基于混沌分析的BP神经网络模型及其在负荷预测中的应用

结合混沌分析理论和BP神经网络，提出在混沌相空间建立BP神经网络模型。运用混沌方法构成训练样本及确定神经网络的网络结构，用神经网络拟合相空间相点演化的非线性关系。并利用该模型对具混沌特性的电力系统日负荷时间序列进行短期预测，对比了标准BP网络模型和混沌线性回归模型的预测结果，结果表明基于混沌分析的BP神经网络模型的预测精度较高。     

基于粒子群BP神经网络的短期电力负荷预测

电力负荷预测通常采用神经网络方法,该方法训练时间较长,并且由于负荷受到气象因素影响,该算法预测的精度不是很高.为了克服当前存在的问题,采用粒子群算法优化BP神经网络的权值和阈值,归一化处理气象因素,利用神经网络预测短期电力负荷.实验结果表明,该方法比单纯BP神经网络预测具有明显优势.     

改进遗传神经网络及其在负荷预测中的应用

针对遗传算法早熟的缺陷,提出了改进的交叉,变异策略,采用移民算子等方法改善遗传算法的性能,并把此方法应用到神经网络的训练中,对电力系统短期负荷进行预测取得了较为理想的效果。     

基于粒子群-BP神经网络算法的电价预测

为了解决现有电价预测中BP神经网络法对初始权值敏感、易陷入局部最小值和收敛速度慢等问题,在神经网络训练中引入基于全局随机优化思想的粒子群优化(PSO)算法,先利用PSO优化BP神经网络的初始权值,然后采用神经网络完成给定精度的学习,建立了粒子群-BP神经网络模型.与传统BP神经网络、粒子群广义神经网络相比,该方法收敛速度快、所需历史数据少、预报精度高,可用于电力系统的短期电价预测.     

粒子群优化BP算法在电力系统短期负荷预测中的应用

为提高电力系统短期负荷预测的精度，引入一种新型的群智能方法——粒子群优化算法，并将这种智能算法与BP算法相结合，形成了粒子群优化BP算法模型，建立了计及气象因素的短期负荷预测模型．通过具体算例将此模型与单纯的BP模型进行比较，结果表明：该算法具有较高的预测精度，完全能满足实际工程的要求．     

粒子群优化BP算法在短期负荷预测中的应用

电力系统短期负荷预测是电力系统调度运营和用电服务部门的重要日常工作之一,其预测精度直接影响到电力系统运行的安全性、经济性和供电质量。为提高预测精度,本文引入一种新型的群智能方法--粒子群优化算法,并将这种智能算法与BP算法相结合,形成了粒子群优化BP算法模型,建立了计及气象因素的短期负荷预测模型。通过具体算例将此模型与单纯的BP模型进行比较,结果表明:该算法具有较高的预测精度,完全能满足实际工程的要求。     

粒子群优化BP算法在电力系统短期负荷预测中的应用

为提高电力系统短期负荷预测的精度,引入一种新型的群智能方法——粒子群优化算法,并将这种智能算法与BP算法相结合,形成了粒子群优化BP算法模型,建立了计及气象因素的短期负荷预测模型.通过具体算例将此模型与单纯的BP模型进行比较,结果表明:该算法具有较高的预测精度,完全能满足实际工程的要求.     

基于神经网络最优组合预测在电力负荷预测中的应用

为提高负荷预测的准确性,引入了最优组合预测模型,使几个电力负荷预测模型有机地结合起来.针对最优组合预测模型权重分配时出现的负权重问题,建立了基于神经网络的最优组合预测模型,通过实例论证,该模型具有较高的预测精度.     

混合粒子群径向基神经网络的短期负荷预测的应用

电力短期负荷预测的结果对电力系统的经济效益具有重要影响.为了克服基本粒子群(Particle Swarm Optimization,PSO)算法收敛精度不高、易陷入局部最优的缺点,提出一种将自然选择和变异结合的混合粒子群(Hybrid Particle Swarm Optimization,HPSO)算法,可以保持种群的多样性,有效地避免粒子早熟,并利用混合粒子群算法优化径向基神经网络的权值,最后将优化好的径向基神经网络进行广西某市的短期电力负荷预测.计算结果表明,该算法收敛速度快,并达到了提高预测精度和改善网络性能的要求.     

基于PSO-Elman神经网络的电力系统短期负荷预测模型研究

提出了基于粒子群优化算法—Elman神经网络的电力系统短期负荷预测模型,采用具有动态递归性能的Elman神经网络,可增强负荷预测模型的联想和泛化推理能力,保证负荷预测的精度。采用粒子群优化算法对Elman神经网络进行学习训练,可充分利用粒子群优化算法的全局寻优性能,克服常规学习算法易于陷入局部最优解、收敛速度慢、编程复杂等缺陷。通过对地区电网负荷系统的实例仿真证实了所提出方法的有效性,获得了较满意的预测精度,平均绝对误差和最大相对误差分别达到1.988%和4.673%。为该模型用于实际工程取得了有效的进展。     

负荷干扰性能评估及其对电价的影响分析

电网中干扰性负荷带来的电能质量问题给电网造成的影响日益严重,评估负荷干扰性能及其对电价的影响尤为重要。根据dq0坐标系下的广义瞬时无功功率理论,将负荷电流分解为瞬时有功电流、瞬时基波无功电流和瞬时畸变电流,基于此定义了反映负荷阻性特性的无功干扰因子和反映负荷线性程度的畸变干扰因子,根据这两个因子提出了基于分摊补偿设备成本的负荷干扰性能对电价的影响评估方法。通过算例说明了该方法的可行性和干扰性负荷对电价影响的程度。     

