基于蚁群算法的电力负荷预测方法研究

为了提高负荷预测的精度,提出基于改进蚁群算法的电力负荷组合预测方法。该方法以回归分析、灰色模型、二次指数平滑值、龚帕兹模型、弹性系数法、逻辑斯谛模型法、二次移动平均模型为基础建立负荷组合预测模型,利用改进蚁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,基于改进蚁群算法的电力负荷组合预测方法,运算速度快,预测精度高,相对误差小,有一定的实用价值。     

小波及混沌学习神经网络在短期电力负荷预测中的应用

该文提出了采用小波和神经网络混合模型进行电力系统短期负荷预测方法。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,根据分解后的各个分量的特点构造不同的神经网络模型对各分量分别进行预测。神经网络算法采用混沌学习算法,与传统BP算法相比,该算法利用混沌轨道的游动性使系统能够跳出局域极值的束缚而寻求全局最优点,这样克服了BP学习算法所存在的本质问题,可以加快网络学习速度和提高学习精度。最后对各分量预测信号进行重构得到最终预测结果。在构建网络模型时,该文考虑了气候因素的影响,并把它作为网络的一组输入点。实验结果表明基于这一方法的负荷预测系统具有较好的精度及稳定性。     

基于优化小波BP神经网络的燃气短期负荷预测

在燃气短期负荷预测问题的研究中,燃气负荷由于受天气、人为活动等因素的影响,呈现出一种非线性特性,单个神经网络的局限性限制了其预测精度.为了有效的预测天然气短期负荷,提出了一种混沌遗传算法优化的小波BP神经网络预测模型.小波网络结合小波变换良好的时频局部特性和神经网络的自学习能力,加强了网络的函数逼近能力.利用混沌遗传算法的全局优化搜素能力对网络连接权值、阈值和伸缩平移尺度的优化求解,加快了网络的收敛的速度,建立最优的燃气负荷预测模型.将组合模型应用于上海燃气短期负荷预测,结果表明改进检测模型具有更好的非线性拟合能力和更高的预测精度.     

交通流量小波神经网络多步预测研究

针对交通流量混沌时间序列多步预测的问题,提出了一种基于混沌机理的小波神经网络(WNN)快速学习算法.通过将混沌理论和小波分析相结合,建立了交通流量时间序列WNN模型;阐述了混沌学习算法的机理,设计了交通流量WNN混沌时间序列自适应学习算法.仿真试验结果表明,该算法的多步预测性能明显优于应用BP网络和非混沌算法的小波神经网络.     

混沌时间序列的Anfis-量子网络预测

针对混沌时间序列的解析方程的不确定性,本文提出了Anfis-量子组合预测网络。此网络不依赖混沌时间序列的确定性方程和初始条件,根据给定的训练数据,先采用Anfis网络对训练数据进行处理,再与量子神经网络组合预测,从而提高预测能力和精度。最后以Mackey-Glass混沌时间序列进行实验,结果表明Anfis-量子网络具有良好的局部泛化能力,其预测精度明显高于BP神经网络和量子神经网络。     

基于层次聚类和极限学习机的母线短期负荷预测

利用传统方法预测母线负荷时,通常选取离待测日相近的一段时间作为历史相似日进行模型训练,没有考虑其天气情况、星期类型、节假日等因素的影响,相似日与待测日特征相差较大。为解决以上问题,提出一种基于层次聚类（HC）和极限学习机（ELM）的母线负荷预测算法。首先使用层次聚类法将母线历史日负荷进行聚类,然后对层次聚类得出的聚类结果建立决策树,其次根据待测日的温度、湿度、星期和节假日类型等日属性在决策树中匹配出训练极限学习机预测模型的历史日负荷,最后建立极限学习机预测模型,对待测日母线日负荷进行预测。对两条不同母线的负荷进行了预测,与传统单一的极限学习机相比,所提算法的平均绝对百分比误差（MAPE）分别降低了1.4和0.8个百分点。实验结果表明,所提算法预测母线负荷具有更高的预测精度和稳定性。     

混沌时间序列的组合网络预测研究

针对混沌时间序列的解析方程的不确定性,提出了自适应模糊递归网络组合预测网络.网络不依赖混沌时间序列的确定性方程和初始条件,根据给定的训练数据,先采用Anfis网络对训练数据进行处理,然后与Elman网络组合预测,从而提高了预测能力和精度.通过对Mackey2Glass混沌时间序列仿真实验,表明了Anfis-Elman网络增强了局部泛化能力,其预测精度明显高于BP网络和Elamn等网络.     

