应用递归人工神经网络预测电力短期负荷

介绍了神经网络的基本原理,使用递归人工神经网络模型对电力短期负荷进行预测,采用了梯度下降法,来提高训练的收敛速度,预测仿真结果表明,使用递归神经网络预测比传统的预测方法更准确.     

基于遗传程序设计方法的短期电力负荷预测

对遗传程序设计算法进行介绍,尝试将其应用到短期电力负荷预测中。先对负荷样本进行常规和滤波处理,消除伪数据,然后运用遗传程序设计的复杂表达能力,把不同日同一时刻的负荷序列作为样本,对未来负荷进行分时短期预测。该遗传程序设计方法无需考虑如温度等因素,随机常数能自动平衡与负荷有关因素的影响,并自动生成相应的数学模型,通过模型可以计算出未来时刻的负荷,有效避免了人为造成的误差,简单可行。经过和时间序列方法的预测结果进行比较,表明该方法效果较好。     

短期电力负荷组合预测方法研究

为了解决短期电力负荷不同预测方法的预测角度片面性、预测精度差等问题,提出了基于小波神经网络(WNN)的组合预测模型.首先用小波神经网络预测模型和历史平均模型分别进行预测,然后再通过小波神经网络对两单一模型的预测值进行组合.相比BP神经网络组合模型,该组合预测模型的预测精度大大提高.该模型同时引入模糊聚类分析的方法选取组合模型的训练样本,减少了训练样本的冗余性,提高了预测模型的精度.     

电力负荷短期预测的神经网络方法研究

设计了一个三层神经网络模型来实现电力系统的短期负荷预预.采用了改进的BP学习算法,以提高训练的收敛速度.预测仿真结果表明,所设计的神经网络是可以进行短期负荷预测的.     

基于v-SVR的短期电力负荷预测

提出了一种改进支持向量机(v-SVR)的电力系统短期负荷预测方法;将RBF和多项式函数作为核函数,进行了预测研究。研究结果表明,方法要比BP和模糊聚类方法具有很高的预测精度,方法是可行和有效的。     

基于动态模糊神经网络的短期电力负荷预测

针对电力负荷受天气和日期影响特点,提出一种基于动态模糊神经网络的短期电力负荷预测的新方法.该算法最大的特点是模糊规则是动态变化的,通过系统误差、可容纳边界来判断系统是否需要新增一条模糊规则,使用误差下降率(ERR)修剪算法剔除对整个网络影响较小的模糊规则.该算法还使用了分级学习法让网络的学习速度大大提高.在分析了EUNITE网络提供的负荷数据基础上来进行仿真,该仿真将温度、星期、月份、节假日因素作为网络的输入向量,取日负荷峰值作为网络的输出向量.仿真结果显示取得了较好的预测准确率.     

基于决策树和专家系统的短期电力负荷预测系统

提出决策树与专家系统相结合的负荷预测系统。利用决策树建立预测模型,对待测日负荷进行初步预测,再结合专家系统中的修正模型对初步结果进行修正,得到最终预测结果。建立决策树时,根据最大信息增益原则选择测试属性,降低决策树的复杂度,减少计算时间。提出开放的专家系统,专家模型应处于不断完善之中。并应用天津2003年的负荷数据和气象资料进行了建模和预测计算,统计分析结果表明该方法可提高预测的精度,具有实用性和有效性。     

基于混沌蚁群算法的电力短期负荷预测

通过对电力负荷变化规律和影响因素的分析,提出了一种新的短期电力负荷预测模型。首先利用混沌理论将杂乱无章的历史数据进行相空间重构,找出其中的潜在规律,并粗选预测参考点;然后利用蚁群优化算法,考虑距离因素和相点演化的相关性因素,对粗选的预测参考点作进一步精选,提高其质量;最后采用GM（1,1）灰色模型得到预测日的负荷数据。实际算例验证了提出的方法具有较好的预测精度。     

基于RBF神经网络的短期电力负荷预测

研究了天气和特殊事件对电力负荷的影响,建立了结合径向基函数神经网络来进行短期负荷预测的模型。将温度、降雨量运用于径向基函数神经网络中,提高了训练的可信度和可靠性。利用该模型编排的实用化软件投入到了实际应用中。结果表明:该方法具有较高的预测精度和较强的实用性。     

基于PSO-Elman神经网络的短期电力负荷预测

为了解决BP神经网络在短期电力负荷预测中存在局部极小、收敛速度慢等问题,本文采用粒子群算法(Particle Swarm Optimization,PSO)优化Elman动态神经网络进行精准预测。根据输入输出参数个数确定Elman神经网络结构,利用PSO算法优化网络的权值和阈值,并将优化后的最优个体赋给Elman动态神经网络作为初始权值、阈值进行网络训练,从而建立基于PSO-Elman的电力负荷预测模型。采用某钢厂实测电力数据对该方法和模型进行验证,并与传统的BP、Elman网络模型预测方法进行对比,结果表明该方法和模型在有效缩短网络收敛时间的同时,具备更高的负荷预测精度和稳定性。     

