人工神经网络在电力系统短期负荷预测中的应用

提出了基于多层前馈神经网络误差择向传播（BP）模型的电力系统短期负荷预测的方法,根据电力系统短期负荷变化的特性建立了既反映电力系统负荷连续性、周期性及其负荷的变化趋势,又包含天气变化对系统负荷的影响的日负荷模型,以此作为对BP神经网络进行训练的向量样本集。通过实例表明ANN应用于电力系统短期负荷预测的是平行的,有效的,其预报结果比传统的负荷预测方法更准确。     

人工神经网络应用于电力系统短期负荷预测的研究

预测电力系统未来几分钟到一个星期的负荷对电力系统的经济和安全运行起着重要作用.人工神经网络(ANN)技术的发展提供了一种新的电力系统负荷预测手段.人工神经网络预测模型成功地用于预测电力系统短期负荷,与传统方式不同,ANN不依靠人的经验而是通过训练,自主地学习系统输入和输出之间的函数关系.最初,ANN通过已知结果的历史数据进行学习;完成后,只给ANN输入预测条科即可进行负荷预测.     

电力系统短期负荷预报的小波-神经网络-PARIMA方法

针对电力系统负荷具有拟周期性，非平稳性，非线性等特点，提出一种小波－神经网络－PARIMA模型并研究它在电力系统短期负荷预报中的应用：利用小波变换提取和分离负荷的各种隐周期和非线性，把小波分解的特性和分解数据随尺度倍增而倍减的规律用于感知机神经网络（MLP）和周期自回归移动模型（PARIMA）的建模，各尺度小波分解用MLP进行建模和预报，最大尺度上的尺度分解用PARIMA进行建模和预报。最后，利用径向基函数网络（RBF）将各尺度域的预报结果组合成为负荷最终预报，实例说明，该方法能够揭示负荷的拟周期性，非平稳性，非线性在电力系统短期负荷预报中的应用是成功的和有效的。     

GRNN算法在电力系统负荷建模中的应用

针对传统负荷模型不能有效地克服负荷建模中的非线性和不连续性等问题,提出了一种基于广义回归神经网络的负荷建模方法.利用广义回归神经网络具有的全局逼近和最佳逼近能力及网络稳健、快速收敛的优点,建立了新的电力系统综合负荷模型.并与两种改进的反向传播网路模型进行了比较,仿真实例证明了该模型对电力系统负荷模型辨识的有效性和准确性.     

电力负荷非线性预测方法与研究方向探讨

进行精确的负荷预测是电力系统规划、计划、用电、调度等部门的基础工作。传统的预测方法主要是运用经典的确定性理论,而电力需求受众多因素影响,具有复杂的非线性特征．运用经典的预测方法可能会抹杀负荷变化复杂性本质。为此,通过对影响电力负荷变化因素及电力市场非线性特征的分析．介绍了几种非线性预测方法的构成原理与特点,包括基于人工神经网络（ANN）、小波分析、模糊理论、灰色理论、分形理论和支持向量机的负荷预测,并对近年来各非线性预测方法及其组合预测的主要研究成果进行了总结与评述。同时根据国内外电力系统负荷预测的现状与经验。对未来的主要研究方向作了一些有益的探讨。     

快速BP网络在负荷动态建模中的应用

指出了负荷动态建模过程中存在的问题,提出用人工神经网络（ANN）来建立负荷的动态模 型。从修改ANN误差准则函数的角度出发,在误差准则函数中引入网络输出的能量约束,提 出了一种快速误差反向传播（FBP）算法,并利用动模和现场试验数据验证了FBP网络用于负 荷动态建模的有效性和优越性。     

基于日负荷曲线的负荷分类和综合建模

针对广域电力系统中负荷节点面广量大的困难,提出了基于日负荷曲线的、将统计综合法与总体测辨法相结合的电力负荷综合建模思路。首先通过对全网所有220 kV（或110 kV）负荷节点典型日负荷曲线进行构成分析,得出各负荷节点中行业用电构成的负荷比例;然后采用谱系数平均距离聚类分析法对全网负荷节点进行分类;再根据分类结果和少量负荷节点的实测参数,推广获得所有节点的负荷模型参数。该方法已成功应用于河南电网和福建电网,结果表明新方法简单实用、效果良好,为广域电力系统的负荷建模提供了新途径。     

