基于混沌理论的电网售电量预测研究

对具有混沌特性的电网售电量时间序列重构相空间,计算相空间的饱和嵌入维数和最大Lyapunov指数,并利用计算得到的饱和嵌入维数指导建立T-S模糊神经网络预测模型.采用递阶遗传算法对T-S模糊神经网络的结构和权值进行训练,可确定最适合的预测模型结构,提高神经网络的收敛速度,使其具有良好的泛化能力.在此基础上,对秦皇岛电力公司售电量数据进行预测,结果表明,该方法可精确地再现售电量时间序列的混沌动力学行为,在可预报尺度范围内,能对售电量作高精度的预测,且具有很强的适应能力.     

基于混沌神经网络模型的电力系统混沌预测与控制

由于电力系统的日趋复杂和庞大，电力系统除了因负阻尼引起的低频振荡外，还存在PSS不能消除的混沌振荡的危机。为及早判断和抑制电力系统的混沌振荡，提高电力系统稳定性，根据电力系统的负荷时间序列重构吸引子相空间，计算相空间饱和嵌入维数和最大Lyapunov指数，并以此为指导，建立混沌神经网络预测模型，该模型即便在电力系统负荷含有部分坏数据输入的情况下，仍能对电力系统的混沌特性进行精确地判断和预测。如果判断出系统存在混沌现象，则设计模糊神经网络预测控制器，实现了对电力系统混沌振荡的预测控制。仿真结果表明，该方案对抑制电力系统混沌振荡具有显著效果。     

湖南风电功率时间序列特性分析

对湖南风电的混沌特性进行分析,采用自相关函数法和Cao方法求取风电功率时间序列的延迟时间和嵌入维数,并重构序列相空间,通过计算饱和关联维数和最大Lyapunov指数进行验证。结果表明,风电功率时间序列具备混沌特性,为基于混沌时间序列的风电功率预测奠定基础。     

基于小波消噪的混沌神经网络径流预报模型

水文要素时间序列中的噪声不仅影响水文混沌特性识别,更影响径流预测精度。本文基于小波消噪理论对水文序列中的噪声进行了处理,并利用混沌理论中的相空间重构技术计算出饱和嵌入维数作为混沌神经网络输入层节点数,将小波技术、混沌理论和神经网络方法结合起来对汛期日径流进行了预测。与消噪前相比,模型结构从7-10-1简化到6-8-1,预测合格率从77.56%提高到85.32%,平均绝对百分比误差从12.52%减少到10.86%,由此表明水文系列中的噪声会影响预测模型的参数和精度,本文所建立的模型是值得借鉴的。     

电力短期负荷的多变量混沌预测方法

为提高电力短期负荷预测精度和充分利用混沌短期预测优势,拓展单变量时间序列相空间重构到多变量时间序列中,相空间重构了由历史负荷及其相关因素序列所构成的多变量时间序列,计算了多变量时间序列的嵌入维数和延迟时间并用RBF神经网络预测负荷。研究表明多变量重构相空间技术的预测效果优于单变量重构。     

基于分时重构混沌相空间的电力系统负荷短期预测

为了实现高精度的电力系统负荷短期预测,该文对电力系统负荷时间序列数据分时段进行相空间重构,并计算分形维数和提取最大Lyapunov指数,经分析得出了系统负荷分时序列数据的演化具有混沌特征,由此提出了短期电力系统负荷的分时重构混沌相空间预测算法,相比目前通常采用的单一时间序列混沌预测算法,该算法具有相空间嵌入维数少和模型参数配置灵活的特点,通过电力系统负荷短期预测实例验证,结果表明该算法比单一时序混沌预测算法在预测精度上有显著提高.     

