基于改进主元分析法的电力短期负荷预测方法及应用的研究

由各时点负荷分量组成的负荷时间序列中,各数据点间具有一定的相关性和差异性,在进行短期负荷预测时模型一般无法兼顾数据的共性和差异性.作者采用一种改进的主成分分析法,在不损失负荷原始数据主要信息的前提下提取负荷数据的主成分,有效地减少了预测模型的输入量.同时,针对电力系统短期负荷受温度影响较大的特点,将温度因素引入BP神经网络进行短期负荷预测,实例分析验证了该方法的有效性.     

基于蚁群优化算法的短期负荷预测研究

为了克服BP算法收敛速度慢和易于陷入局部最小的不足,作者提出将蚁群优化算法用于短期负荷预测的递归神经网络模型学习算法,对实际负荷系统日、周预测的仿真测试表明,该模型能有效地提高短期负荷预测的精度,对工作日和休息日都具有良好的稳定性和适应能力,其预测性能明显优于基于BP算法的递归神经网络(BP-RNN)和基于遗传算法的递归神经网络(GA-RNN).     

基于小波变换及最小二乘支持向量机的短期电力负荷预测

提出了采用小波变换和最小二乘支持向量机混合模型进行电力系统短期负荷预测的方法。首先基于小波多分辨率分析方法将负荷序列分解成具有不同频率特征的序列：然后根据分解后各分量的特点构造不同的支持向量机模型对各分量分别进行预测：最后对各分量预测信号进行重构得到最终预测结果。在构建支持向量机模型时考虑了气候因素的影响，并将其作为模型的一组输入点。实验结果表明基于该方法的负荷预测系统具有较高的预测精度。     

基于模糊聚类分析与改进BP算法的电力系统短期负荷预测

提出了一种基于模糊聚类分析和BP网络的短期负荷预测方法.考虑了温度、相对湿度以及日类型等影响负荷的因素,通过模糊聚类分析将负荷历史数据分成若干类,找出同预测日相符的预测类别,然后建立相应的BP网络模型,用附加动量和变学习速率的方法预测每小时的负荷.对于西安地区实际负荷的预测结果的分析表明该方法有较高的预测精度,取得了令人满意的结果.     

基于竞争分类的神经网络短期电力负荷预测

根据电力负荷的特点,在考虑天气、日类型、实际历史负荷等因素对预测负荷影响的基础上,提出了一种基于竞争分类的神经网络短期负荷预测方法.应用神经网络的竞争学习对相关数据进行分类,将历史数据分成若干类别从而找出与预测日同类型的预测类别.利用相应的BP算法对未来24小时负荷进行短期预测,该方法充分发挥了神经网络处理非线性问题的能力.结果表明,该方法取得了较满意的预测精度.     

自适应卡尔曼滤波在电力系统短期负荷预测中的应用

将卡尔曼滤波原理运用于电力系统负荷预测通常是针对线性定常系统,并在定常噪声协方差的前提下进行,模型的灵敏度差和预报精度不高.作者考虑了电力系统负荷自身的变化特点,根据不同日期同一时刻的负荷历史数据建立了含有时变系数的负荷系统模型、观测模型和系统参数模型,采用两段自适应卡尔曼滤波方法,同时考虑噪声协方差对预测精度的影响,运用时变噪声统计估值器对噪声协方差进行自适应估计,用预测方程预测次日的负荷.结合实际电网数据进行的预测计算取得了较好的结果.     

电力负荷短期预测

文章从调度运行和需求侧管理出发,分析电力负荷的构成特点和负荷值变化的原因;将负荷突变值和平稳值采用平均值的方法求出接近的真实值,建立负荷短期预测模型,再输入历史负荷(常规)数据、天气状况的历史数据和特别事件预测数据,得到负荷短期预测值。     

基于CNN-BiLSTM的短期电力负荷预测

短期电力负荷预测能准确评估地区整体电力负荷变化情况,为电力系统运行决策提供准确参考。电力负荷参数受多维因素影响,为充分挖掘电力负荷数据中的时序特征,提升电力负荷预测精度,该文提出一种基于特征筛选的卷积神经网络—双向长短期记忆网络组合模型的短期电力负荷预测方法。以真实电力负荷数据作为数据集,通过对多维输入参数的优化筛选,选取高相关性特征向量作为输入,构建预测模型。通过与添加注意力机制的组合模型对比验证了输入参数优化分析的可行性和优越性。最后利用实际算例将该方法与利用自动化模型构建工具构建的梯度增强基线模型及常用预测模型相比,该方法构建的组合模型可以提升多维电力负荷数据的短期预测精度。     

基于模糊多目标遗传优化算法的节假日电力负荷预测

多目标遗传优化算法的一个优点就是可在一次迭代计算中寻找到问题的多个非劣最优解。该文应用多目标遗传算法和关联规则算法提出一个基于模糊规则的电力负荷模式分类系统。在此分类系统中采用多目标遗传优化算法从众多模糊分类规则中自动挑选出具有较好识别性能和可解释性的模糊规则，并利用模糊关联规则挖掘通过启发式规则选择改善遗传算法的搜索性能。经仿真试验表明此分类系统具有较好的分类性能，可为节假日负荷预测提供更为充分的历史数据，从而改善其负荷预测性能。     