人工神经元网络用于负荷静态综合特性辨识

负荷建模是一个重要而困难的问题，其模型结构一般由经验或机理方法确定(对综合负荷一般靠经验确定)，而参数则由辨识获得。对综合负荷，在经验不足的情况下，很难得到好的模型结构。本文介绍采用人工神经元网络(ANN)进行负荷静态综合性辨识的初步结果，并与阻尼最小二乘法(Marquardt法)进行了比较分析。算例表明，用ANN进行负荷静态综合特性辨识可得到十分准确的结果。     

考虑负荷时变性和动态补偿的电力系统负荷建模

负荷模型的准确性对电力系统稳定性分析和控制有重要影响。由于电力系统负荷的时变性,常规的负荷模型难以准确描述真实负荷的动态特性。基于成都某变电站故障录波仪的实测数据,采用时变自适应的负荷模型（TVA负荷模型）,对成都某大区负荷进行了建模。根据仿真结果,对TVA负荷模型结构做了改进,在模型结构中增加了动态补偿环节。根据实测的数据,改进的负荷模型仿真结果明显更接近于真实的负荷,验证了动态补偿环节的有效性。     

基于神经网络的电力系统负荷特性辨识

负荷建模在电力系统分析中起着十分重要的作用。参数辨识是负荷建模的关键,好的辨识方法能够在最短的时间内找出最优的辨识结果,提高建模的效率。首先介绍了静态负荷模型和动态负荷模型,其次介绍了神经网络,最后基于神经网络对电力系统负荷特性辨识。应用线性BP（LBP）网络的参数辨识方法,分别对静态负荷模型（幂函数模型、多项式模型）和动态负荷模型（差分方程模型）的参数进行辨识。通过现场的实测数据辨识了模型的参数,并验证了模型的有效性。     

基于粒子群支持向量机的短期电力负荷预测

在分析支持向量机SVM(Support VectorM ach ine)回归估计方法参数性能的基础上,提出粒子群算法PSO(Partic le Swarm Optim ization)优化参数的SVM短期电力负荷预测模型。PSO算法是一种新型的基于群体智能的随机优化算法,简单易于实现且具有更强的全局优化能力。用所建立的负荷预测模型编制的M atlab仿真程序,对某实际电网进行了短期负荷预测,结果表明预测精度更高。     

基于支持向量机回归组合模型的中长期降温负荷预测

提出基于支持向量机回归组合模型的中长期降温负荷预测方法。其中,支持向量机模型以多种社会经济数据为输入参数,年最大降温负荷值为输出参数。在训练过程中采用网格搜索法对支持向量机回归模型参数进行优化;回归分析中,综合采用线性、二次和三次多元回归的组合模型;最后利用最优组合预测方法将二者组合。采用广东省2008~2011年实际负荷数据和社会经济数据为训练样本,2012~2014年数据为测试样本,对支持向量机回归组合预测模型进行验证,同时也对2015和2020年最大降温负荷进行预测。结果表明,预测值与真实值的误差控制在5%以下,验证了该中长期降温负荷预测模型的有效性。目前该预测模型已在广东电网得到实际应用。     

基于贝叶斯证据框架的支持向量机负荷建模

负荷建模一直是电力系统中的难题之一,精确的负荷模型对电力系统数字仿真非常重要。本文提出一种基于贝叶斯证据框架的支持向量机负荷建模方法。根据广域测量的负荷特性数据,利用支持向量机进行负荷建模,选用高斯径向基核函数优化模型结构;用贝叶斯证据框架推断准则1解释了支持向量机的训练,又将贝叶斯证据准则2和3应用到支持向量机。采用贝叶斯证据框架的三个准则对负荷模型进行训练并对参数进行了辨识和优化。通过对支持向量机负荷模型的仿真试验,验证了该方法的正确性和有效性。贝叶斯证据框架下的支持向量机负荷模型具有泛化能力强、结构灵活、计算速度快的特点,能够较准确地描述实际负荷特性。     

基于广义学习矢量量化和支持向量机的混合短期负荷预测方法

提出了一种基于广义学习矢量量化的负荷特征聚类方法,既考虑了专家经验的指导,同时兼备人工神经网络强大的非线性处理能力。归纳提取的负荷、气象综合指数更能反映日负荷的基本特征,同时减少了网络输入层的维数。实际预测结果表明,综合了广义学习矢量量化和支持向量机的混合短期负荷预测方法无论是在聚类准确度方面,还是在预测准确度方面,与单纯的支持向量机算法和自组织特征映射与支持向量机的混合算法相比,均具有明显的优势。     

