混沌理论和支持向量机结合的负荷预测模型

根据电力负荷序列的混沌特性,提出混沌理论和蚁群优化支持向量机结合的电力系统短期负荷预测新方法,以相空间重构理论确定支持向量机的输入量个数;iJII练样本集由对应预测相点的最近邻相点集构成,且是按预测相点步进动态相轨迹生成;采用蚁群优化算法对支持向量机敏感参数进行优化,从而可增强预测模型对混沌动力学的联想和泛化推理能力,提高负荷预测的精度和提高预测稳定性.对某地区负荷系统日、周预测仿真测试,证明其可获得稳定的较高预测精度.     

基于相空间重构和Chebyshev正交基神经网络的短期负荷预测

电力系统短期负荷数据具有明显的混沌特性。在讲述混沌中相空间重构的相关理论后,计算了算例中需要用到的延迟时间和嵌入维数。根据正交多项式优越的泛化和预测性能,在简单介绍Chebyshev正交基函数后,构建了单输入Chebyshev正交基神经网络预测模型。由于重构后的相空间中每个相点的分量个数不止一个,故所构建的单输入预测模型无法满足要求。为此,在单输入的基础上,设计了基于相空间重构的多输入Chebyshev正交基神经网络动态预测模型。将该模型运用到短期负荷预测中,取得了很高的精度和很好的预测效果。     

基于负荷混沌特性和最小二乘支持向量机的短期负荷预测

以负荷时间序列的混沌特性为基础,结合混沌时间序列的相空间重构理论和支持向量机的回归理论建立了一种基于负荷混沌特性和最小二乘支持向量机的短期负荷预测模型。首先将原始负荷数据进行相空间重构,形成相点序列,然后选择与当前相点最邻近的相点作为此负荷预测模型的训练样本,经过训练寻求决策函数后就可以求出包含预测点的相点,最后还原此相点得出预测值。通过与BP神经网络的预测结果进行比较,证明了该模型在短期负荷预测中的有效性。     

基于混沌神经网络理论的小电陨短期电力负荷预测

通过对小电网负荷数据的特点分析，将时间序列处理、混沌理论和神经网络理论相结合提出了一种基于混沌神经网络理论的电力负荷预测模型。利用Matlab对实际数据进行了仿真计算。通过实例计算，并和不用相空间重构的神经网络的负荷预测算法的各种误差指标的分析比较说明，利用相空间重构对历史数据序列进行拆分或重构可以提高负荷预测的精度。     

基于相关邻近点与峰谷荷修正的短期负荷时间序列预测

采用混沌相空间重构理论进行电力短期负荷预测,存在峰谷荷预测精度相对较差和预测参考点不易选取的问题.根据电力系统日负荷曲线构造了日峰谷荷时间序列,揭示了日峰谷荷时间序列的混沌特性,采用相空间重构直接预测未来峰谷荷,进而提高了峰谷荷和整点负荷的预测精度.针对相空间中相点的预测参考点确定问题,提出了按相点演化相关性进行选择的方法,首先根据模型要求的预测参考点数量选出邻近点,然后根据相点演化相关性排除伪邻近点,同时引入时间权重来反映相空间不同坐标的时间次序.实际电网负荷预测的仿真结果验证了文中提出的相空间相关邻近点的选择方法与峰谷荷修正思想的有效性.     

基于混沌神经网络理论的小电网短期电力负荷预测

通过对小电网负荷数据的特点分析,将时间序列处理、混沌理论和神经网络理论相结合提出了一种基于混沌神经网络理论的电力负荷预测模型。利用Matlab对实际数据进行了仿真计算。通过实例计算,并和不用相空间重构的神经网络的负荷预测算法的各种误差指标的分析比较说明,利用相空间重构对历史数据序列进行拆分或重构可以提高负荷预测的精度。     

