基于气象因素敏感模型的短期电力负荷预测

为了充分考虑地区电网短期负荷易受气象因素影响的特点,提出了一种具有天气敏感性的基于快速BP算法的神经网络预测模型,模型中合理地考虑了影响负荷变化的主要气象因素,使其能够适应天气的变化。通过对咸阳地区电网的仿真预测,证明了天气因素敏感模型应用于地区电网短期负荷预测后使预测精度明显提高,故建立的模型是可行和有效的。     

基于改进人工鱼群-蛙跳算法优化LSSVM参数短期负荷预测

短期电力负荷预测在电力系统安全调度、经济运行方面起到关键作用。在用最小二乘支持向量机进行负荷预测时,参数选择将直接影响预测精度。为了提高LSSVM负荷预测精度,文中提出一种基于Levy变异自适应视野人工鱼群-蛙跳算法对LSSVM进行参数优化的方法。以某县负荷、天气等历史数据对LSSVM进行训练,建立LAVAFSA-SFLA-LSSVM、AFSA-LSSVM、LAFSA-SFLA-LSSVM共3种预测模型,对该地区某日24 h的电力负荷进行预测。算例结果表明,LAVAFSA-SFLA-LSSVM预测精度比AFSA-LSSVM和LAFSA-SFLA-LSSVM更高,预测误差更小。     

变参数QPSO算法优化神经网络的短期电力负荷预测

为了提高电力负荷预测精度,提出了一种变参数量子粒子群(VPQPSO)算法优化RBF神经网络的短期负荷预测模型(VPQPSO-RBFNN)。首先利用电力负荷的混沌性,对短期负荷时间序列进行相空间重构;然后采用变参数QPSO算法优化RBF神经网络参数对重构后的短期负荷时间序列进行学习,建立短期电力负荷最优预测模型;最后采用对某地区短期电力负荷进行预测。VPQPSO-RBFNN可以准确描述复杂多变的电力负荷变化趋势,提高了电力负荷的预测精度,仿真结果验证了VPQPSO-RBFNN可以用于电力系统负荷预测。     

基于MRA+LMBP模型对电力系统短期负荷预测的研究

电力系统负荷预测是实现电力系统安全、经济运行的基础,有着重要的意义。以某地区购网有功功率的负荷数据为背景,给出了小波神经网络——MRA(小波多分辨率分析) LMBP(L-M优化算法的BP模型)组合负荷预测模型对电力系统短期负荷进行预测。仿真结果证明组合模型比单纯使用神经网络负荷预测模型提高了预测精度,尤其是在一定程度上提高了每日峰值负荷的预测精度,具有良好的应用前景。     

基于K-prototype与SVM的短期电力负荷预测

电力负荷受多种不确定因素的影响,所以通过使用一种聚类方式选取相似日来进行短期电力负荷预测,以提高预测精度和速度。K-prototype聚类算法继承了k均值算法所以具有k均值优点。通过建立映射数据库将气温、湿度、天气、星期类型、季节等不同量纲的值通过无量纲化处理,使得不同的量纲在数值上具有可比性。然后运用聚类方法选取预测日的相似日,借助SVM模型对相似日样本进行预测,实现更加精准预测的目的。利用某地区真实数据进行验证,结果表明该方法可以有效地提高短期电力负荷的预测精度。     

基于支持向量机的负荷非线性组合预测研究

短期负荷预测是电力系统调度管理部门制定开停机计划及在线安全分析的基础,为了提高电力行业经济效益和社会效益,精确的负荷预测是最重要的工作内容。近年来的研究表明,组合预测比单项预测具有更高的精度。为了提高短期负荷的预测精度,提出一种基于支持向量机的负荷非线性组合预测方法,并与BP神经网络组合预测相比较,测试结果表明了该方法的有效性与优越性。     

野草算法和支持向量机相融合的短期负荷预测

短期负荷受到天气、季节的综合影响,具有一定的混沌性,为了准确描述短期负荷的变化趋势,以提高预测精度,提出一种野草算法和支持向量机相融合的短期负荷预测模型(WA-SVM)。首先收集大量的短期负荷历史数据,并对它们进行混沌分析和处理,建立支持向量机的训练和测试样本集;然后采用支持向量机建立短期负荷预测模型,并通过野草算法找到支持向量机最优参数;最后采用短期负荷预测仿真对比实验测试其性能。结果表明,WA-SVM获得了比其他模型更高的短期负荷预测精度,为短期负荷建模与预测提供了一种新的研究方法。     

多尺度高斯模型的短期负荷预测

为了准确地进行电力负荷的短期预测,借鉴小波分析中对函数进行多尺度表示的思想,文中在高斯过程模型的基础上提出了多尺度高斯过程模型.通过选择合适的尺度参数,采用计算预测均方误差值大小的策略获取最佳延迟时间和最优嵌入维数对,然后对西北某地区电力系统进行短期负荷预测.与传统的支持向量机、径向基函数网负荷预测方法相比,基于多尺度高斯过程模型的短期负荷预测方法预测精度与支持向量机方法相当,性能优于径向基函数.     