基于分时重构混沌相空间的电力系统负荷短期预测

为了实现高精度的电力系统负荷短期预测,该文对电力系统负荷时间序列数据分时段进行相空间重构,并计算分形维数和提取最大Lyapunov指数,经分析得出了系统负荷分时序列数据的演化具有混沌特征,由此提出了短期电力系统负荷的分时重构混沌相空间预测算法,相比目前通常采用的单一时间序列混沌预测算法,该算法具有相空间嵌入维数少和模型参数配置灵活的特点,通过电力系统负荷短期预测实例验证,结果表明该算法比单一时序混沌预测算法在预测精度上有显著提高。     

电力短期负荷的多变量时间序列预测方法研究

在混沌理论中,负荷预测模型的建立通常由一单变量时间序列的相空间重构来实现,然而在实际过程中往往难以确定单变量时间序列是否包含了重构动力系统的全部信息,特别是在有限时间序列存在噪声时。因此,本文将单变量时间序列方法拓展到多变量时间序列中,进行多变量时间序列的相空间重构,计算了各时间序列的延迟时间和嵌入维数,建立了局域线性预测模型。预测结果检验显示,该方法具有较好的预测效果。     

基于混沌支持向量机的河川径流预测研究

以黄河上游兰州站月径流序列为研究对象,在介绍相空间重构原理的基础上,探讨了混沌分析的主要定量指标:饱和关联维数d,最大Lyapunov指数λ和Kolmogorov熵k。得到该时间序列的最佳嵌入滞时τ=3个月,饱和关联维数d=3.230,最小嵌入维数m=12和最大Lyapunov指数λ=0.241,Kolmogorov熵k=0.14,指出该序列的预测时限为4个月。在此基础上建立了基于混沌特性的支持向量机径流预测模型,用1995~2004年的月径流数据进行仿真试验后,用2005年1~12月的径流数据作为预测检验,结果表明,该模型可用于混沌时间序列的月径流预测,并验证了由最大Lyapunov指数所确定的可预报时限为4个月的结论。     

基于混沌特性的风电场风速短期预测方法

为了提高风电场风速短期预测的精确性,提出了基于混沌理论的径向基神经网络预测。通过对风速时间序列关联维数及Lyapunov指数的计算,证实了风速时间序列混沌现象的存在。几种典型的求取延迟时间和嵌入维数算法的预测结果对比表明,基于自相关法-假近邻法的相空间重构RBF神经网络的预测效果比较理想。将基于混沌理论的RBF神经预测方法同传统的Volterra级数预测方法相比较的仿真结果表明,基于混沌理论的RBF神经预测方法具有模型简单、预测精度高的优点。     

基于混沌理论的城市用电量预测研究

阐述了混沌理论及其在城市用电量预测中的具体应用, 针对城市用电量时间序列的非线性特点,结合混沌理论和神经网络理论,利用重构相空间的嵌入维数确定神经网络的结构,建立了基于混沌理论的城市用电量神经网络模型.并将该模型在H市用电量预测中进行了初步应用,结果表明,该方法需要的训练数据较少,预测结果整体误差的指标较好,容易确定输入节点个数,呈现较好的综合预测性能,在城市用电量预测中有广泛的实用价值。     

一种多变量时间序列的短期负荷预测方法研究

针对短期负荷影响因素多的特点提出了电力短期负荷的多变量时间序列预测方法,并根据单变量时间序列的延时重构对由历史负荷序列及其相关因素序列所构成的多变量时间序列进行了相空间重构,采用互信息法计算了各子序列的延迟时间,各子序列的嵌入维数则运用平均一步绝对误差和最小一步绝对误差进行选取,然后通过RBF神经网络的非线性映射能力进行电力短期负荷预测.研究结果表明多变量时间序列的预测效果相对于单变量序列有较大提高.     

基于粗糙集-混沌时间序列Elman神经网络的短期用电量预测

Elman神经网络由于其具有无限逼近和适应时变特性的能力被广泛用于动态数据预测。短期的用电量存在多种不确定影响因素,为了将所有影响因素考虑其中,引入混沌时间序列的重构相空间技术。由于神经网络在非线性函数中对于峰值预测偏差较大,粗糙集理论可以对其做出修正。因此,引入混沌时间序列理论和粗糙集理论改进Elman神经网络并进行建模。模型应用嵌入维度和延迟时间重构相空间恢复原来系统的动力学形态,将处理好的数据代入Elman神经网络进行用电量预测。最后引入粗糙集修正误差较大的峰值点,提高预测精度。收集了Heriot-Watt大学某宿舍楼30天的用电量数据,以5 min为计数频率共8 640个计数点作为数据集进行预测仿真。预测结果与Elman神经网络和混沌时间序列Elman神经网络进行对比,验证了该模型在短时间预测的有效性。     

