模糊聚类在电力负荷预测中的应用

根据电力市场负荷信息,结合相关历史数据与资料,分析电力市场的负荷走势,应用Matlab神经网络工具箱的信息处理技术,预测未来各月的负荷,为决策人员提供及时、科学的决策信息.应用相应的隶属度来描述负荷与影响负荷因素之间的关系.对安徽某地区的月负荷数据进行了具体计算,结果表明该方法的可行性和有效性.     

基于聚类时间序列法的电力负荷预测

本文在传统时间序列法的基础上,提出了一种利用聚类方法进行分析的负荷预测方法,利用该方法对某市的电能负荷进行预测,得到了较精确的结果,表明该方法能为电力负荷的预测提供有效的参考。     

长期电力负荷预测的模糊数学方法

采用模糊数学和优化理论建立起一套预测模型，由计算机自动预测出电力负荷，从而保证了预测结果的正确性和可信度。通过深圳市远景年电量预测的实例表明，该方法是可行有效的。     

中长期电力负荷的模糊回归预测

针对中长期电力负荷预测中观测数据及负荷变化规律的模糊性，提出了一种新的负荷预测方法－模糊回归预测。该方法通过建立具有模糊回归参数的回归模型，可以直接由模糊观测数据预测出未来负荷值。文中通过实际算例验证了所提方法的可行性。     

二级模糊因素的负荷预测线性回归法

基于经典的线性预测回归模型，引入了模糊因素对预测结果的影响，构成了二级模糊因素的多元线性回归法。最后对两种方法作出了比较，说明本文所述方法是比较理想的。     

基于遗传算法的电力负荷预测

电力负荷预测在现代电力工业发展中占有很重要的地位,为了更准确的预测电力负荷,本文提出了一种新的基于遗传算法的电力负荷预测方法,简要的介绍了算法设计思路,并给出了相关的实验结果及其分析,最后通过实验说明了该算法的有效性。     

基于RNN-RBM模型的配网馈线长期负荷预测方法

本文提出了一种基于循环神经网络(recurrent neural network,RNN)和受限玻尔兹曼机(restricted boltzmann machine,RBM)混合模型的配网馈线长期负荷预测方法.所提方法首先提炼混合模式(自上而下和自下而上)下的馈线负荷特征,然后利用RN N网络处理具有时序特点的配网馈线...     

基于马尔科夫链的短期电力负荷预测

电力负荷预测是城市电网规划的基础工作之一,是保证电力系统可靠运行的前提,而保证其正确实现的关键是数学模型的建立。本文提出一种马尔科夫链和模糊聚类相结合的预测方法,对样本所属状态采用模糊划分,使得分类更加符合实际情况;利用马尔科夫链对研究对象做状态分析,根据状态转移进行预测。应用该模型对青海省某地区的短期电力负荷进行预测,并与实际用电负荷进行对比。仿真结果表明:对于各种扰动因素,预测误差范围可控制在5%以内,结果验证了马尔科夫模型对电力负荷短期预测具有较高的精度。     

基于预测控制模型的一种状态空间实现

以受控自回归滑动平均模型和受控自回归积分滑动平均模型为研究对象，根据估计理论，利用参数递推方法，构造了广义预测控制的一种状态空间实现，从而避免了解Diophantine方程，大大地减少了预估算法的计算量，为控制系统的性能分析提供了便利条件，文末，对状态空间实现的可控与可观性加以了证明。     

减聚类在电力系统中长期负荷预测中的应用

分析了电力系统中长期负荷特性以及RBF神经网络的非线性功能,引入一种减聚类算法来选取网络隐层节点中心,并将该方法在Matlab下进行了仿真。将预测结果与实际负荷值、灰色理论模型得到的结果进行对比分析,结果表明采用减聚类算法的RBF神经网络模型在隐层节点选择上更加精确,用其建立的模型具有较好的预测精度,具有一定的实用价值。     

基于改进径向基函数网络的电力系统短期负荷预测

电力系统短期负荷预测是电力生产部门的重要工作之一,本文利用径向基函数网络（RBF）进行负荷预测,针对RBF在负荷预测中隐含层节点数难求问题,提出了一种改进的最近邻聚类学习算法即可解决该难点,又可提高RBF神经网络收敛速度和负荷预测精度．根据某地区电网的实例进行研究,结果发现本文算法比改进前的算法预测的最小、最大相对误差分别减小0．14和1．12,证明了改进后算法有效性和可行性,为电力系统负荷预测提供了一种新途径．     

基于ARIMA的电力视频流量分析和预测

针对电力视频业务的流量特性,提出一种基于差分自回归移动平均(ARIMA)模型的电力视频业务流量分析和预测方法.首先利用差分法对视频流量数据进行平稳化处理,然后依据数据序列的自相关函数和偏自相关函数确定模型参数,从而建立能够有效预测电力视频业务流量的分析模型.仿真实验表明,该方法充分考虑了电力视频业务流量的自相似性、周期性、突发性及趋势性等特点,有效提高了流量预测拟合的精度.     

