基于D-S证据理论的母线负荷预测

基于D-S证据理论,提出一种母线负荷预测新方法。该方法对BP神经网络、改进的BP神经网络和支持向量机(SVM)的母线负荷预测模型分别建立权重提取和权重融合模型,并运用D-S证据理论对3种预测模型的权重进行融合。通过对预测数据进行分析,提取证据理论样本,并将可信度函数的融合结果作为母线负荷预测模型的权重,最终得到待预测日的母线负荷预测结果。仿真结果表明,与单一的母线负荷预测模型相比,经D-S证据理论融合的母线负荷预测模型更有效,也具有更高的预测精度。     

基于证据理论加权的电力负荷组合预测

为了提高电力负荷的预测准确度,提出了一种基于证据理论加权的电力负荷组合预测模型。首先分别采用自回归移动平均模型、灰色模型和BP神经网络对电力负荷进行预测,分别得到电力负荷的线性、周期性和非线性预测结果;然后采用证据理论确定自回归移动平均模型、灰色模型和BP神经网络的预测权值;最后进行加权得到电力负荷的预测结果,并将该模型应用于具体的电力负荷建模与预测中。实验结果表明,该模型可以描述各单一模型对电力负荷预测结果的贡献,更加准确地描述电力负荷的变化特点,预测准确度能够满足实际应用的要求。     

基于D-S证据理论的中长期电力负荷组合预测

针对电力系统中长期负荷预测的特点,分别应用灰色系统理论及回归分析方法对中长期负荷进行了预测研究。然后基于D-S证据理论对两种负荷预测方法进行了组合预测,提出了一种新的电力负荷组合预测方法。并通过与两种预测方法的仿真验证对比,证明了本方法具备较高的精度及较强的可操作性,可为电网中长期规划提供有效的借鉴指导。     

基于证据理论Dempster合成法则的灰色负荷预测模型融合

首先建立负荷预测的灰色模型,用3种不同阶数的灰色模型对负荷进行预测,针对灰色模型预测存在误差较大且误差变化剧烈的缺点,提出利用证据理论对负荷预测结果进行融合。通过分析3种灰色模型的预测误差,用Dempster合成法则融合预测结果的误差,并将融合后的结果重新用于负荷预测。结果表明,经过证据理论Dempster合成法则融合后的预测结果具有更高的预测精度。     

需求侧响应下基于负荷特性的改进短期负荷预测方法

为了提高需求侧电力负荷预测精度,针对需求侧自身特点,提出了基于负荷特性的改进短期负荷预测方法。依据需求侧负荷特性与属性聚类算法结合的方法完成两级需求侧负荷分类,并使用优化改进粒子群优化径向基神经网络(MPSO-RBF)和最小二乘支持向量机回归模型(LS-SVM)等算法建立短期预测模型进行负荷预测。利用该方法对某工业园区用电负荷进行预测,并与实际用电负荷数据和利用传统预测模型以及单一模型预测方法进行了比较分析。预测结果平均相对误差表明,基于负荷特性的改进短期负荷预测方法是有效和实用的,既能得到准确的负荷预测结果,方便需求侧用户就地进行各类负荷针对性调控,又方便管理者宏观掌控需求侧用户负荷情况,有效推动能源互联网的发展。     

基于改进灰色理论的中长期负荷预测方法研究

中长期负荷预测是配电网规划的必要前提,对于电力系统经济效益和社会效益的提升具有重要意义。针对传统灰色预测模型预测精度低,适用性不强的缺陷,提出了一种基于改进灰色理论的电力系统中长期负荷预测方法。该方法在经典灰色预测GM(1,1)模型的基础上,首先利用三点平滑法对历史数据进行预处理,然后再构建基于等维新息矩阵的GM(1,1)模型,最后利用残差处理方法对预测结果进行修正。基于四川某地区售电量负荷预测的实际算例的仿真结果表明,相比于传统灰色预测模型,本文提出的改进灰色预测方法在预测精度和适用性方面都具有显著优势。     

基于D-S证据理论的短期负荷预测模型融合

在各种预测模型融合时确定各种模型的权重直接影响到预测精度.对3种不同的神经网络负荷预测模型分别建立了权重提取和权重融合的数学模型,并运用证据理论对3种预测模型的权重进行融合.通过对历史预测数据的分析,提取了证据理论的融合样本,并将信度函数的多重融合结果作为负荷预测模型权重,得到权重融合后待预测日的负荷预测结果.将权重融合模型的预测结果与单一模型的预测结果进行比较,结果表明权重融合后的模型具有更高的预测精度,提高了负荷预测的准确性.     

