电力短期负荷预测相似日选取算法

短期负荷预测是电力系统安全经济运行的基础，相似日选取的准确与否直接影响到短期负荷预测算法的精度。针对短期负荷预测的特点，提出一种能便于考虑各种因素影响的新算法。分析了气象、日类型等因素对负荷影响的常见规律，便于识别主导负荷变化的因素，建立了在短期负荷预测中选取相似日的新方法。理论和实例均表明，该方法适应性较强，能够通过历史数据分析从历史日中选取最合适的相似日，对提高短期负荷预测的精度具有较大价值。     

基于动态微粒群算法的神经网络模型及应用研究

通过对微粒群PSO优化算法惯性因子和加速因子的动态调整,保证PSO算法迭代过程中全局与局部寻优能力的动态平衡,构造了一种更加稳定准确的动态微粒群DPSO优化算法。进而将动态微粒群DPSO优化算法与传统BP神经网络相结合,分别采用动态微粒群DPSO优化算法和自适应BP算法对神经网络权值进行全局优化和局部二次优化,建立基于动态微粒群优化算法的神经网络DPSO-NN预测模型。利用所建立的动态微粒群神经网络模型对渤海某海域年极值冰厚进行训练预测,并将训练预测结果与BP-NN、GA-NN、PSO-NN模型的训练预测结果、以及实际数据进行对比分析,验证DPSO-NN预测模型具有更优的训练稳定性和预测准确性,为冰区海洋平台安全评估提供了更为可靠的环境载荷参量。     

短期负荷预测相关因素的自适应训练

提高预测精度是短期负荷预测的基本目标。目前已提出了处理相关因素的规范策略和短期负荷预测的综合模型。在此基础上，将自适应训练的思想引入到短期负荷预测相关因素处理中，提出了相关因素自适应训练的若干概念，并分析了自适应训练中的基本问题，给出了短期负荷预测过程的抽象化模型，提出了两种训练负荷相关因素的算法：摄动算法和遗传算法，最后比较了这两种算法的优缺点。算例分析表明，通过自适应训练相关因素，实际预测的效果得到显著改善。     

基于神经网络电力系统短期负荷预测的MATLAB实现

介于电力负荷预测在电力系统中的重要性,首先描述了电力负荷预测对电力系统的重要意义,分析了传统电力负荷预测方法的优缺点,在详细分析BP神经网络原理的基础上,设计了负荷分析方案,通过对某市负荷数据的分析,并且在充分考虑了日常负荷与天气因素的关系之后,建立了神经网络短期负荷预测模型,并进行短期预测,验证了其具有较高的精度,且具有很强的稳定性,适合多种不同的预测环境。     

基于增量约简算法确定电力负荷预测模型输入参数

针对电力系统中有众多因素影响负荷预测精度的问题，文中引入粗糙集理论中的属性约简算法来挖掘与待预测量相关性大的各属性，保证预测模型输入参数的合理性，解决了神经网络模型输入参数的确定问题。针对基于区分矩阵约简算法是NP问题的弱点，提出了基于属性优先级函数的启发式约简算法（RAPHF）；针对负荷预测过程中样本数据是滚动更新的特点，在RAPHF的基础上提出了具有动态挖掘能力的粗糙集增量算法RAPHF-I。通过短期负荷预测的实例研究，证实了文中改进算法的有效性。     

基于点模式匹配的电力系统短期负荷预测

输电网短期负荷预测是电力调度的基本依据。文中基于点模式策略，并借助模拟退火算法，提出了一种短期负荷预测的新方法。从模式的角度看，负荷的变动也可以看成是模式的转换。该方法首先通过相关性分析找出输入输出数据关系以及各输入数据所占的权重；然后由点模式匹配法求得各输入数据的变换值；最后由变换值、输入数据及其权重得到短期负荷预测的结果。将该方法用于一个实际系统，预测结果表明该方法预测效果较好。     

