基于MMAS BP算法的短期风速非线性组合预测模型

为提高风电场短期风速的预测精度,引入一种基于改进蚁群算法优化神经网络的非线性组合预测方法,按误差平方和最小原则对所建灰色GM(1,1)模型、BP网络和RBF网络三种单一预测数据进行非线性组合,并将其结果作为最终预测值。仿真结果表明,该方法的平均绝对误差及均方误差分别为17.76%和3.68%,均小于单一模型、线性组合模型及神经网络组合模型的预测结果,提高了网络的泛化能力,降低了预测风险,为风电场风速预测提供了一种新途径。     

基于RBF神经网络与模糊控制的短期负荷预测

针对电力系统短期负荷预测,综合考虑温度、日期类型和天气等因素对短期电力负荷的影响,建立了径向基函数（Radial?Basis?Function,RBF）神经网络和模糊控制相结合的短期负荷预测模型。该模型利用RBF神经网络的非线性逼近能力对预测日负荷进行了预测,并采用在线自调整因子的模糊控制对预测误差进行在线智能修正。实际算例表明RBF神经网络与模糊控制相结合提高了预测精度。     

基于IFOA-GRNN的电力系统短期负荷预测

考虑到电网负荷与诸多因素有关,设计了一种带有温度、气象、日期类型的广义回归神经网络（GRNN）负荷预测模型。为了提高该模型的预测精度,提出了一种改进果蝇优化算法优化广义回归神经网络（IFOA-GRNN）的方法,即在利用果蝇优化算法（FOA）进入迭代寻优时,通过改进搜索距离优化该算法的性能和稳定性。利用改进的FOA优化GRNN的光滑参数,然后利用训练好的预测模型对甘肃省某地区进行了短期负荷预测,并与FOA-GRNN和误差反向传播神经网络(BPNN)模型结果进行了误差比较。结果表明, IFOA-GRNN具有较高的预测精度,能够满足电力系统短期负荷预测的要求。     

基于最优权系数的风电功率组合预测方法

摘要： 风电功率的短期预测对于电力系统的安全稳定运行具有重要意义。提出了一种基于最优权系数的风电功率短期预测组合方法,该方法将ARIMA时间序列、BP神经网络、RBF神经网络和支持向量回归机这4种单一预测模型进行综合,并根据预测误差信息矩阵,以误差平方和最小为原则得到组合预测模型中的最优权系数,以此构成组合预测模型,该模型能够有效地综合各单一预测模型的优势,降低预测风险。仿真实例表明：所提组合预测模型预测精度高,能够方便快速地确定最优权重系数值,降低预测误差。     

基于神经网络和小波分析的超短期风速预测

文章将神经网络和小波分析理论相结合,提出了一种基于神经网络和小波分析的超短期风速预测方法。利用神经网络的非线性学习能力和小波理论的多分辨分析能力实现对风电场的风速预测,为风功率预测提供理论依据。首先,通过搭建神经网络物理模型,用以预测风机轮毂处的风速信号;其次,将该风速信号进行小波多分辨分解,滤除高频分量,得到较为平稳的对风速预测起决定性作用的低频分量;最后,对基于神经网络和小波分析的组合预测方法进行了仿真,并与NWP风速模型和实测风速进行了对比。结果表明,提出的基于神经网络和小波分析组合预测方法更贴近实测风速,对超短期风速预测起到了良好的效果。     

基于非线性自回归神经网络的GHI预测

针对水平面总辐照度(global horizontal irradiation,GHI)短期预测问题,提出一种基于非线性自回归神经网络的短期水平面太阳总辐照度预测模型。首先,提出一种并联结构训练样本,以保证训练样本内部的时间耦合性。其次,通过对9项气象参数共511种组合作为输入的模型预测精度进行分析,确定模型最优输入组合。最后,利用4种典型气象条件下GHI时延神经网络预测模型,非线性自回归动态神经网络预测模型预测标准均方根误差均降低。     