面向精益化安全校核的精细化母线负荷预测

为了提高电网安全校核的精益化管理水平,从基础性的母线负荷预测精细化研究入手。阐述了安全校核工作流程和精细化母线负荷预测流程。以精细化的母线分类为基础,采用差分演化模拟退火模型,克服了传统聚类模型易陷入局部收敛的缺点。以切合安全校核的简便化方法规避坏数据。通过地区负荷预测修正法为主的精细化修正,减小初次预测的粗糙度,采用一种自适应性概率权重组合预测模型,改善了预测精度不稳定的状况。实验结果表明,该流程的预测水平满足安全校核的要求。     

基于SGOA神经网络的短期负荷预测

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。针对多极值问题,首次提出了一种体现大融合思想的共享式全局寻优算法,将几种全局寻优算法有机组合,使它们共享优化信息,协同寻优,从而形成最丰富的寻优机制,达到最强的全局寻优能力。并且为了从根本上提高短期电力负荷预测中神经网络的速度和预测精度,提出了将SGOA算法和BP算法相结合的短期负荷预测方法,用SGOA算法来训练网络参数,直到误差趋于一稳定值,然后用优化的权值进行BP算法。在构建网络模型时,同时也考虑到了气候、温度等因素的影响,对它们进行模糊化处理后作为网络的输入。仿真结果表明基于这一方法的负荷预测系统具有较高的精度和实时性。     

一种小波神经网络的电力短期负荷模型研究

为了提高电力短时负荷预测精度，提出一种基于小波神经网络的短期负荷预测模型。通过小波分析进行负荷序列分解，获得不同频率负荷分量规律；由粒子群算法进行粒子群适应度排序，提升算法收敛速度和收敛能力；为避免算法陷入局部收敛性，引入混沌理论来增强全局搜索能力。将改进的PSO-WNN短期负荷预测模型应用于实例验证中表明：PSO-WNN模型相较于传统WNN模型和PSO模型对电力短时负荷的预测精度分别提高了3.16%和2.12%,预测效率提高了近一倍，算法能有效满足电力调度短时负荷预测的需求。     

ACOA-RBF网络模型在短期负荷预测中的应用

为了进一步提高RBF神经网络的性能,实现准确、快速预测短期电力负荷的目的,将蚁群优化算法（ACOA）作为RBF神经网络的学习算法,建立了一种新的蚁群优化算法的RBF（ACOA-RBF）网络预测模型,利用山西某地区电网的历史数据进行短期负荷预测。仿真表明,这一算法与传统的RBF神经网络预测方法相比,能达到更好的预测效果。该优化算法改善了径向基神经网络的泛化能力,提高了山西电网短期负荷预测的精度,可有效用于电力系统的短期负荷预测。     

基于粒子群优化神经网络的“煤改电”地区短期负荷预测研究

为提高“煤改电”地区短期负荷预测水平,本文基于北京市大兴区“煤改电”工程,探索利用神经网络算法对“煤改电”地区短期负荷进行预测。本文首先研究了“煤改电”地区负荷的年周期、周周期以及日周期负荷特性,并对负荷预测进行分类,分析得出了负荷预测的主要影响因素,明确了负荷预测的步骤及误差分析方法。其次,本文研究了BP神经网络的构成和运算过程,分析了历史数据处理方法,建立了基于BP神经网络的“煤改电”地区短期负荷预测模型,并对短期负荷预测模型进行检验。最后,为进一步提高预测效果,本文研究利用粒子群算法和列文伯格-马夸尔特算法对神经网络进行优化改进,建立了基于粒子群算法优化的BP神经网络负荷预测模型,满足了预测目标精度要求。     

基于进化神经网络的短期电网负荷预测算法

本文提出了一种基于进化神经网络的短期电网负荷预测算法。该算法使用了改进的人工蜂群算法与BP神经网络融合生成的进化神经网络,并且使用改进的人工蜂群算法对进化神经网络的偏置和权重进行优化。该算法将火电历史负荷数据作为输入,使用进化神经网络训练预测模型,预测未来一段时间内的电网负荷。首先获取历史负荷数据,然后将收集到的数据应用于进化神经网络模型训练。人工蜂群算法作为一种全局搜索算法,可以有效地探索模型参数空间,寻找最佳的模型参数组合以提升预测精度。为了验证所提出的负荷预测方法的有效性,本文使用了火电网负荷数据进行测试。实验结果表明,在短期电网负荷预测方面,本文提出的进化神经网络比传统方法预测结果更加准确可靠。     

