小波支持向量机与相空间重构结合的短期负荷预测研究

提出了基于小波支持向量机（WSVM）与相空间重构（PSRT）相结合的电力系统短期负荷预测（STLF）模型。使用小波核函数（WKF）构建相应的WSVM,并且用云遗传算法（CGA）对相关参数进行优化。在分析负荷时间序列的混沌特性基础上,对序列进行了PSRT,将相空间中的向量点作为WSVM的输入。该方法不考虑气象和节假日等条件,只使用历史负荷数据。仿真结果表明,新算法有较好的精确度和有效性,具有一定的实用价值。     

基于自适应神经模糊系统的电力系统短期负荷预测

提出基于T-S模型（Takagi-Sugeno）的自适应神经模糊系统（ANFIs）。该系统采用减法聚类初始化模糊推理，把神经网络学习机制引入到逻辑推理中，并用混合学习算法调整前件参数和结论参数，自动产生模糊规则。应用武汉地区2005年夏季负荷数据对网络进行训练和检测，所得仿真结果表明此预测方法有效。     

基于新型日期映射法和ISGU混合模型的短期电力负荷预测

针对电力负荷非线性、预测条件多样性、预测模型参数设置主观性等问题,提出一种基于强适应性的日均负荷日期映射法、高非线性拟合性能的门控循环单元(Gate Recurrent Unit, GRU)和强搜索性能的改进麻雀搜索算法(Improved Sparrow Search Algorithm, ISSA)相结合的ISSA-GRU(ISGU)混合模型进行短期电力负荷预测(Short-term Load Forecasting, STLF)。首先,利用日均负荷日期映射法对星期-节假日因素进行映射,解决该因素因非数字化导致不易输入预测网络的问题。随后,从诸多相关因素中筛选出高度相关特征值,以此解决预测条件多样性问题。最后,构建GRU网络进行负荷预测,并引入ISSA算法对GRU网络参数进行客观配置。为验证ISGU混合模型的有效性,采用新加坡电力负荷数据进行实验,并将实验结果与现有算法进行比较。实验结果表明,所提方法对STLF具有良好性能,有效提高了STLF统计标准的精度指标。     

基于ADE-SVM和模糊理论的电力系统中期负荷预测

在基于支持向量机(SVM)的电力系统中期负荷预测的基础上,针对SVM参数难以确定的问题,在引进微分进化（DE）算法优化SVM参数的基础上,为了减少DE的寻优时间,提高全局搜索能力,用基于学习样本集噪声估计的方法确定SVM参数的范围作为DE的寻优范围,以指导DE寻优。同时,引进自适应算子,采用参数自适应DE（ADE）算法选择SVM参数。由于影响负荷的气温因素是模糊的,利用隶属度函数对气温因素进行模糊化处理,进一步提高了预测精度。将上述方法用于欧洲智能技术网络(EUNITE)竞赛数据的中期电力负荷预测,结果表     

基于模糊聚类识别及统计相关的短期负荷预测

应用模糊聚类理论，通过对负荷历史数据进行聚类和隶属度分析，依据模糊聚类和模糊模式识别、类别（或级别）变量特征值与概率统计相关分析等模型，根据模糊聚类参数与预测因子的前期特征值，确定相应的类别变量特征值，建立类别变量特征值与预测对象之间的相关关系，利用此相关关系进行负荷预测。应用隶属度来描述负荷与影响负荷因素之间的相关关系，可以同时考虑多种影响负荷因素，在算法上只是隶属度矩阵的阶数发生变化，预测过程简单明了。实践结果表明，此方法具有较高的预测精度，能较好地适应不同地区的负荷特性。     

基于数据挖掘的FNN短期电力负荷预测方法研究

针对人工神经网络模型在进行负荷预测时,大多不考虑气象等因素的影响,提出了一种基于数据挖掘预处理的改进短期电力负荷预测的方法,应用数据挖掘的聚类功能,寻找与预测日同等气象类型的多个历史短期负荷数据序列进行预测,从而提高预测的精度。鉴于ANN模型对不确定性和模糊信息学习处理能力较差的缺点,引用模糊系统的理论,构建模糊神经网络(FNN)模型。通过实例预测和预测结果比较分析表明,提出的方法具有较高的预测精度。     