基于灰色关联分析与随机森林回归模型的短期负荷预测

针对人工神经网络和支持向量机存在的泛化误差大、具有局部最优以及参数选取困难等缺点,将随机森林回归模型引入电力系统短期负荷预测,提出了一种基于相似日与随机森林回归模型的短期负荷预测方法。利用灰色关联分析法计算原始训练样本与预测日各影响因素间的关联系数,选取相似度较高的历史样本构成相似日样本集,对随机森林回归模型进行训练。将预测日的特征向量输入训练好的模型中,取所有回归树输出结果的平均值作为最终的负荷预测结果。实际算例表明,与常规支持向量机法和常规随机森林回归法相比,该组合方法可以有效地提高短期负荷预测的精度。     

基于RBF-BP组合神经网络的短期风电功率预测研究

为提高风电输出功率预测精度,提出一种基于RBF-BP组合神经网络模型的短期风电功率预测方法。在考虑尾流等因素影响的基础上,对风速进行预处理。根据相关历史数据,建立RBF-BP组合神经网络短期风电功率预测模型,对风电输出功率进行预测。仿真分析结果表明,该预测方法能有效提高风电输出功率预测精度。     

基于粗糙集理论和遗传程序设计的短期负荷预测模型研究

利用粗糙集理论处理大数据量、消除冗余信息等方面的优势,找到了与负荷直接相关的因素。以利用遗传程序设计进行演化建模对贵州电网日96点负荷实例进行了预测,与BP神经网络法相比,本模型预测精度高,在短期负荷预测中具有有效性和可行性。     

基于布谷鸟搜索优化支持向量机的短期负荷预测

针对支持向量机(SVM)在短期负荷预测中,根据经验选取参数导致预测精度下降的问题,提出一种基于布谷鸟搜索算法(CSA)优化SVM的短期负荷预测新方法(CSA-SVM)。先以历史负荷、温度、湿度等属性构成训练样本集的输入向量作为SVM的输入,以负荷值作为输出,建立SVM预测模型;再根据训练误差,以CSA对SVM中惩罚因子和核参数进行寻优;最后,按照CSA寻优获得的最优参数建立基于CSA-SVM的预测模型并开展短期负荷预测。实际负荷数据试验显示,相较于SVM模型、粒子群(PSO)优化SVM模型、BP神经网络模型,CSA-SVM具有更高的预测精度,能够满足电力系统短期负荷预测精度需求。     

基于改进遗传算法优化的小波神经网络短期负荷预测模型

针对传统小波神经网络在电力系统短期负荷预测中存在预测结果的精确度依赖初始网络参数的问题,提出了一种基于改进遗传算法优化的小波神经网络短期负荷预测模型。为了保证神经网络在训练过程中,各个层的权值和阈值按最优方向变化,将遗传算法引入小波神经网络,利用遗传算法寻优能力指导权值和阈值进行优化。将概率分布策略用于遗传算法的种群交叉和变异过程,解决遗传算法在中后期搜索精度差,收敛速度慢等问题。应用结果表明,与基本的小波神经网络的预测模型相比,在只考虑短期负荷历史数据的情况下,通过均方根误差计算比较,基于改进遗传算法优化的小波神经网络短期负荷预测模型具有更高的预测精度。     

基于膜聚类的改进极限学习机在短期负荷预测中的应用

针对历史数据样本存在无效性影响预测精度和极限学习机的输出随机性、稳定性较差的问题,提出了一种模糊膜聚类算法与改进极限学习机相结合的组合预测方法。考虑负荷自身特征、天气温度及日类型等指标,利用模糊膜聚类算法选取出与预测日具有相似特性指标的负荷数据作为负荷预测日的输入样本,运用经过粒子群算法及隐含层神经元个数遍历法改进后的极限学习机进行预测。试验结果表明,所提方法对两个地区的某日负荷进行预测时降低了预测误差,提高了短期负荷预测的准确性。     