基于模糊集理论的短期电力负荷预测

利用BP神经网络进行电力系统短期负荷预测，应用模糊集理论将天气、温度等敏感因素模糊化后作为BP神经网络的一部分输入进行训练，构造了相应于不同季节的预测模型，预测未来一天12小时负荷。典型算例的计算表明，该方法是有效的。     

基于PSO-RBF的短期电力负荷预测模型

精确的短期负荷预测对电网经济运行至关重要。为了提高电力系统负荷的预测精度,提出一种基于相似日和PSO优化RBF神经网络的短期负荷预测方法。该方法以RBF神经网络为短期电力负荷预测的基础算法,结合灰色关联分析法、K-means算法,通过DBI指数筛选出相似日集合,进一步结合PSO对RBF神经网络的参数进行优化。结果表明,所提方法预测精度优于单一RBF神经网络方法,在K-means算法选取的相似日基础之上,PSO-RBF预测模型的MAPE仅为0.77%,能精准预测待预测日负荷值,使其具有更广泛的应用价值。     

基于ART算法的电力负荷预测

为了有效支持用电管理决策及负荷预测,在分析用电管理及智能辅助决策支持技术发展现状的基础上,提出了一种基于自动回归树(ART)算法的电力负荷预测方法.利用该预测方法对电力远程自动抄表系统所采集的历史数据进行了处理分析.针对实际系统应用,验证了该方法适用于短期负荷预测,也适用于时未来电力负荷的准确快速预测.因此它是一种行之有效的方法.     

Power short-term load forecasting based on big data and optimization neural network

With the reduction of the cost of power data acquisition and the interconnection of large scale power systems,the types of data available in the power network are becoming more and more abundant.In the past,the centralized fore-casting method was limited to the analysis of the massive power data.Therefore,a short-term power load forecasting based on large data and particle swarm optimization BP neural network was proposed,and short-term power load fore-casting model was established.The actual load data of the national grid,using the method of prediction,compared with the actual load data and centralized load forecasting results prove that this method is accurate enough,reduce the load forecasting time with feasibility in practical application.     

基于Elman神经网络的电力负荷预测模型研究

为提高电力负荷预测精度,文章采用Elman神经网络建立模型,提出了一种基于Elman神经网络的电力负荷预测方法,采用自适应学习速率动量梯度下降反向传播算法进行网络训练,对乌鲁木齐电网的实际历史数据进行了仿真,仿真结果表明,Elman神经网络对电力负荷进行预测具有收敛速度快,预测精度高的优点。     

基于MRA与回归分析法的短期电力负荷预测

为提高电力系统短期负荷预测准确度,首先利用多分辨分析的小波变换对短期电力负荷序列进行分解处理,根据其在小波各尺度上子序列的特性分别进行回归预测,再将预测结果进行小波重构,得到了满意的预测结果。     

基于粗糙特征量的短期电力负荷预测

针对负荷特征一直是实际电力负荷预测中的重大问题。提出了基于粗糙特征量的约简算法。通过对天气及负荷历史数据进行挖掘,找到负荷的关键特征,并与径向基网络结合建立了负荷预测模型。算例结果表明,与按经验选取输入的传统网络相比,预测准确度有了明显的提高,更适用于电力负荷预测。     

改进粒子群优化RBF神经网络在短期电力负荷预测上的研究

电力负荷预测的准确性对整个电力系统的安全和经济效能起着很大的作用,为提高短期电力负荷预测的准确性,提出一种改进的粒子群优化RBF神经网络的模型。针对PSO算法其迭代后期极易深陷部分最优,收敛准确度低,容易发散等问题,提出了PSO算法自身的特性结合Levy飞行机制算法的特点进行融合,在保障算法的寻优准确度的同时也保障了寻优的速度,从而实现全局最优。利用改进的粒子群算法优化RBF神经网络,再将训练好的RBF神经网络应用到电力负荷的预测中。将此模型应用到黑龙江省某地区短期电力负荷预测中,结果表明此种方法有效提高了预测精度。     

组合预测方法在电力系统负荷预测中的应用研究

本文阐述了组合预测方法与电力系统符合预测概念和组合预测方法的应用原则、模式和基本形式,并通过对组合预测在电力系统负荷预测中的作用及意义,就对组合预测方法在电力系统负荷预测中的应用研究进行了分析。     

电力系统负荷预测方法综述

从电力系统负荷预测关系到电力系统的调度运行和生产计划,准确的负荷预测有助于提高系统的安全性和稳定性,并可减少发电成本。文中介绍了通过引入其他领域的理论来改善电力系统负荷预测的分类、模型以及预测的方法,同时对其发展动态进行了展望。     

基于异构数据的电力短期负荷大数据预测方案

随着多种可再生能源电力的接入,电力系统正在向更智能、更灵活、交互性更高的系统过渡。负荷预测,特别是针对单个电力客户的短期负荷预测在未来电网规划和运行中发挥着越来越重要的作用。提出了一个基于异构数据的电力短期负荷大数据预测方案,该方案收集来自智能电表和天气预报的数据,预处理后将其加载到非关系型数据库中进行存储并做进一步的异构数据处理;设计并实现了一个长短期记忆递归神经网络模型,用于确定负荷分布并预测未来24 h的住宅小区用电量;最后利用一个住宅小区的智能电表数据集对提出的短期负荷预测框架进行了测试,并使用均方根误差和平均绝对百分比误差两个指标,对比了预测模型与两种经典算法的性能,验证了所提模型的有效性。