优化相空间近邻点与递归神经网络融合的短期负荷预测

根据在相空间重构拓扑近邻点的时间演化原理，提出了优化近邻点(optimal neighbor points，ONP)的短期负荷预测(Short-term load forecasting，STLF)法，它可克服伪近邻点在高嵌入维对局域动力学估计的不利影响，以提高预测精度。在此基础上，又提出ONP与递归性时延神经网络(Tune Delay Neural Network，TDNN)模型融合的STLF法，具有动态性能的TDNN是按优化近邻相点的演化轨迹构造，是属于对预测点跟踪的智能辩识动态行为模型。它能增强模型对系统动力学的联想性和泛化能力，使预测精度提高一倍以上。该文经两类不同负荷系统周、日预测仿真测试，证实所研究的预测模型能有效、稳定地提高预测精度，且有高的适应能力，为基于相空间理论预测法用于实际取得有效的进展。     

基于混沌相空间重构理论的风电场短期风速预测

风力发电具有波动性、间歇性和随机性的特点,大容量的风力发电接入,会对电力系统的安全、稳定运行带来严峻挑战,进行短期风速预测对并网风力发电系统的运行具有重要意义。根据风速具有混沌特性,采用相空间重构理论对短期风速进行预测。由嵌入时间窗 和 、 的关系,确定了 和 的多组可行匹配,并找出一个最佳匹配进行相空间重构。在选取参考点时既考虑相点欧式距离又考虑其空间及时间上的相关性,有效克服“伪邻近点”的影响,提高了预测精度。预测模型采用了一阶局域预测模型和BP神经网络两种模型。算例分析结果验证了所提出方法的可行性和有效性。     

基于混沌相空间重构理论的风电场短期风速预测

风力发电具有波动性、间歇性和随机性的特点,大容量的风力发电接入,会对电力系统的安全、稳定运行带来严峻挑战,进行短期风速预测对并网风力发电系统的运行具有重要意义.根据风速具有混沌特性,采用相空间重构理论对短期风速进行预测.由嵌入时间窗和、的关系,确定了和的多组可行匹配,并找出一个最佳匹配进行相空间重构.在选取参考点时既考虑相点欧式距离又考虑其空间及时间上的相关性,有效克服"伪邻近点"的影响,提高了预测精度.预测模型采用了一阶局域预测模型和BP神经网络两种模型.算例分析结果验证了所提出方法的可行性和有效性.     

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。     

相空间重构和混沌神经网络融合的短期负荷预测研究

该文首次提出基于PSRT和ICNN融合的电力系统STLF模型，所构造的ICNN预测模型对负荷初值和混沌轨迹的游动性有很强的敏感性，可表征复杂的动力学行为和具有全局寻优的性能，以PSRT确定ICNN输入维数，训练样本集按预测相点步进动态相轨迹和最近邻点集原理形成的，可增强预测模型对混沌动力学的联想和泛化推理能力；文中用遗传算法作为ICNN的学习算法，对两类不同负荷系统日、周预测仿真测试，证实所研究的预测模型能有效、稳定的提高预测精度，且有较高的适应能力，为将基于PSRT和ICNN融合的电力系统STLF方法用于实际运行系统在理论上取得了有效的进展。     

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。     

基于混沌理论和支持向量机的电价预测

根据电价时间序列的混沌特性,结合混沌理论和支持向量机方法提出了一种新的电价预测模型。该模型基于混沌理论对电价时间序列进行相空间重构,并根据相空间演变规律确定模型的输入输出结构,然后采用支持向量机拟合相点演化的非线性关系。为增强模型的泛化推理能力,训练样本按照预测相点最近邻点原理选择。对美国PJM电力市场边际电价历史数据的仿真研究表明,文中提出的预测模型能有效、稳定地提高电价预测精度。     

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。     

负荷预测的混沌相空间二阶多项式回归法及其参数优化

在混沌相空间重构的短期负荷预测方法中，采用二阶多项式回归法，与现有的线性法相比，不仅提高了预测精度，而且极大地消除了12h周期性的误差增大现象。通过大量的数值测试，发现为得到较高的预测精度，相空问重构的3个参数应满足：(1)为保证在每个预测点都能正常地预测，应选取比二阶多项式系数大些的“邻近矢量”个数。这是对依据距离选择相空间“邻近矢量”方法的改进。(2)嵌入相空间的维数应该适当大些。通常应该高于嵌入定理给出的数值。(3)优选的延时时间，还需要进一步研究。