电价的混沌特性分析及其预测模型研究

在电力市场环境下,电价取决于众多因素的共同作用,它的演化过程呈十分复杂的不规则运动.为了揭示这种貌似随机的演化过程的内在规律,作者首先借助混沌理论,对电价的混沌特性进行了验证.在由电价单变量时间序列重构的相空间上,提取了吸引子的分形维数和Lyapunov指数,表明电价具有混沌特性;并且通过替代数据检验法进一步验证了电价的这种混沌行为,从而为借助混沌理论来进行电价的短期预测提供了依据.然后,采用电价及其相关因素构成的多变量时间序列重构了更为准确的相空间,通过跟踪相空间中相邻相点的演化趋势,建立起基于递归神经网络的全局和局域电价预测模型,并对New England市场的电价进行了成功的预测.     

电力市场短期边际电价的分时重构混沌相空间预测

为了实现高精度的电力市场短期边际电价预测,该文对市场边际电价时间序列数据分时段聚类进行了相空间重构,并分别计算分形维数和提取最大Lyapunov指数,经分析得出了边际电价分时序列数据的演化具有混沌特征,由此提出了短期边际电价的分时重构混沌相空间预测算法,相比目前通常采用的单一时间序列混沌预测算法,该算法具有相空间嵌入维数少和模型参数配置灵活的特点,通过电力市场短期边际电价预测实例验证,结果表明该算法比单一时序混沌预测算法在预测精度上有显著提高.     

基于相空间重构小波神经网络的短期风速预测

风速具有高度非线性和非平稳性,难以精确预测。对此,利用神经网络逼近非线性函数的能力,结合小波变换多尺度特性,使风速在一定频域尺度上表现出准平稳性,建立了风速的小波神经网络预测模型。为了解决神经网络输入的随意性,以相空间重构理论确定最佳延迟时间和最小嵌入维数,重构风速时间序列,以重构后的时间序列作为模型的输入量对网络进行训练。仿真结果表明,所提基于相空间重构小波神经网络风速预测的准确性能得到了提高。     

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。     

基于多变量相空间重构和 RBF 神经网络的光伏功率预测方法

针对光伏功率单变量预测方法的不足,设计了一种新型光伏功率多变量相空间重构预测方法。 首先,基于相关性分析, 选取实际光伏电站的历史光伏功率和气象因素时间序列组成多变量时间序列;然后,利用 C-C 法和虚假邻近点( false nearest neighbors,FNN)法重构光伏功率预测的多变量相空间,并以小数据法识别其混沌特性;最后,结合径向基函数( radial basis function,RBF)神经网络强大的非线性拟合能力,建立了基于多变量相空间重构和 RBF 神经网络的光伏功率预测模型。 算例分 析表明,相较于单变量预测方法,所提出的多变量相空间重构预测方法性能更加优越。     

太阳逐日曝辐量预测建模方法研究

建立一种太阳逐日辐射能量预测的小波过程神经网络等效模型。将神经网络与傅里叶变换以及小波多尺度分解相结合,构建了太阳逐日曝辐量的短期预测和中长期预测问题的两种实时在线预测模型,以提高预测精度。将太阳逐日辐射能量混沌时间序列进行相空间重构,其维数作为网络输入数据的傅里叶变换长度,以得到的傅里叶变换系数作为神经网络的输入,避免输入随意性导致预测结果不一定是其解空间的表达问题;通过小波多尺度分解使太阳逐日曝辐量在一定尺度上表现出准平稳性,以此确定神经网络隐层节点数,以减小试凑性造成的误差。将日照百分比、云量与太阳逐日曝辐量的时间序列同时作为输入量,对两种模型进行学习训练和预测分析。仿真结果表明,2种预测模型可在不同的时间尺度上有效地预测太阳逐日曝辐量,且能有效地实时在线递推预测太阳逐日辐射能量。