基于GRA-LSSVM密度法的配电网空间负荷预测方法研究

为提高配电网的规划水平,实现配电网的合理规划与改造,以有效提高供电质量和效益。针对配电网空间负荷预测,设计了一种新型的电网负荷密度预测算法,在算法中将支持向量机引入到基于灰色关联度分析的负荷预测模型。通过灰色关联度分析法筛选出更符合要求的样本并进行训练,同时,引入了混沌粒子群算法(PSO)对此模型进行优化,以提高算法的精度。通过实际数据对这种算法的性能进行实例分析,依据分析结果表明,提出的算法与其他方法相比对配电网空间负荷预测的精度有显著差异,本文方法可以有效的提高配电网负荷密度预测的精度。     

基于XGBOOST-DNN的中期电力负荷预测

精准的负荷预测是电力工作者重要的工作之一,而负荷预测以预测周期的不同,一般可以划分为短期电力负荷预测与中长期电力负荷预测.其中中长期电力负荷预测相较短期电力负荷预测而言,该领域缺乏大量前沿工作者的探索.因此本文提出一种可应用于中期电力负荷预测领域且基于XGBoost-DNN的算法.该算法将树模型和深度神经网络相结合,并将短期电力负荷预测引入到了中期电力负荷预测的工作中,基于树模型自身特点,将数据特征加工成高阶的交叉特征,同时结合原有数据利用深度神经网络可学习到丰富的特征信息.这里是以2017全球能源预测竞赛的数据进行算法分析,其中实验表明,在中期电力负荷预测领域,该方法提出的XGBoost-DNN模型相较于DNN,LSTM而言,其具备更加精准的准确性.     

电网供电系统短期电力负荷预测优化仿真

对电网供电系统短期电力负荷预测模型进行优化,能提升预测结果的准确性和鲁棒性.虽然现有预测模型可以满足预测速度的要求,但预测结果的精确性和稳定性却无法保证.为了得到更加准确和稳定的预测结果,提出了细菌觅食算法优化极限学习机预测模型.首先在电力负荷样本数据中形成训练样本和预测样本集,利用细菌觅食优化算法对极限学习机预测模型中的不确定参数进行优化,然后利用改进后的模型进行电力负荷预测.新模型的优化仿真结果显示,利用细菌觅食算法优化极限学习机预测模型的预测精度和稳定性均优于传统预测模型的预测结果,该算法具有很好地实用性.     

基于交变粒子群BP网络的电力系统短期负荷预测

短期负荷预测是电力系统正常运行的关键环节,合理的发电计划依靠准确的负荷预测,因此提出交变粒子群算法来优化BP网络模型以预测电力短期负荷。针对 依靠先前的经验 来确定BP神经网络的权值缺少理论依据的问题,采用交变粒子算法优化BP神经网络权值,以减少通过神经网络预测模型求解电力短期负荷预测带来的误差。实验证明,经过优化的BP神经网络预测模型比传统的BP神经网络预测模型的误差更小,更加接近实际电力负荷。     

城市燃气短期负荷预测的神经网络等维新息模型

应用人工神经网络理论和灰色预测理论中的等维息建模思想,建立了既反映其时间序列的周期性增长趋势,又包括天气、气温等非线性影响因素在内的短期负荷预测的BP神经网络等维新息模型。通过改进BP神经网络,对哈尔滨市燃气管网系统的小时燃气用量进行了预测,所建立的东仅有较高的收敛速度和精度,同时也具有较强的适应性和灵活性,可应用于工程实践。     

基于VMD与MOGOA-LSTM的短期负荷预测模型

为了提高短期负荷预测的准确度,降低非平稳信号对模型预测造成的影响,提出一种集数据挖掘和多目标优化网络于一体的短期负荷预测模型。该方法将电力负荷数据通过变分模态分解技术分解成若干个不同频率的模态分量,采用相间重构方法动态确定人工神经网络的训练测试比和神经元设置,采用长短期记忆神经网络对各分量进行模型搭建,并在长短期记忆神经网络的基础上加入多目标蝗虫智能优化算法来优化网络内部参数,累加所有分量模型预测的值,实现短期负荷预测。仿真结果表明,与统计学方和混合模型相比,本文提出的模型在短期预测方面的预测精度较高、泛化能力更强。