Electricity price forecasting using generalized regression neural network based on principal components analysis

A combined model based on principal components analysis (PCA) and generalized regression neural network (GRNN) was adopted to forecast electricity price in day-ahead electricity market. PCA was applied to mine the main influence on day-ahead price, avoiding the strong correlation between the input factors that might influence electricity price, such as the load of the forecasting hour, other history loads and prices, weather and temperature; then GRNN was employed to forecast electricity price according to the main information extracted by PCA. To prove the efficiency of the combined model, a case from PJM (Pennsylvania-New Jersey-Maryland) day-ahead electricity market was evaluated. Compared to back-propagation (BP) neural network and standard GRNN, the combined method reduces the mean absolute percentage error about 3%.     

电力期货价格的协整建模与预测

在电力市场环境下,电力期货价格受现货价格、利率和负荷需求等多种因素影响,变化趋势复杂,很难将所有的因素都加以考虑来建立一个准确的模型对其进行全面描述．因此,选取最重要的影响因素：电力现货价格,利用协整理论来研究电力期货价格和现货价格之间的动态关系,并建立向量误差修正模型（VECM）,对电力期货价格进行有效的预测．     

Bootstrap方法在基于ARMA-GARCH模型的电力市场价格区间预测中的应用

当今开放式电力市场是一个基于竞价拍卖形式的市场,市场清算价格（market clearing price-MCP）主要受变化的供需平衡、市场参与者的竞价策略以及电力企业已经签订的双边买卖合同等因素影响,现有的价格预测技术只集中在如何提高价格预测准确度上,而忽视了对预测本身不确定性的度量;其中ARMA-GARCH价格预测模型的前提是假设预测误差符合正态分布,而实际电力市场价格非线性波动使得正态分布的假设完全不成立．针对这一现象,将不依赖任何分布假设的Bootstrap技术应用于基于ARMA—GARCH模型的电力市场清算价格区间预测,并对澳大利亚电力市场的真实数据进行分析评测,精度高,可靠性好．     

Support vector machine forecasting method improved by chaotic particle swarm optimization and its application

By adopting the chaotic searching to improve the global searching performance of the particle swarm optimization (PSO), and using the improved PSO to optimize the key parameters of the support vector machine (SVM) forecasting model, an improved SVM model named CPSO-SVM model was proposed. The new model was applied to predicting the short term load, and the improved effect of the new model was proved. The simulation results of the South China Power Market’s actual data show that the new method can effectively improve the forecast accuracy by 2.23% and 3.87%, respectively, compared with the PSO-SVM and SVM methods. Compared with that of the PSO-SVM and SVM methods, the time cost of the new model is only increased by 3.15 and 4.61 s, respectively, which indicates that the CPSO-SVM model gains significant improved effects. Foundation item: Project(70572090) supported by the National Natural Science Foundation of China     

SVR-Boosting ensemble model for electricity price forecasting in electric power market

A revised support vector regression (SVR) ensemble model based on boosting algorithm (SVR-Boosting) is presented in this paper for electricity price forecasting in electric power market. In the light of characteristics of electricity price sequence, a new triangular-shaped 为oss function is constructed in the training of the forecasting model to inhibit the learning from abnormal data in electricity price sequence. The results from actual data indicate that, compared with the single support vector regression model, the proposed SVR-Boosting ensemble model is able to enhance the stability of the model output remarkably, acquire higher predicting accuracy, and possess comparatively satisfactory generalization capability.     

应用量价指数进行发电商报价分析

为了分析和监控电力市场中发电商的报价行为，提出了基于报价数据的量价指数(CPI)方法.该方法结合系统平均发电成本和容量价格对，定义CPI为段容量标么值的加权和.基于国内某省电力市场的实际报价数据，分析了机组的时段、日和月的报价行为，并比较了市场中所有竞价机组和系统平均量价指数值的大小.考虑机组典型的报价数据，给出了正常报价时量价指数的阈值.分析结果表明: CPI方法能够灵敏地反映发电商异常高报价、有效地发现发电商的经济持留行为，还可以准确反映发电商短期报价行为和长期报价策略的变化.     

改进粒子群算法在中长期电力负荷组合预测模型中的应用

为提高电力负荷预测的精度,提出了基于改进粒子群算法的电力负荷组合预测模型求解方法.该方法以回归分析、比例系数、灰色模型为基础建立负荷组合预测模型,利用改进粒子群算法优化组合预测模型的权值,并与单个预测模型进行比较.预测结果表明,基于改进粒子群算法的电力负荷组合预测模型运算速度快,预测精度高,相对误差小.     

合肥地区短期负荷预测及误差分析

电力系统规划和运行调度都应以对未来电力负荷的预测为依据.电力的生产和消费是同时进行的,任意时刻都必须保持二者之间的平衡.负荷预测偏低会引起电力供应紧张,电能频率下降,供电可靠性下降;负荷预测过高将会导致发电过剩,系统频率上升,并造成发输电设备不能充分利用,影响系统的经济性能.因此,电力系统负荷预测是电力系统规划和运行调度的重要组成部分.