基于小波分析的电力系统短期负荷预测方法

在分析电力负荷频谱特性时发现负荷信号的变化过程具有连续频谱的特性。该文在此基础上提出一种基于小波变换的电力系统短期负荷预测新方法：通过小波变换，将各序列分量分别投影到不同的尺度上，对不同的子负荷序列进行数据处理，并分别采用相匹配的模型进行预测，最后退过小波重构，得到完整的负荷预测结果。算例计算表明新方法具有较高的预测精度和较强的适应能力。     

实现短期负荷预测数据的考核

提供对县级短期负荷预测数据的上传及相应考核的技术手段，并对地方小电厂下达短期发电计划数据，提出相关技术考核措施。     

小波分析方法在电力系统短期负荷预测中的应用

本文将对目前基于小波分析方法的电力系统短期负荷预测的一些理论与存在的问题进行初步的探讨，提出使用小波分析对基于不同频段的负荷进行分类，然后对分类后的不同频段的负荷使用人工神经网络进行训练预测的一种改进负荷预测方法，并尝试提出小波理论在短期负荷预测方向应用的建议。     

Savitzky-Golay在含冲击负荷短期负荷预测中的应用

负荷预测的精确与否直接影响智能电网规划等诸多决策问题,而在一些经济欠发达的地区,由于存在一定比例的冲击性负荷而使得负荷具有较大的波动性,对负荷预测精度存在一定的影响,而常用的负荷预测方法在处理这类负荷时均存在一定的缺陷。提出基于Savitzky-Golay滤波器的冲击性负荷短期预测方法,先对冲击负荷数据进行预处理,运用处理后的数据进行负荷组合预测,与未处理数据的预测结果进行对比,结果可见该方法可以有效地消除冲击负荷对负荷预测的影响,提高负荷预测的精度,简单易懂,使用方便,具有较好的实用价值。     

基于大数据技术的短期负荷分析与预测

针对电力用户数量众多、数据量大、计算量大等特点,提出了基于Hadoop处理框架的大数据技术解决方法;针对用户与系统负荷存在的差异,在用户负荷分析和影响因素分析方面,引入了在处理大数据量和知识学习等方面具有独特优势的数据挖掘技术,为大幅提升预测模型的使用效率奠定了基础,从而大幅提高了短期负荷预测精度.与传统的系统负荷预测方式相比,实例证明该方法具有明显优势.     

基于RAN网及小波神经网电力系统短期负荷预测

介绍电力系统负荷预测研究现状,将小波分析与神经网络相结合,构造了一种适用于非线性系统建模预测的小波神经网络。讨论运用小波神经网进行电力系统短期负荷预测的算法及在预测过程中对电网负荷数据进行预处理的方法。首次提出了RAN网新型网络结构并探讨了在电力系统短期负荷预测中的应用。分别应用2种方法对东北电网进行了72h短期负荷预测仿真。仿真结果表明,用小波神经网和RAN网进行建模预测比BP网训练步数大大减少,缩短了网络训练时间,提高了预测精度。     

基于小波分析改进的神经网络模型电力系统负荷预测

建立了模糊决策模型分析所给历史负荷数据的关联度,以提取对预测有贡献的有用数据,除去"坏数据",即对原始数据进行预处理。建立了神经网络模型,并结合小波分析和神经网络的优势建立改进小波神经网络的结构模型,预测出待测日96个时间点的电力负荷值。通过准确度分析,验证了模型的合理性。进而将所建模型应用于某地区进行负荷预测,并且对该地区的负荷特点及规律性进行了讨论。     

电力系统短期负荷离线预测研究

针对某电网负荷预测问题,提出了对灰色预测和单指数平滑法的有效改进,并将改进后的谅支及两种方法的组合预测应用于实际负荷预测问题中,获得了满意效果。文中通过一个计算实例,比较了改进前后这几种方法的预测精度,并列出了采用这几种方法进行负荷预测的满意结果。     

小波模糊神经网络在电力系统短期负荷预测中的应用

该文研究了基于小波模糊神经网络的电力系统短期负荷预测新方法。根据小波变换自适应可调时频窗的特点，利用小波分析对负荷样本做序列分解，对高尺度负荷分量采用常规预测方法，其他负荷分量则采用模糊神经网络处理技术，最后通过序列重构，得到完整的负荷预测结果。算例计算表明，新方法具有较高的预测精度和适应能力。     

综合负荷建模的故障录波数据预处理方法

总体测辨法是综合负荷建模的主要方法,但仍面临着实测数据来源少的难题,把电力故障录波数据应用于总体测辨法负荷建模将具有重要的现实工程意义.针对目前基于IEEE COMTRADE标准的故障录波数据文件难以直接应用于总体测辨法建模的现状,提出了一套对COMTRADE标准数据源文件进行预处理的方法.此方法由四个子模块组成,对源...     