基于支持向量机的电力系统短期负荷预测

对将径向基函数(Radial Base Function,RBF)作为核函数的支持向量机(Supporr Vector Machine,SVM)方法应用于短期负荷预测进行了研究.作者使用基于SVM的回归估计算法建立了回归估计函数表达式,给出了SVM网络结构;采用江苏省某市的实际负荷数据,按照不同的负荷日属性和历史负荷数据进行样本选择,使用LIBSVM算法和适当的核函数进行了负荷预测,并将该预测结果同由时间序列及BP神经网络方法得到的预测结果进行了比较,结果表明,所提出的预测方法有较高的精度.     

短期负荷预测中支持向量机模型的参数选取和优化方法

讨论了基于支持向量机的电力系统负荷预测模型建模方法。对建立支持向量机模型,通过对模型结构的分析,提出了模型学习参数的选取方法,给出了基于最优方向搜索的高斯核函数参数的优化算法。针对负荷预测模型,对模型的输入变量采用规范化预处理消除了量纲不一致对SVM模型的不利影响,通过对数变换将模型输出的相对误差转化为模型输出的绝对误差,便于模型学习参数的选择。最后采用实际数据对该方法进行了模拟计算,其结果表明该方法可以有效地降低SVM模型的建模误差和测试误差,而且SVM模型比模糊模型和神经网络模型有更好的泛化性能和预测精度。     

采用支持向量机图形用户界面的电力负荷组合预测方法

运用多种预测方法对中长期电力负荷预测所得结果会相差甚远,而综合各方法的组合预测能够避免其偏颇。由于在小样本和非线性拟合能力方面的优势,支持向量机方法被用于组合预测：多种传统方法预测值作为输入,拟合输入与输出之间的非线性关系,求得预测结果。针对SVM在处理回归问题时算法编程及参数寻优较为复杂的问题,提出了一种基于SVM图形用户界面（Graphical User Interface,GUI）工具箱的组合预测方法。算例分析表明,运用该方法,在预测过程中可直观、方便地应用通用软件工具包,且预测精度较高,便于推广和工程应用。     

基于人群搜索算法优化参数的支持向量机短期电力负荷预测

支持向量机是一种新型机器学习算法,它基于结构风险最小化准则取得较小的实际风险,有效提高了泛化能力,具有理论严密、适应性强、全局优化等特点,在模式识别和回归问题等方面应用广泛。以某地区历史负荷数据为输入,通过人群搜索算法对支持向量的各项参数进行寻优计算,得到最优的参数取值,然后把最优参数代入到SVM预测模型中,得到人群搜索算法的支持向量机(SOA-SVM)模型,利用此模型对某地区未来24小时的负荷进行短期预测。通过算例验证,利用SOA-SVM预测的精度要比BP神经网络和PSO-SVM的精度要高,所以说明用此方法进行短期负荷预测是有效和可行的。     

结合负荷形态指标的电力负荷曲线两步聚类算法

为改善基于欧式距离的全维度负荷曲线聚类算法在负荷形态相似度上的不足,提出了结合负荷形态特征指标的电力系统负荷曲线两步聚类算法。算法第一步采用基于欧式距离的负荷曲线聚类方法获得初步聚类结果,并通过负荷聚类评价指标选取一次聚类算法和聚类数目;第二步基于负荷形态特征指标采用监督学习算法对负荷进行重新分类。之后比较了不同算法的分类效果,最后给出了聚类结果的应用建议。算例结果表明,所提出的两步聚类算法可以改善传统的负荷曲线聚类方法在形态相似度上的不足,在二次分类方法中,支持向量机（support vector machine,SVM）算法表现较好,所提出的方法具有实际应用意义。     

基于相空间重构和高斯过程回归的短期负荷预测

基于负荷时间序列的混沌特性,提出了一种结合相空间重构(PSR)和高斯过程回归(GPR)的短期负荷预测方法。首先采用C-C方法确定时间序列的延迟时间和嵌入维度,分别建立单变量和多变量的相空间重构模型。然后,分别运用单一与组合核函数的GP模型对负荷样本进行训练,根据最优超参数对24 h的日负荷进行预测。最后将预测结果与支持向量机模型以及多变量GP模型进行比较。结果显示,多变量组合核函数GP模型取得了更好的预测结果,验证了所提出的基于PSR和GPR的预测方法的可行性。