基于一种改进的遗传模糊算法的短期负荷预测

使用输入-输出数据来确立模糊模型成为一种趋势。这种做法可视为一个系统辨识过程。模糊系统模型的辨识包括两个主要阶段:结构辨识和参数估计。旨在找到一个灵活的方法来学习和优化模糊推理系统的结构和参数。我们采取网络结构的Sugeno模糊系统作为初步预测模型,用改进的遗传算法来确定其结构和参数。通过对某电网负荷预测的实例表明,该模型具有较好的拟合精度。     

基于数据挖掘的FNN短期电力负荷预测方法研究

针对人工神经网络模型在进行负荷预测时,大多不考虑气象等因素的影响,提出了一种基于数据挖掘预处理的改进短期电力负荷预测的方法,应用数据挖掘的聚类功能,寻找与预测日同等气象类型的多个历史短期负荷数据序列进行预测,从而提高预测的精度.鉴于ANN模型对不确定性和模糊信息学习处理能力较差的缺点,引用模糊系统的理论,构建模糊神经网络(FNN)模型.通过实例预测和预测结果比较分析表明,提出的方法具有较高的预测精度.     

小波支持向量机与相空间重构结合的短期负荷预测研究

提出了基于小波支持向量机(WSVM)与相空间重构(PSRT)相结合的电力系统短期负荷预测(STLF)模型.使用小波核函数(WKF)构建相应的WSVM,并且用云遗传算法(CGA)对相关参数进行优化.在分析负荷时间序列的混沌特性基础上,对序列进行了PSRT,将相空间中的向量点作为WSVM的输入.该方法不考虑气象和节假日等条件,只使用历史负荷数据.仿真结果表明,新算法有较好的精确度和有效性,具有一定的实用价值.     

超短期负荷的聚类分析及其变化情况预测

电力系统的超短期负荷值及其变化情况对系统调度具有重要意义,提出了一种优化的聚类算法对超短期负荷在一天中的变化情况进行归类并预测。由于模糊C均值聚类对初始聚类中心敏感,不能准确收敛于全局最优解,加入蚁群聚类,从而自动获得最佳聚类数目,采用模糊神经网络对聚类结果（负荷值的变化情况）进行预测。通过对相似日（非负荷因素如经济、气象等相似）的历史数据仿真实验,验证算法的合理性、有效性,为日后负荷调度提供决策依据。     

ANFIS在短期负荷预测中的应用

为使负荷预测更精确,鉴于预测对象的不确定性和非线性,采用ANFIS预测电力系统短期负荷。ANFIS将模糊理论与神经网络融合,利用神经网络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。该系统具有非线性映射和自学习能力,不基于数学模型,用独特的空间分层方法建立若干模糊推理系统,依靠专家经验获取控制信息,能用于负荷预测的非线性建模,获取负荷数据的最佳估计,克服数据处理过程中存在的不确定性和不完备性。所用ANFIS模型为2输出1输入5层1阶Sugeuo模糊系统。利用某局网负荷数据训练和检测ANFIS网络模型后预测负荷,结果表明该算法鲁棒性好,抗干扰能力强,能有效补偿对象的大纯滞后。     

用自适应模糊推理系统预测电力短期负荷

为寻求有效的电力系统负荷预测方法以提高预测结果的准确度,提出了基于Takagi-Sugeno(T-S)模型的自适应神经模糊推理系统(ANFIS)。该系统采用减法聚类初始化模糊推理,把神经网络学习机制引入到逻辑推理中,并用混合学习算法调整前件参数和结论参数,自动产生模糊规则。考虑气象、日期类型等因素后将学习样本分为3组进行训练和检测。该方法对于受天气影响较明显的电网,能有效防止不合理预测结果的出现。对于武汉地区实际负荷的预测结果的分析表明该方法有较高的预测准确度,取得了令人满意的结果。     