基于输入空间压缩的短期负荷预测

由于影响负荷预测的因素复杂，并且实际获取的历史数据有限，传统的智能预测方法往往达不到工程应用的精度要求。为解决该问题，文中提出一种准确预测电力系统短期负荷的新思路：首先建立负荷输入特征选择模型，其搜索方法采用浮动搜索算法，在去除影响负荷预测的冗余特征之后，利用有限样本学习的统计学习理论（支持向量机）构造负荷预测回归模型，充分发挥其在解决有限样本、非线性中体现出的优势，较好地提高了评估结果的精度和泛化能力。在EUNITE网络中的应用结果证明了该方法对电力系统负荷预测的有效性。     

物元分析方法在电力负荷预测中的应用

运用了物元分析方法对电力负荷进行了预测，利用负荷与三大产业的生产总值的历史数据构造经典域和节域物元，应用物元分析中的关联函数来建立电力负荷预测模型，实例分析表明，物元分析方法用于电力负荷预测是有效的。     

基于改进相关向量机算法的短期电力负荷预测方法研究

由于短期电力负荷存在随机性强、影响因素多、预测精度低等问题,在充分考虑气温、日期、节假日等影响因素的基础上,深入研究预测模型,对单一预测模型进行了改进,提出一种将相关向量机与深度置信网络相结合的短期负荷预测方法。通过相关向量机对电力负荷周期变化的通用模型进行建立,在通过深度置信网络建立其误差补偿模型,使用误差补偿模型补偿通用模型的预测误差,提高电力预测的准确度。通过仿真对模型改进前后的有效性和准确性进行验证。研究结果表明,改进后的方法大大提高了短期负荷预测的准确性,无论是否计及气温,都可以实现高精度的预测。降低了负荷因素中一些随机噪声对电力负荷预测的影响,提高了模型的适用性和可靠性。该研究为我国电力负荷预测的发展提供了参考和借鉴。     

考虑多重周期性的短期电价预测

考虑到电价各时段变化以及周末与工作日变化的差异，提出了区分周末的分时段短期电价预测模型。该模型首先将各日中同一时段的电价形成该时段的电价序列，再将各时段电价序列分为工作日电价序列和周末电价序列。这样形成了多个消除了日周期性和星期周期性的子电价序列，分别对各子电价序列进行预测以得到预测日电价。采用基于小波分析的广义回归神经网络对这些子电价序列分别进行提前一天的预测，各子电价序列的预测电价就形成了下一天的预测电价。采用该方法对西班牙电力市场电价进行了长时间的连续预测，并与已有的预测方法进行了详细的比较分析，研究表明该方法能够提供更准确的预测电价。     

基于混沌时间序列的大坝变形短期预测

将混沌时间序列预测理论应用到大坝变形预测中，根据非线性大坝变形时间序列，运用相空间重构理论，建立了加权一阶局域法、基于最大Lyapunov指数法大坝预测模型，对混沌的大坝变形数据短期预测模型进行了研究，对比分析了各自的特点，并结合实例完成了对大坝变形的预测。计算分析表明，该模型预测误差较小，与传统的自回归模型预测结果相比，基于混沌时间序列的预测方法在大坝变形的短期预测中具有更高的精度。     

基于多元分析的优化模糊神经网络太阳能辐射量短期预测

为准确预测太阳能辐射量,提出一种基于多元分析的优化模糊神经网络预测辐射量的方法。首先结合曲线拟合和拉依达准则对数据做粗大误差的剔除,然后运用主成分分析法提取影响太阳能辐射量的主要因素,最后结合定性分析和定量分析建立优化的模糊神经网络预测模型,并设计数据采集装置采集短期气象数据,以提高预测的实时性和准确性。通过与不同的预测模型对比,验证本文所提算法和模型的正确性,结果表明该模型有效提高了短期太阳能数据预测的精准度。     

灰色系统理论在用电负荷预测和控制中的应用

应用灰色系统理论建立用电负荷系统的灰色因果预测模型，在对电力负荷系统进行详细分析的基础上，用预测模型对地区水电规划用电负荷进行预测，并对预测结果作有效性和可靠性分析；最后，根据国民经济发展规划要求，对地区的用电负荷进行态势控制分析，从而为电力工业的规划、发展提供依据。实例表明此方法有其实用价值。     