基于模糊推理和多目标规划的空间负荷预测

在传统空间负荷预测基础上加以改进,重点考虑了以下问题：(1)运用模糊推理计算小区对各用地类型适应性的评分,使用地决策更加符合城市发展形势;(2)给出城市小区改造判据,弥补了传统空间负荷只能处理城市平稳发展的缺陷;(3)引入多目标线性规划,计及建设与改造投资,使土地的分配更具经济性,从而使配网规划更加经济合理。作给出的空间负荷预测模型已用Visio C 6.0编程实现,用其对具体算例的分析结果令人满意。     

基于电力细分市场的负荷分解预测方法

分析了我国五大用电细分市场,对不同行业的用电负荷与其影响因素建立了有针对性的联系,对其分别建模进行综合预测.在预测不同行业负荷时,利用小波分析的方法将其分解为与气象因素无关的稳定项和与气象因素相关的随机项,由于稳定项预测精度高,随机项较难预测但幅值较小,因此削弱了随机因素带来的预测误差对最终结果的影响.用湖南省负荷数据对该方法进行了实测,证明了其优越性.     

基于负荷趋势的新型超短期负荷预测法

结合浙江电力发电市场超短期负荷预测的需求,在充分分析电网负荷特性的基础上,提出了基于负荷趋势的新型超短期负荷预测法.该方法简单实用,并将负荷伪数据的判别和加工修改融合在预测过程中.算例分析表明,该方法预测结果误差分析指标优于浙江发电市场中现行的各种超短期预测方法,是一种工程实用性较强的方法.     

基于改进决策树算法的日特征负荷预测研究

针对决策树ID3算法的缺陷,提出了属性-值对的两次信息增益优化算法,该算法是ID3的改进算法,它能克服ID3算法在选取属性进行扩展时易偏向属性值多的属性及ID3算法属性间相关性考虑较少的缺点;通过对熵阈值的设定,采用预剪枝技术,又能部分克服ID3算法对噪音敏感的不足.该算法可用以生成日特征负荷决策树预测模型.该模型结合预测日的气象、星期等信息,可进行日特征负荷的预测.采用等深直方图分析思想,可对负荷变化率数据离散化,将层次聚类和信息熵相结合,对气象数据离散化.数据预处理后,通过属性-值对的2次信息增益优化算法生成负荷预测决策树模型,在给出预测日气象及星期信息后可对特征负荷进行预测,预测结果能够满足并超过负荷预测实用化标准的要求并具有较高的预测精度.如果将日24点或96点负荷及相应影响因素数据均用该算法进行模型训练,形成24个或96个预测模型,则可进行日24点或96点负荷预测.     

基于神经网络的负荷组合预测模型研究

给出了电力系统负荷的变权系数组合预测模型,即基于神经网络的组合预测模型。该模型利用多种方法的预测结果与实际负荷数据的非线性关系,建立相应的神经网络模型。该网络为单输出的三层网络,其中输入层为各种预测方法的预测值,输出层为实际负荷值。文中用变动量因子和变学习率的BP算法对其训练,训练后的网络便具有预测能力。同时,文中对基于遗传算法的固定权系数组合预测模型进行了简要的介绍。对几个实际系统的年、月、时负荷预测表明,该模型具有很高的预测精度。     

基于最大信息熵原理的短期负荷预测综合模型

引入了信息理论来研究和处理负荷变化的不确定性，提出了基于最大信息熵原理的短期负荷预测综合模型，该模型将各种单一预测模型的预测结果以及历史预测误差分布作为约束信息，利用最大熵原理得到预测结果的分布。文中阐述了新模型的应用背景、思路和理论，给出了具体的实现方案和算法，并在实际电网中得到了应用。针对实际电网的算例研究表明，对于随机性较大的电网负荷，传统综合预测模型存在明显的过拟合现象，而新模型则有效地提高了预测精度。     

逐级均值聚类算法的RBFN模型在负荷预测中的应用

该文针对传统K均值聚类算法的不足,提出了一种新的聚类算法--逐级均值聚类算法,解决了传统聚类算法解的局部最优性问题和如何确定聚类数目的问题.在应用该算法确定RBF模型隐含层的中心向量时,同时确定了隐含层的节点数和RBF网络模型的结构.对于网络参数的确定,文中也提出了一种新的交互式的学习方案,将学习样本分为训练样本和测试样本,分别对网络进行权值确定和半径调节,得到了非常稳定的网络结构.运用文中所述模型及算法与传统的RBFN进行负荷预测比较,结果表明前者网络更稳定,预测精度更高.     

基于最大负荷预测的地区电网静态安全分析

从面向规划的角度出发,提出了一种基于最大负荷预测的地区电网静态安全分析方法,对面向规划的静态安全分析的特点、最大负荷预测模型的建立及使用和静态安全分析的方法等进行了研究与探讨,改进了年最大负荷的取值方法,并结合大量的负荷采样数据,生成了负荷特性曲线库,明确了在此基础上的软件实现方法、结构流程和功能.所开发的软件应用表明,该方法便于发现电力系统的预期网架结构在未来预测负荷水平下的安全隐患,并能辅助使用人员作出合理规划.     

一科基于模糊规则和神经网络的负荷预测方法

考虑到每个小时发电成本各异，因此本文在训练用于负荷预测神经网络时采用了带动态的模糊化加权因子的加权完全平方法的训练方法，与传统的用于负荷预测的神经网络的训练相比，本文提出的方法更加符合实际而且经济效益更好，同时文中分别采用完全平方法（ＮＮＬＳ），固定加权因子的加权完全平方法（ＮＮＷＬＳ）和带动态的模糊化加权因子的加权完全平方法（ＮＮＦＷＬＳ）进行网络训练并进行比较，仿真结果显示在整个预测周期中采用