性非平稳信号的有效性,对电力负荷数据进行平稳化处理,分离出12组IMF数据,包含若干个不同频率的平稳分量,能更明显地看出原负荷序列的周期项、随机项和趋势项;结合对负荷数据具有很好预测能力的改进SMO算法（ISMO）,对IMF数据进行分别预测和组合预测,提出了一种EMD-ISMO算法。实验结果表明,该方法无论在预测精度还是收敛速度上都比单纯的SMO算法有了很大改进,取得了很好的预测效果。

Abstract：

Electrical load is a complex nonlinear system which is affected by many factors.It has obvious volatile,cyclical,and tendency.Empirical mode decomposition （EMD） algorithm has smoothing and hierarchical processing ability.It can process the nonlinear and non-stationary digtal signal effectively.EMD algorithm was used to process the electrical load data.12 groups IMF data were decomposed,including a number of smooth components with different frequency.The cyclical term,random term and tendency term could be observed clearly.EMD-ISMO algorithm was proposed combining with the improved SMO algorithm（ISMO） which had perfect forecasting ability.Forecasting model was established with IMF data to forecast separately and jointly.The experimental results show that EMD-SMO algorithm can greatly improve the forcast accuracy and computation speed.It achieve very good forcast results.     

A self-similar local neuro-fuzzy model for short-term demand forecasting

This paper proposes a selfsimilar local neurofuzzy （SSLNF） model with mutual informati onbased input selection algorithm for the shortterm electricity demand forecasting. The proposed self similar model is composed of a number of local models, each being a local linear neurofuzzy （LLNF） model, and their associated validity functions and can be interpreted itself as an LLNF model. The proposed model is trained by a nested local liner model tree （NLOLIMOT） learning algorithm which partitions the input space into axisorthogonal subdomains and then fits an LLNF model and its associated validity function on each subdomain. Furthermore, the proposed approach allows different input spaces for rule premises （validity functions） and consequents （local models）. This appealing property is employed to assign the candidate input variables （i.e., previous load and temperature） which influence shortterm electricity demand in linear and nonlinear ways to local models and validity functions, respectively. Numerical results from shortterm load forecasting in the New England in 2002 demonstrated the accuracy of the SSLNF model for the STLF applications.