基于负荷预测的电力市场寡头竞争分析

将负荷预测的思想引入到电力市场的竞争分析中,研究了完全信息下的cournot模型中负荷预测对电力市场竞争的影响.首先建立了竞争模型结构,然后获得没有预测情况下的市场均衡电价,应用博弈论获得负荷预测增量对cournot模型下市场力的影响.最后通过数据仿真获得负荷预测增量与市场均衡电价和发电商收益之间的关系.分析表明：负荷预测精度影响发电商收益、市场均衡电价和市场力.预测误差率在33%以内,预测是有用的.所以提高收益的关键是提高负荷预测精度.     

基于改进粒子群算法的电力系统负荷预测

为了提高电力系统负荷预测的精度,并考虑到电力系统负荷的混沌特性,提出了将蜜蜂进化型粒子群算法和混沌神经网络相结合的负荷预测方法.构建了混沌神经网络模型,提出了蜜蜂进化型PSO算法(Bee Evolution Modifying Particle Swarm Optimization, BEMPSO);以此来训练混沌神经网络参数,并且分别对基本粒子群优化算法和BEMPSO优化算法的模型进行仿真预测.结果表明提出的BEMPSO混沌神经网络负荷预测方法具有较强的泛化能力和较高的精度.     

基于马尔可夫链和模糊聚类的电力系统短期负荷预测

提出一种马尔可夫链和模糊聚类相结合的预测方法,针对时间序列中出现的各种随机现象,分别建立数学模型.对样本所属状态采用模糊划分,使分类更符合实际情况;利用马尔可夫链对研究对象做状态分析,根据状态转移进行预测.该方法在电力系统负荷预测中使用,提高了算法的全局最优性能.在时间序列呈现较强的随机性时,本算法具有明显的优越性.仿真结果表明,对于各种扰动因素,预测误差可控制在3.5%以内.     

电力负荷的混沌预测方法

借助混沌分析理论介绍了电力负荷时间序列的混沌性识别技术,给出了一种基于混沌负荷序列的预测方法--基于相空间轨迹演化模式的预报模型,该方法具有预测精度高、计算速度快的优点,在短期负荷预测中可获得相当满意的结果.     

电力短期负荷的混沌局域关联性预测

在混沌局域预测中,相空间最近邻域点的确定通常采用欧氏距离法,其预测精度在很大程度上取决于所确定的最近邻域点性态,然而距离最近并不一定意味着预测效果最好,当该邻域存在伪近邻点或系统具有高嵌入维数时某些邻域点的演化轨迹在一步或多步后会远离预测点,究其原因是欧氏距离难以反映最邻近点与预测状态的关联程度.因此,作者提出了将欧氏距离和关联度相结合的思想,并将该方法应用于电力短期负荷预测,结果显示该方法能有效地提高预测精度.     

灰色系统非线性回归电力负荷预测

传统灰色预测模型GM(1,1)在预测增长较快的电力负荷时预测效果会变差。针对这一缺陷,提出了一种改进的基于灰色系统的非线性回归预测模型。将非线性回归与GM(1,1)模型二者的优点相结合,利用GM(1,1)模型计算参数初始值,进而对其进行非线性回归分析预测电力负荷值。电力负荷预测实例表明该模型具有较高的预测精度和较广的应用范围。     

基于聚类分析的短期负荷智能预测方法研究

短期电力负荷预测作为电网企业的基本工作,其精度的提高对于电网企业运营管理和调度管理具有较大的意义,然而由于电力负荷受到诸多非线性因素的影响,因此得到高精度的电力负荷预测结果是比较困难的.本文首先利用数据挖掘中的k-means聚类技术对训练集的气象数据进行聚类分析,分析提取相似日,在提取相似日的相关历史数据后,建立支持向量机模型进行短期电力负荷预测.经算例结果证明,由该方法得出的预测结果平均相对误差为0.88%,和同结构支持向量机预测的平均相对误差(1.66%)以及ARMA预测的平均相对误差(3.81%)相比,预测精度得到明显的提高,证明了该方法的有效性.     

多变量相空间重构的多核最小二乘支持向量机电力负荷预测优化策略

针对短期电力负荷在线预测问题,结合多变量相空间重构以及多核函数LS-SVM(least squares support vector machine),提出一种基于滑动窗口策略与改进人工鱼群算法(artificial fish swarm algorithm)的短期电力负荷在线预测综合优化方法。首先利用多变量相空间重构还原真实电力系统动力学特性;然后将核函数进行排列组合,从而将组合核函数的构造问题转换为权值系数的优化问题。进一步将延迟时间、嵌入维数、LS-SVM参数以及核函数权值作为整体参数向量,利用混沌自适应人工鱼群算法对训练数据预测精度的适应度函数进行优化,从而得到最优的预测模型参数。最后通过滑动时窗策略将得到的预测模型对短期电力负荷进行在线预测,结果证明了提出方法的有效性。