中长期负荷预测中一种改进的人工神经网络方法

给出了中长期负荷预测中一种改进的人工神经网络方法,着重考虑了历史年份的经济产值及负荷值等相关量与目标年负荷值的关系,在此基础上建立了电力系统中长期负荷预测的人工神经网络模型,并且使用改进的BP算法有效地实现了由这些历史相关量到预测目标年负荷的复杂映射.实例结果表明了该方法的准确性和实用性.     

负荷预测线性回归分析法的模糊改进

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 ,采用模糊集合论中三角模糊数的概念 ,对传统的负荷线性回归预测模型作了改进。此方法通过建立具有模糊回归参数和模糊相关变量的回归模型 ,由模糊观测数据预测出未来负荷值。通过算例 ,验证了改进的负荷预测模型更加适用于中长期电力负荷预测     

基于粗糙集理论的关联聚类中长期负荷预测法

中长期电力负荷预测是电网规划的一项重要基础工作。由于中长期尺度上的电力负荷受各种相关因素的影响较大,提高负荷预测的准确性难度很大。采用粗糙集理论对影响电力负荷的诸多相关因素的影响程度进行分析,找出影响负荷变化的主要的因素;并以这些影响因素对历史数据进行了聚类,找到与预测目标年最接近的类别来进行负荷预测。文中的算例结果说明了方法的有效性。     

基于粗糙集理论的关联聚类中长期负荷预测法

中长期电力负荷预测是电网规划的一项重要基础工作.由于中长期尺度上的电力负荷受各种相关因素的影响较大,提高负荷预测的准确性难度很大.采用粗糙集理论对影响电力负荷的诸多相关因素的影响程度进行分析,找出影响负荷变化的主要的因素;并以这些影响因素对历史数据进行了聚类,找到与预测目标年最接近的类别来进行负荷预测.文中的算例结果说明了方法的有效性.     

基于粗糙集理论和启发式径向基函数神经网络的中长期电力负荷预测模型

针对中长期负荷预测的特点,提出了基于当年负荷总量、当年负荷增长量、前年负荷总量、前年负荷增长量和年国内生产总值等多个指标的启发式径向基函数神经网络中长期负荷预测模型。通过正交信号修正法处理原始数据,利用偏最小二乘法拟合出单位国内生产总值电耗。以单位国内生产总值电耗作为启发式算子,在当年历史负荷数据的基础上合理假设待预测年的负荷总量,利用启发式算子反推出该负荷值对应的年国内生产总值,结合其余指标量构建神经网络扩展训练样本训练神经网络,创造性地将神经网络外推预测转化为内插求值。利用粗糙集理论对启发式神经网络模型的预测值进行修正,使预测精度进一步提高。实际算例的结果表明,所提出的方法预测精度较高,具有较强的可行性和实用性。     

电力系统中长期负荷预测综合模型研究

中长期电力负荷预测是电力系统规划的基础和重要前提。分析比较了目前中长期负荷预测方法的特点,并进行了简单的分类。对传统的电力消费弹性系数法进行了改进,结合灰色预测模型与二次滑动平均预测法,建立了新的综合预测模型,并利用遗传算法优化各单一预测模型的权重。通过与人工神经网络模型进行对比仿真验证,结果表明所提出的预测模型具有较高的预测精度和较强的适用性。     

中长期负荷预测的模糊竞争学习聚类神经网络算法

电力系统中长期负荷预测受大量不确定因素的影响,聚类方法能够将各种影响因素综合引入预测模型,提高了预测精度。本文将神经网络引入到模糊聚类分析中,建立了中长期负荷预测的新方法,并且对聚类神经网络的学习算法进行了改进,利用模糊竞争学习完成网络运算,弥补了网络输出结果二值性的不足,使得学习规则中权值矩阵的改变速度加快,因而算法的收敛速度有很大提高。运用文中所述模型及算法综合考虑了历史负荷情况和未来不确定因素等对未来负荷变化的影响。通过与传统方法进行中长期负荷预测比较,结果表明该方法可以提高负荷预测的精度。     

中长期负荷预测的模糊竞争学习聚类神经网络算法

电力系统中长期负荷预测受大量不确定因素的影响,聚类方法能够将各种影响因素综合引入预测模型,提高了预测精度.本文将神经网络引入到模糊聚类分析中,建立了中长期负荷预测的新方法,并且对聚类神经网络的学习算法进行了改进,利用模糊竞争学习完成网络运算,弥补了网络输出结果二值性的不足,使得学习规则中权值矩阵的改变速度加快,因而算法的收敛速度有很大提高.运用文中所述模型及算法综合考虑了历史负荷情况和未来不确定因素等对未来负荷变化的影响.通过与传统方法进行中长期负荷预测比较,结果表明该方法可以提高负荷预测的精度.     