基于小波变换理论在电力系统短期负荷预测中的应用

介绍了基于数学模型小波（变换）分析法，能够提取短期负荷时间序列中的任意细节，短期负荷序列经过小波变换后，可以分解为相应的子序列，并对子序列进行时域与频域处理，使用周期自回归模型对子序列进行预测的方法，指出其预测的精确度比传统的要高，是目前很多领域中实现短期负荷预测较好的方法。     

电力系统短期负荷预测方法的进展

短期负荷预测对于电力系统的安全稳定运行起着重要的作用,尤其是近年来随着电力市场竞争机制的引入,准确的负荷预测能给电力系统带来巨大的经济效益,因此短期负荷预测一直是电力科技工作者们研究的热点问题。本文对短期负荷预测的研究方法加以分类总结,评述了各种方法在电力系统短期负荷预测中所取得的研究成果和存在的不足之处。     

母线负荷预测中样本数据预处理的新方法

选择SCADA量测数据作为原始数据源,针对目前母线负荷数据中3类典型的异常数据,提出了一种样本数据预处理方法。采用改进的数据横向比较法识别并修正数据丢失点和由突发事件等原因引起的异常突变点,随后采用db4小波阀值去噪法处理由信道噪声等原因引起的数据波动,使负荷曲线平滑化。该方法能够有效识别连续数据丢失点和异常突变点,在保持原有负荷曲线变化趋势的基础上剔除异常波动数据,实现平滑处理,为下一步直接进行母线负荷预测提供高质量的样本数据,在一定程度上提高最终的预测精度。     

配电网短期负荷分频段组合预测方法

以小波分析理论为基础,研究分频段组合预测方法。选用db4小波函数将历史负荷序列进行最大尺度分解重构,根据不同频段负荷分量的特点,对低频分量用GM(1,1)预测,中频分量用时间序列法预测,高频分量用二次指数平滑法预测,然后将各频段分量的预测值叠加,得最终预测结果。以福建省某10 kV线路短期供电量及EUNITE竞赛数据为例,通过Matlab仿真程序,对比分析3种单一预测结果和分频段组合预测结果,结果表明,分频段组合预测效果明显优于单一预测,且具普遍性。最后,用某市局配电网短期负荷数据,验证分频段组合预测法是有效可行的。     

基于小波分解的电力系统短期负荷预测方法研究

为提高预测精度,提出一种基于负荷分解的电力系统短期负荷预测方法。即将负荷分成周期性不同的几部分,对分解后的各负荷序列通过相匹配的神经网络方法进行预测,并考虑温度因素的影响,采用线性回归模型对神经网络预测结果修正得到最终预测结果,预测结果与实际数据对比得出,预测方法更具准确性。     

电力负荷数据预处理的二维小波阈值去噪方法

历史负荷数据中的噪声会影响以其为基础所进行的负荷预测的准确性,有必要对负荷数据进行去噪处理。考虑到负荷数据的横向连续性和纵向连续性,可以先把负荷数据按照日期排列成二维数据集,经归一化处理后形成灰度图像矩阵,然后用基于图像的二维小波阈值去噪方法进行去噪处理,最后通过反归一化得到去噪后的负荷数据。实例分析结果表明这种方法可行且有效。     

电力系统中短期负荷预测方法简介

从DSM中负荷预测的重要性出发，对负荷特性、负荷预测的分类和注意事项、各预测模型的原理及实现、改进方法等做了综述。     

基于小波分解和人工神经网络的短期负荷预测

提出了一种基于小波分解和人工神经网络(ANN)的电力系统短期负荷预测方法.通过小波变换把负荷序列分解为不同频段的子序列,再对这些子序列分别采用相匹配的人工神经网络模型进行预测,最后综合得到负荷序列的最终预测结果.在所提出的方法中小波分解能够提取负荷的一些周期性和非线性特征,并对其进行进一步细分,根据其子序列各自所具有的规律采用相应的预测方法;而ANN对于处理非线性及无法显示明确规律的问题具有优势.经实例验证,与传统方法相比该方法具有很高的预测精度和较强的适应能力.     

电力系统中短期负荷预测方法

在电力系统运行管理中，负荷预测决定了发、输电和电能分配等方面的合理安排问题，对电力系统的安全经济运行与国民经济的发展具有非常重要的影响，对电力系统中短期负荷预测方法作了介绍。     

基于神经网络的电力系统短期负荷预测

介绍了短期负荷的特点,深入分析了温度、降雨量、时间等因素对负荷的影响。应用BP神经网络,建立了充分考虑各种因素的日最高负荷预测和日平均负荷预测模型,最后通过贵阳城南分局历史负荷进行验证,表明本论文所建立的神经网络预测模型充分考虑了各种负荷因素影响,预测精度良好,具有较好的非线性映射能力,有进一步开发应用于实际预测的良好前景。