基于KPCA和BP神经网络的短期负荷预测

为了提高电力系统短期负荷预测的精度,文中提出了一种基于核主成分分析(KPCA)和BP神经网络的负荷预测方法。影响负荷的因素作为神经网络的输入变量,太多输入变量会加大神经网络的训练负担,运用核主成分分析的方法对初始神经网络输入变量进行非线性降维,将降维后的数据作为神经网络新的输入变量,并对神经网络的训练算法进行改进,以加快收敛速度,最后在每一个时刻点上建立模型进行预测。采用文中提出的方法对甘肃某地区2014年的负荷进行预测,并与已有的BP神经网络方法和PCA-BP神经网络方法进行对比,结果表明该方法可提高负荷预测的精度。     

基于模糊粗糙集和神经网络的短期负荷预测方法

针对采用神经网络进行电力系统短期负荷预测时其网络输入变量的选择是影响预测效果的关键问题，该文提出使用模糊粗糙集理论解决这一问题：对采集到的信息进行特征提取、形成决策表；利用模糊粗糙集理论进行属性约简、去除冗余信息；用得到的属性作为BP网络的输入进行训练预测。该方法既全面考虑了影响负荷预测的历史时间序列、气象等各种因素，为合理地选择神经网络的输入变量提供了一种新的方法，又避免了由于输入变量过多而导致神经网络拓扑结构复杂、训练时间长等不足。计算实例表明，文中提出的方法是有效且可行的。     

神经网络短期负荷预测的输入变量选择研究

短期负荷预测中输入变量的选择直接关系到神经网络的预测性能。本文将自相关函数的概念应用于神经网络短期负荷预测中的输入变量集选择,对输入变量集的选择提出了一种比较科学系统的方法。通过采用FFT来实现对自相关函数的快速计算,增加了该方法的可操作性,并通过具体的实例验证了该方法的有效性。     

基于神经网络的电力系统短期负荷预测

电力系统短期负荷预测是电力生产部门的重要工作之一,利用BP神经网络进行电力系统短期负荷预测时,根据影响因素确定了模型构成,并对输入变量选择进行了讨论,典型算例的计算表明该方法是有效的.     

神经网络短期负荷预测输入变量选择新方法

输入变量选择是神经网络建模前的一项重要工作,是否能够选择出一组最能反映期望输出变化原因的输入变量直接关系到神经网络预测的性能。文中将正交最小二乘(OLS)法应用于神经网络短期负荷预测的输入变量选择。以南京地区1998年、1999年夏季日最大负荷预测为例,对比了OLS法与相关系数法的输入变量选择结果。结果显示OLS法可以得到更小、更准确的输入变量集,神经网络的收敛速度更快,预测结果也更好,从而验证了该方法的有效性。     

基于Spark平台和多变量L_2-Boosting回归模型的分布式能源系统短期负荷预测

分布式能源系统负荷预测是系统规划与经济运行的可靠前提和依据,在当前海量高维数据的背景下,有效的在线数据处理平台与精确的负荷预测方法是当前的研究重点。基于分布式能源系统负荷数据特点,在缺失数据处理、坏数据分类以及特征选择的基础上,建立了基于Spark平台与多变量L_2-Boosting回归模型的分布式能源系统短期负荷预测方法。首先,利用Spark平台分割全部数据得到多个子数据模型,通过并行计算提高数据处理效率,采用特征提取方法得出模型需要的输入向量;其次,将得出的有效数据信息输入到多变量L_2-Boosting回归模型进行训练学习,得到训练后的多变量L_2-Boosting回归模型;最后,利用测试数据测试模型。算例结果验证了所提模型的有效性。     

短期负荷预测的神经网络实现

讨论了短期负荷预测神经网络实现时需考虑的几个问题,包括负荷数据处理、神经网络输入变量选择、神经网络学习算法选择、预测策略的确定等     

基于BP神经网络的电力系统短期负荷预测

电力系统短期负荷预测直接影响电力企业的经济效益。对此,选择预测日前一天的电力负荷和阴晴、温度、湿度等气象特征数据作为网络的输入,预测日当天的电力负荷作为输出,建立了电力系统短期负荷BP神经网络模型。用历史负荷数据作为训练样本,对BP神经网络预测模型进行训练,用训练好的神经网络进行电力系统短期负荷预测。用真实历史数据对新疆某地区进行了电力系统负荷短期预测,结果表明,预测结果与实际值比较接近,1 d96个采样点的负荷预测平均准确率为98.45%。     

考虑气象因素的PCA-BP神经网络短期负荷预测

为有效提高电力系统短期负荷预测精度及效率,提出一种基于主成分分析的BP神经网络短期负荷预测优化算法。利用主成分分析法将多个原始变量降维成少数彼此独立的变量作为输入,并根据各主成分的贡献率来确定网络的结构,有效解决BP网络预测精度与效率不高问题。在考虑气象因素的影响下通过对某地区历史负荷数据进行训练仿真,平均预测精度接近98%,预测程序运行效率提高两倍以上,仿真结果表明,该模型在效率和预测精度方面优于BP神经网络模型。     

基于灰色模型和神经网络组合的短期负荷预测方法

提出了一种基于灰色模型和神经网络组合的短期负荷预测方法.首先利用频域分解消除负荷序列的周期性,然后利用灰色模型计算负荷序列的历史拟合值和未来预测值,将其作为神经网络的输入.在历史数据中选择一天作为基准日,以该基准日的量为参照,以负荷的灰色模型拟合值相对基准日的变化量,以及温度变化量为BP神经网络的输入,实际负荷变化量为输出,训练神经网络并预测待预测日负荷的变化量,加上基准日负荷后得到预测负荷.该方法综合了灰色模型方法和神经网络方法的优点,仿真结果验证了方法的有效性.     