遗传模糊算法在短期负荷预测中的应用

提出了一种基于模糊逻辑原理的负荷预测方法,使用遗传算法对系统参数进行训练。在以往的模糊逻辑系统建立过程中,其主要参数(如模糊推理规则和隶属函数等)需要依靠运行人员经验或专家知识来确定,而本文利用遗传算法,通过对样本数据的自学习过程来获取系统参数。在遗传算法中,将推理规则与隶属函数参数的确定结合在一起,从而确定系统参数的最优组合,由此建立起一个较合理的模糊负荷预测系统。仿真实验结果表明,该方法能够达到满意的预测精度,具有良好的实用前景。     

一种改进的电力系统短期负荷预测方法

为提高电力系统短期负荷预测精度,综合模糊逻辑和神经网络的长处构建了基于自适应模糊神经网络的短期负荷预测模型.将该模型和算法应用于地区电网的短期负荷预测,预测效果良好.     

基于相空间重构理论和优化递归神经网络结合的短期负荷预测方法

根据电力负荷序列的混沌特性,提出以相空间重构理论和优化递归神经网络结合的电力系统短期负荷预测方法,以相空间重构理论确定递归神经网络输入维数;训练样本集由对应预测相点的最近邻相点集构成,并按预测相点步进动态相轨迹生成;优化递归神经网络是以双重遗传算法来确定递归神经网络的隐层结构和权值,总体寻优性可抑制伪近邻点的影响,保证提高预测精度及其稳定性。对两类不同负荷系统日、周预测仿真测试,证实其比传统神经网络预测模型能有效地提高预测精度0.8%。因此,所研究的预测模型和方法在实际预测领域有较高的实用价值。     

基于PSRT与Elman神经网络的短期负荷多步预测

短期负荷预测(short-term load forcastings,STLF)对电力系统的经济和安全运行有着重要的作用。为提高短期负荷预测的精度,根据短期负荷的基本特性,提出了一种将相空间重构理论(phase space reconstruction space,PSRT)与Elman神经网络相结合的短期负荷多步预测模型。首先利用PSRT重构相空间的吸引子,然后用Elman神经网络来拟合相空间吸引子的多步演化,其中利用空间欧氏距离来选取Elman网络的输入样本。通过对广西电网短期负荷预测的分析表明,该多步预测方法是有效可行的。     

基于小时气象因子的神经网络短期负荷预测模型

目前在短期负荷预测模型中,气象因子的应用主要是其日特征值。负荷对气象因子的响应具有实时性的特点,因此,小时气象因子在负荷预测模型中的应用对提高负荷预测精度具有积极作用。通过分析小时温度、湿度、云量、降水、风等气象因子对电力负荷的影响,并与日气象因子的影响进行对比分析,结果表明:小时气象因子对负荷的影响与日气象因子对负荷的影响特征有很大不同,尤其是在天气发生突然变化时,小时气象因子对电力负荷的影响比日气象因子的影响更加显著。建立了基于小时气象因子的神经网络短期负荷预测模型,预测效果较好。针对目前气象部门对小时气象因子的预测能力及其在实际负荷预测中的应用情况,总结了应用中存在的问题并提出改进策略。     

考虑气象信息的节假日负荷预测

因负荷成分与正常日有较大差异且样本较少,故节假日短期负荷预测精度往往不太理想.通过对节假日负荷特性的分析,考虑到节假日负荷影响主要受负荷自然增长及天气等因素的影响较大,文中采用相似日方法和模糊推理分别预测负荷曲线模式和负荷水平.通过对实际系统负荷进行预测,结果表明预测精度较高,尤其在气象出现较大变化的节假日能够得到较好的预测结果.     

模糊聚类分析和代数算法结合的短期负荷预测

为了提高短期负荷预测速度和精度,提出了将模糊聚类分析和神经网络代数算法相结合的短期负荷预测方法.综合考虑天气、日类型、历史负荷等对未来负荷变化的影响,通过模糊聚类分析选取学习样本,找出同预测目相符的预测类别,采用神经网络代数算法训练样本,对24小时负荷(24点)每点建立一个预测模型.该方法充分发挥了神经网络和模糊理论处...