基于改进聚类分析方法的系统负荷预测研究

随着系统负荷的用电结构、负荷变化越来越复杂,常规方法无法科学评估用电需求水平.为此基于改进的聚类分析方法对母线负荷进行分类预测,继而将各类母线预测结果聚合,从而得到系统负荷预测结果.预测结果证明该方法可实现系统负荷的精细化分析预测,提高预测精度.     

小波分析方法在电力系统短期负荷预测中的应用

本文将对目前基于小波分析方法的电力系统短期负荷预测的一些理论与存在的问题进行初步的探讨，提出使用小波分析对基于不同频段的负荷进行分类，然后对分类后的不同频段的负荷使用人工神经网络进行训练预测的一种改进负荷预测方法，并尝试提出小波理论在短期负荷预测方向应用的建议。     

基于改进熵值法和限幅小波的大波动地区短期负荷预测

为了使大波动地区的短期负荷预测精度得到改善,将大波动地区的负荷划分为基础负荷、冲击性负荷和小水电负荷,对波动大的的冲击性负荷和小水电负荷作出预测,并将限幅小波的理论引用到负荷预测模型中去。找出影响冲击负荷和小水电负荷相关的若干因素。由于用于预测的信号随机波动大,因此先运用改进熵值法对历史数据进行筛选,再运用规则性系数选取适合的小波基对信号进行小波分解,然后对低频信号进行限幅滤波,对极大模值做异常处理和以低通滤波的方式去噪,再选用线性神经网络模型和改进的差分自回归-滑动平均模型(ARIMA)进行预测,对预测结果进行比较和分析。实验证明对于波动大的冲击性负荷和小水电负荷,基于单层限幅小波分析的负荷模型预测效果较单层小波分析的负荷预测效果好。改进的熵值法和限幅小波分析理论对提高冲击负荷和小水电负荷的短期预测结果精度有较好的实用价值。     

短期电力负荷预报间隔采样混沌模型

现有研究工作表明电力系统负荷数据具有弱混沌性。在负荷预测混沌建模方法中,Lvapunov指数预报模式具有理论基础强、模型简单、预测精度高等优点,但预测时限受负荷吸引子最大Lyapunov指数限制。针对Lyapunov指数预报模式的不足,提出了k-△t间隔采样混沌模型,首先将原始负荷序列分解为多个不相交的了序列,然后对各个子序列分别建立Lyapunov指数预报模型。改进了求解最大 Lyapunov指数的方法,探讨了原始负荷序列最大可分解子序列数目的确定依据。数值实验结果表明文中提出的模型能有效地提高负荷预测精度、增加预测时限。     

基于最小二乘支持向量机的短期负荷预测

提出了结合粗糙集(rough sets,RS)理论和遗传算法(genetic algorithm,GA)的最小二乘支持向量机(least squares support vector machines,LS-SVM)短期负荷预测模型和算法。由于影响负荷预测精度的因素众多, 该模型采用RS理论进行历史数据的预处理,对各条件属性进行约简分析。属性约简采用GA进行寻优,以确定与负荷密切相关的因素,作为LS-SVM的有效输入变量。在预测过程中,通过GA对LS-SVM的模型参数进行自适应寻优,从而提高负荷预测精度,避免LS-SVM对经验的依赖以及预测过程中对模型参数的盲目选择。采用上述方法对山东电网负荷进行了预测分析,结果证明了该方法的有效性。     