基于改进灰色关联分析与蝙蝠优化神经网络的短期负荷预测

针对短期负荷预测的精度问题,文中提出基于改进灰色关联与蝙蝠优化神经网络的短期负荷预测方法。在传统的灰色关联分析方法基础上,引入以距离相似性和形状相近性相关联的综合灰色关联度选取更高相似度的相似日。为缩小训练样本的差异程度,提高预测精度,利用相似日集合中的样本来训练蝙蝠优化的反向传播(BP)神经网络预测模型。以中国南方某城市的历史数据作为实际算例,将文中提出的基于改进灰色关联与蝙蝠优化神经网络的短期负荷预测方法与单纯的BP神经网络法、蝙蝠优化BP神经网络法、传统灰色关联与蝙蝠优化的BP神经网络组合法的预测结果相比,结果表明文中方法的预测精度较高。     

BP人工神经网络负荷预测模型的L-M训练算法

根据电力系统短期负荷预测的需要,用C 开发了单隐含层BP人工神经网络程序。程序用Levenberg-Marquardt训练算法实现神经网络训练,大大提高了训练速度。采用24个单输出人工神经网络模型分别预测每天的整点负荷。该预测模型可动态生成,提高了预测模型的自适应性。实际算例结果表明,采用该算法及其程序进行短期负荷预测,可得到令人满意的训练速度及预测精度。     

基于PSO算法优化GRU神经网络的短期负荷预测

为了实现高精度的电力系统短期负荷预测,提出了基于粒子群优化(particle swarm optimization,PSO)算法优化门控循环单元(gated recurrent unit,GRU)神经网络的电力系统短期负荷预测模型。首先建立GRU神经网络,GRU神经网络采用了门控循环单元,与采用传统循环单元的传统循环神经网络相比,克服了传统循环神经网络中可能出现的梯度爆炸和梯度消失问题;继而采用具有较强全局优化能力的改进粒子群算法对GRU神经网络参数进行优化,有效提高模型的预测精度。通过实际算例仿真分析,并与传统的GRU神经网络预测模型以及反向传播(back propagation,BP)神经网络预测模型进行对比,验证了所提电力系统短期负荷预测模型具有较好的精度和稳定性。     

Short term load forecasting using a multilayer neural network withan adaptive learning algorithm

A multilayer feedforward neural network is proposed for short-term load forecasting. To speed up the training process, a learning algorithm for the adaptive training of neural networks is presented. The effectiveness of the neural network with the proposed adaptive learning algorithm is demonstrated by short-term load forecasting of the Taiwan power system. It is found that, once trained by the proposed learning algorithm, the neural network can yield the desired hourly load forecast efficiently and accurately. The proposed adaptive learning algorithm converges much faster than the conventional backpropagation-momentum learning method     

基于遗传优化的BP神经网络算法的短期负荷预测

采用BP神经网络算法进行短期电力负荷预测存在缺点,需要进行完善和改进。介绍了BP神经网络算法进行短期负荷预测的原理,以及遗传算法的基本原理。具体叙述遗传算法对BP神经网络算法进行优化的实现步骤。优化后的算法避免了原来初始权值和阈值选择的盲目性,提高了BP神经网络算法短期负荷预测的精度和效率。通过具体算例,证明了此算法的可行性和有效性。     

基于神经网络BP算法的局部电网短期负荷预测系统

电网负荷受天气、节假日、生活方式等多方面影响,短期呈现随机性,长期来看,又有一定的规律可循。选择合适的短期负荷预测模型,将有利于提高短期负荷预测的准确率,极大方便调度机构的短期负荷预测工作。本文基于神经网络BP算法的局部电网短期负荷预测,通过采集局部电网数据样本,获得大量数组,再使用神经网络BP算法进行自适应学习,获取各因素与负荷之间的非线性关系,预测局部电网负荷变化趋势,提前调控电网方式,降低局部电网主变、线路运行风险,确保电网安全运行。     

基于神经网络的短期负荷预测

针对电力系统短期负荷的变化与影响因素间的复杂非线性关系,首先,提出用BP神经网络进行负荷预测,接着,在输入变量的选择上引入了负荷日期和气象温度,对于日期变量分为工作日和休息日,对于气温变量进行分段处理。最后通过实例仿真表明该方法可以取得较高的预测精度。     

基于机器学习的短期电力负荷预测方法研究

针对短期电力负荷数据具有明显周期性的特点,将基于机器学习引入到短期电力负荷预测领域,提出一种基于岭回归估计的RBF神经网络短期电力负荷预测方法,该方法利用机器学习算法RBF在非线性拟合方面的优势,结合岭回归对RBF神经网络输出层权值进行参数估计,有效消除输入多重共线性问题,采用广义交叉验证法对构建的模型进行评估,寻找最优岭参数,提高了电力负荷预测精度。通过实际负荷预测案例,与传统BP神经网络负荷预测方法进行比对,验证了提出的电力负荷预测方法较传统方法具有较好的稳定性和较高的预测精度,为电力负荷预测提供了新思路。     

基于遗传灰色神经网络模型的实时电价条件下短期电力负荷预测

在智能电网条件下,用户的用电模式将会发生重大变化,其中一个显著的变化就是用户可以根据电能需求结合实时电价调整其消费模式。这使得用户负荷预测更为复杂。在对影响短期电力负荷特性的各种因素进行分析的基础上,综合考虑了实时电价的影响,提出了一种用遗传算法优化改进的灰色神经网络方法,利用灰色模型可以弱化数据的随机性以及神经网络的高度非线性,对短期负荷进行预测,采用遗传算法对网络进行优化,从而提高了预测的精确度。实例证明该算法能较好地解决实时电价下的短期负荷预测问题。