基于电能量分析的新息方法电力系统短期负荷预报

本文提出一种用电能量分析方法提取稳定部分并采用新息法处理随机项的短期负荷预报算法,此算法在精度、存储需求和运算时间诸方面均有一定优越性。     

基于智能技术的电力系统负荷预测技术研究进展

负荷预测是智能电网安全领域的热门研究方向。智能技术应用到智能电网负荷预测领域取得了一系列研究成果。首先,对主流负荷预测技术进行总结;然后,将面向智能电网的传统负荷预测技术与近年来新兴的智能负荷预测技术进行对比,并详细介绍了两个领域中典型成果的基本原理和方法;最后,讨论了智能电网负荷预测技术仍需要解决的问题及未来的研究趋势。     

一种利用多任务学习的短期住宅负荷预测方案

作为信息物理社会系统的一种具体形式,智能电网中的负荷预测,尤其是单个电力客户的短期负荷预测,在智能电力系统的规划和运营中将扮演越来越重要的角色.考虑到同一住宅小区用户之间的负荷行为的相似性,受多任务学习的启发,提出了一种基于多任务学习的有效住宅负荷预测方案.首先,利用K-means聚类技术和皮尔逊相关系数挑选出2个相似用户,进而将2个用户的负荷数据合并输入,并将双向长短时记忆网络作为共享层全面捕获2个用户数据之间的关系,然后送入2个全连接的任务相关的输出层.在真实的数据集上,将所提方案与几种典型的负荷预测方案进行全面比较.实验结果表明,与已有的深度学习预测方案相比,提出的多任务负荷预测方案提高了预测准确程度.     

基于支持向量机的短期负荷预测的方法改进

在对支持向量机（Support Vector Machines,SVM）方法的参数性能进行分析的基础上,提出了将Grid-search方法引入至基于支持向量机的短期负荷预测算法中,以解决支持向量机方法的参数选择问题。该参数选择方法减少了参数选择的盲目性,提高了SVM的预测精度。通过在East-Slovakia Power Distribution Company提供的电网运行数据上验算,证明了该改进方法的正确性和有效性。     

基于经验模态分解的短期负荷预测

提出了一种新的电力系统短期负荷预测混合模型,该模型将经验模态分解（EMD）、支持向量机与BP型神经网络有机结合在一起,充分利用了各方法的特点。利用经验模态分解将负荷序列分解成若干序列,根据各序列的变化特点,在考虑温度影响因素的基础上构建不同的支持向量机模型,然后利用BP网络进行非线性重构得到最终预测结果。仿真结果表明基于该方法的电力系统短期负荷预测具有较高的精度。     

基于PSO改进的T-S模糊神经网络短期电力负荷预测研究

精确的电力负荷预测有利于保障电网运行的安全性、稳定性、高效性及经济性.为提高预测精度,采用了一种PSO改进T-S(Takagi-Sugeno)模糊神经网络方法.分析了数据预处理对改善输入量的重要性,讨论了可以让学习率和平滑因子动态调节的改进T-S模糊神经网络算法,从而使PSO找到最优参数,然后结合历史负荷数据、相关影响因素进行预测,以表明改进的T-S模糊神经网络在短期电力负荷中具有更高的控制精度.     

电力系统负荷建模与预测的新方法

对电力系统辨识及参数预测中新兴方法的应用作了介绍，重点探讨了前向BP神经元网络在电力系统辨识及负荷预测中的应用。主要对电力系统动态负荷建模及中、短期负荷预测中所取得的国内外成果进行探讨。同时，对灰色理论模型进行电力系统长期预测的结果与传统方法进行对比分析。从而归纳出电力系统动态负荷及中期、短期、长期负荷预测的较理想方法。     

基于PCCLSTMMTL的综合能源系统多元负荷预测

为了保证综合能源系统(IES)的运行效率和可靠性,能源需求的准确预测至关重要。提出了一种基于Pearson相关系数(PCC),长短期记忆(LSTM)神经网络和多任务学习(MTL)的多元负荷预测方法。首先,运用PCC选取与冷热电负荷相关性较大的影响因素作为模型的输入;然后,通过LSTM建立MTL的共享层,实现多元负荷的联合预测;最后,结合亚利桑那州立大学的实测多元负荷数据来测试所提模型的预测精度。结果表明:所提模型具有更高的预测精度。     

基于小波系数和BP神经网络的电力系统短期负荷预测

提出了一种基于小波系数和BP神经网络相结合的电力系统短期负荷预测新方法。把过去直接对负荷序列的预测替代为对小波系数的预测,并对小波细节系数作分层软阈值处理。详细介绍了小波系数结合BP神经网络进行预测的新方法,并给出算例验证。     

一种实用负荷预测气象因子建模方法

电力负荷受气象因素影响越来越大,如何准确预测负荷中的气象负荷是负荷预测中的一项有意义的课题。本文提出一种简单适用的气象因子建模,并和相似日有机的结合起来,能较大地提高负荷预报精度。