基于LSTM时间递归神经网络的短期电力负荷预测

短期电力负荷预测对于电网运行方式安排、计划检修、静态安全分析有着越来越重要的作用。LSTM时间递归神经网络可很好地处理负荷数据的时序性和非线性,适合用于短期电力负荷预测。提出一种基于长短期记忆(Long Short-Term Memory,LSTM)时间递归神经网络的电力负荷预测方法,并使用这种方法对昆明电网日电力负荷值进行预测,最终证明LSTM模型的准确及便利。     

多节点超短期负荷预测方法

对多节点有功和无功负荷变化规律的动态自适应超短期预测进行了深入的研究和分析，提出将负荷数据分层分区的处理方法，建立它们之间相互牵制和联系的表达，在由递推最小二乘支持向量机（RLS-SVM）算法实现顶层预测的基础上，建立输电系统多节点负荷动态行为特征的描述模型，构建了自适应动态模型的超短期负荷预测总体构架。以山东电网为例的现场测试效果验证了所述方法的可行性和有效性。     

基于自适应神经模糊推理系统（ANFIS）的电力系统短期负荷预测

采用ANFIS（Adaptive Neuro-Fuzzy Interference System）进行电力系统短期负荷预测。ANFIS将模糊理论与神经网络融合，利用神经网络来实现系统的模糊逻辑推理，采用混合学习算法调整前提参数和结论参数，自动产生模糊规则。利用某局网负荷数据对网络进行训练和检测，所得结果表明利用ANFIS预测负荷有效。     

基于预测误差分布特性统计分析的概率性短期负荷预测

现有短期负荷预测方法一般只能给出确定性负荷预测结果，难以满足电力市场中不确定性风险分析决策的要求。文中提出了一种基于负荷预测误差特性的统计分析的概率性预测方法。该方法首先从时段与负荷水平2个联合维度上建立了对预测误差分布规律进行统计分析的模型，并提出了检验该统计规律有效性的原则和方法;将验证后的预测误差统计分布规律与确定性的负荷预测结果相结合，即可得到概率性的负荷预测结果。基于该结果，还能求取某一置信水平下的预测负荷曲线的包络线。结合实际电网数据验证了所提出方法的有效性和实用性，为概率性短期负荷预测提供了一条可行的新思路。     

基于区域负荷的配电网超短期负荷预测

建立了以馈线开关为节点、以馈线为边的配电网简化模型，并采用负荷作为节点和边的权，给出了节点的负荷与边的负荷的关系。采用对负荷历史数据和温度历史数据进行统计分析的方法，对超出历史温度范围的情形采用最小二乘法拟合，得出了配电区域的超短期负荷预测结果，利用节点的负荷与边的负荷的关系进一步得出全配电网的超短期负荷预测结果。配电网运行方式的改变并不影响所提出的方法的预测精度。实际应用结果证实了所提出的方法的可行性。     

短期负荷预报最优算法的模糊判据

提出了一种决断负荷预报最优算法的模糊判据。该判据利用模糊数学的有关理论，考虑了气候及节假日等因素对负荷的影响，通过建立各影响因素的权重和影响因素与预报算法的模糊关系，对各算法进行模糊综合评判，实现短期负荷预报最优算法的选择。     

电力系统多级负荷预测及其协调问题:（一）研究框架

基于对传统负荷预测中总需求与各子需求预测结果的不均衡现象的深入分析，揭示了电力系统负荷预测问题所具有的“多维多级”特点。在此基础上，提出了电力系统中多级负荷预测协调的科学问题，阐明了多级负荷预测和多级负荷预测协调的新理念。进一步分析了负荷预测模型的“量测”特性，并将多级预测协调与状态估计进行了类比，阐明了多级预测协调的理论基础。文中还探讨了多级负荷预测协调问题的类别及其各自的特点，提出了基本协调和关联协调模式，由此建立了多级预测协调问题的理论研究框架。希望该研究能够丰富和发展负荷预测理论，为广大预测人员提供一些参考。