基于误差预测修正的负荷预测研究

电力系统负荷预测对电力系统的可靠和经济运行意义重大。国内外学者对负荷预测理论做了大量研究,提出了许多预测方法。基于这些方法,提出了一种有辅助和修正作用的措施——误差预测修正,即通过对预测产生的误差进行预测和分析,形成预测修正模型,再结合原预测模型预测负荷,以扩大原模型的适用范围和提高它的预测精度。最后通过算例,验证了该方法的科学性和实用性。     

基于提升小波和改进PSO-Elman神经网络的短期负荷预测

为了提高电力负荷预测的精度,提出基于提升小波和改进PSO-Elman神经网络的短期负荷预测模型。首先,针对负荷的波动性和趋势性,将提升小波算法用于分解原始负荷数据并提取其主要特征,然后,在蚁群算法改进粒子群算法(GPSO)中,采用混沌理论,对部分适应度值较差的粒子进行混沌扰动,提出CGPSO算法,改善细致搜索的准确性,并提高全局搜索能力,将CGPSO算法用于Elman神经网络初始参数优化,最后建立负荷预测模型。本文采用我国北方某地区的实际数据进行仿真,实验结果表明,该方法的预测精度相比于传统ENN方法提高了2.3626%。     

改进的基于聚类分析的超短期负荷预测方法

分析了当前超短期负荷预测中存在的主要问题;在对大量历史负荷观测的基础上,提出并应用聚类分析理论进行负荷变化趋势分析;通过分析,在固定分类预测算法的基础上,提出了动态分类预测算法,该方法能够根据预测目标自动调整预测样本;大量的模拟测试表明,改进后的预测方法能够在无需频繁维护样本的情况下,大幅提高超短期负荷预测精度,尤其是对节假日负荷预测,效果更为明显.     

一种利用可加性模糊系统的短期负荷预测新方法

该文依据可加性模糊系统理论，提出了一种新的负荷预测方法，利用聚类方法与有监督学习相结合的训练方法，提高了系统的函数逼近能力。仿真结果表明，系统学习速度快、预测精度高，在短期负荷预测中获得相当满意的结果。     

基于灰色模型的电力系统负荷预测

基于灰色理论建立了1种新的电力负荷预测模型。该模型应用累加(GAO)和累减(IGAO)方法生成了等维递补模型。由定例计算表明,该模型具有良好的精确性和应用性。     

基于最大信息熵原理的短期负荷预测综合模型

引入了信息理论来研究和处理负荷变化的不确定性，提出了基于最大信息熵原理的短期负荷预测综合模型，该模型将各种单一预测模型的预测结果以及历史预测误差分布作为约束信息，利用最大熵原理得到预测结果的分布。文中阐述了新模型的应用背景、思路和理论，给出了具体的实现方案和算法，并在实际电网中得到了应用。针对实际电网的算例研究表明，对于随机性较大的电网负荷，传统综合预测模型存在明显的过拟合现象，而新模型则有效地提高了预测精度。     

基于FNN的校园电能短期预测算法研究

为了获得反映校园负荷变化的预测模型,采用FNN模型与模糊控制器相结合的方法,使用校园负荷影响较大的天气因素及日期类型作为负荷预测外部干扰,进行了深入的研究。通过预测模型对校园历史负荷进行学习,完成预测网络参数的训练。结合模糊理论,将预测后的误差及误差变化率作为模糊控制器的输入,完成对负荷预测结果的修正。通过与典型BP网络进行对比,验证了该方法的有效性,为高校能源的管理奠定了坚实基础。     

基于粗糙集神经网络和元胞自动机的空间负荷预测

在分析目前空间负荷预测方法的基础上,提出了一种新的空间负荷预测的方法。该方法主要是利用粗糙集理论对从空间数据库中提取出来的随机数据样本集进行属性简化,减少人工神经网络的输入变量的个数和样本数量,从而提高神经网络提取元胞自动机转换规则的收敛速度和准确性,提高了空间负荷预测的精确性。该方法结合了粗糙集和人工神经网络的优点,并利用元胞自动机的理论来模拟城市用地类型变化,进行空间负荷预测。某市城市规划区域的空间负荷预测实验,证明了该方法的有效性。