基于分数阶灰色Elman组合模型的中长期负荷预测

针对电力系统中长期负荷预测样本少、间隔时间长、影响因素多等问题,提出基于分数阶灰色Elman的组合预测模型,首先针对负荷预测样本少、增长趋势明显的特点,利用分数阶灰色模型弱化原始序列的随机性,降低解的扰动界,其次利用Elman神经网络模型适应性与学习能力强的特点来解决负荷的非线性及影响因素复杂的问题,然后根据最优模型赋予二者最优权值,得到最终的组合模型,最后采用傅里叶级数残差校正模型修正组合模型的误差。仿真结果表明,本文提出的方法可有效拟合负荷的变化趋势,提升负荷预测的准确度。     

基于蚁群算法的神经网络绝缘子闪络电压预测

为提高覆冰绝缘子闪络电压的预测精度及预测速度,采用BP神经网络和蚁群算法相结合的方法进行预测模型设计。利用闪络电压及其影响因素之间的试验数据,建立其神经网络的预测模型。以网络的权值和阈值为自变量,通过蚁群算法的迭代运算,搜索出误差全局最小值,再进行网络的二次学习训练。结果表明,该方法具有较高的预测精度,适用于绝缘子闪络电压的预测。     

基于小波变换与Elman神经网络的短期风速组合预测

风速的准确预测对风电场发电系统的经济和安全运行有着重要的作用。为了克服风速随机性强的缺点,提高短期风速预测的精度,提出了一种将小波变换与Elman神经网络相结合的短期风速组合预测模型。该模型由小波预处理模块和神经网络预测模块组成。首先利用小波预处理模块将风速序列作多尺度分解,重构得到不同频段的子序列,然后利用Elman神经网络模块分别对其训练和预测。实际风速预测结果表明,与单一的Elman和ARMA法相比,该组合预测模型的预测精度有较大的改善,可以用于风电场短期风速的预测。     

基于最小二乘法及信息熵的短期水文预报组合模型的比较

为探讨组合预报中平均加权法的实用性,以三峡流域宜昌站为例,建立了基于最小二乘法和信息熵理论的两种径流组合预报模型,并将组合预报结果与原单一模型的预报结果做了对比,选取具有代表性的预报精度评定指标检验预报精度。结果表明,两种组合预报模型均显著改善了预报精度评定指标,提高了短期水文预报精度,突破了传统单一水文预报模型的局限性,实际应用时可根据预报精度评定的侧重点选择合适的组合预报模型。     

基于BP神经网络灰色回归组合模型的年最大负荷预测

为克服单一电力负荷预测模型的局限性,改善预测结果,提出了一种基于BP神经网络灰色回归组合模型的年最大负荷预测方法。在BP神经网络预测模型中,采用Levenberg-Marquardt算法对参数迭代过程进行优化;在灰色预测模型中,采用加政策因子处理法对原始数列进行改造以强化数列的递增趋势;在回归预测模型中,采用逐步线性回归法剔除对因变量影响较小的自变量。最后利用方差-协方差法对三种预测模型进行加权组合。以广州市2007—2016年实际数据对组合预测模型进行验证,并对广州市2017—2019年的年最大负荷进行预测。结果表明:所提方法预测精度较高且误差在工程允许范围之内,具有一定的工程实用价值。     

基于CEEMDAN+RF+AdaBoost的短期负荷预测

高精度的短期负荷预测不仅是电力系统运行稳定的关键,也是构建智能电网的必要保证。为提高电力系统短期负荷预测精度,提出了一种基于完整集成经验模态分解(CEEMDAN)、随机森林(RF)和AdaBoost的预测方法。针对传统分解方法不能完整分解原始负荷序列的问题,利用CEEMDAN分解方法为各个阶段的IMF分解信号添加特定的白噪声,通过计算余量信号来获得各个模态分量,然后针对前9个模态分量构建RF预测模型,针对残余量构建AdaBoost预测模型,并对结果进行重构预测,得出未来24h的负荷预测数据。最后将CEEMDAN+RF+AdaBoost方法应用于华中地区的短期负荷预测,在同等条件下,与预测模型CEEMDAN+RF、EEMD+RF+AdaBoost、EMD+RF+AdaBoost、RF及AdaBoost进行试验对比,结果表明所构建预测模型的精度优于其他对比模型,具有很好的理论指导意义和实际应用前景。