基于自适应权重缓冲灰色理论的中长期负荷预测方法研究

中长期负荷预测是电力系统规划和调度的基础和重要前提。针对传统预测方法精度低且适用性差的缺陷,结合灰色预测理论,提出了一种基于自适应权重缓冲理论的综合改进预测方法。该方法不仅通过对比置换法减少了奇异数据对预测模型的干扰,同时利用自适应权重缓冲的方法对不同权重进行迭代,以满足预测值与实际值离差平方和最小为目标,求得模型最优背景值权重系数,最后通过对预测结果的残差修正,进一步提升了预测精度。通过实际的电网数据仿真表明,所提出的基于自适应权重缓冲理论的中长期负荷预测方法具有更佳的预测精度和更强的适用性。     

基于IOWA-AHP的中长期负荷组合预测法

针对中长期电力负荷预测的特点,提出一种基于诱导有序加权平均(IOWA)算子和层次分析法(AHP)的中长期负荷组合预测法.首先通过各单项预测模型在历史年内各个时点的诱导值大小按顺序赋权,以误差平方和为优化目标求出IOWA加权系数;然后利用层次分析法综合考虑拟合精度、发展一致性和模型可信度,求出各单项预测模型在预测年内各个时点的诱导值,进而预测出负荷值.该方法的特点是:组合预测加权系数与单项预测模型无关,而与其在各个时点的诱导值密切相关;引入专家经验,减小了不确定因素的干扰.实际算例验证了该方法的可行性和有效性.     

考虑多维时域特征的行业中长期负荷预测方法

中长期负荷预测是电力系统规划与设计的重要依据，准确的行业中长期负荷预测能为电网布局规划、检修计划制定等提供决策支撑。在此背景下，针对行业中长期负荷隐含的多维时域特征，提出一种基于分解和预测思想的行业中长期负荷预测方法。首先，构建了基于周期趋势分解算法的行业中长期负荷特征分解模型，以得到分别表征行业负荷变化趋势性、周期性以及随机性特征的趋势分量、周期分量及残差分量；接着，针对分解得到的各维度分量，分别构建了基于门控循环单元的行业负荷全局趋势特征提取与预测模型、基于卷积神经网络的负荷周期局部特征提取模型，以及基于改进自适应高斯核密度估计的负荷残差概率密度预测模型，由此形成考虑多维时域特征的行业中长期负荷预测方法。最后，以中国某市化工行业负荷数据为例，验证了所提预测方法的有效性。     

基于灰关联加权组合模型的电力负荷预测研究

针对灰色系统理论中的预测模型(简称GM(1,1)模型)不太适于中长期负荷预测的不足,以及由历史负荷数据的不同时段建模形成预测灰区间的特点,提出了灰关联加权组合修正方法。从历史负荷与其拟合数值的灰关联度挖掘出负荷发展的“远、近”趋势,对灰区间值进行加权组合,大大提高了GM(1,1)模型的预测精度。使用该方法对某一地区未来几年的负荷预测得到了较为理想的结果,说明该方法对中长期负荷预测非常有效,弥补了GM(1,1)模型在该领域内使用的缺陷,具有一定的理论价值和实际应用价值。     

电力负荷多属性半结构性模糊优选组合预测

在电力规划决策支持系统中，各种负荷预测方法计算中长期电力负荷预测所获得的结果相差较大，为科学准确地确定和推荐预测结果，需要采用相应的分析和决策方法。其决策分析的结构中总目标为获得满意预测推荐解；属性层中既有定量目标，又有定性准则；预测层则以决策支持系统中所有的预测方法和结果为基础。按照此结构采用多属性半结构性模糊优选方法，分别精确计算定量目标特征值矩阵，量化定性准则模糊比较判断矩阵、并计算具有统一标准的相对优属度矩阵，进而将模糊优选方法改进地应用于负荷预测的评价、筛选和组合、实例表明：该方法充分考虑了预测及其决策的相关因素．可用于规划及预测决策支持系统．具有准确、量化、科学和实用性。     

基于人工神经网络和模糊推理的短期负荷预测方法

电力系统短期负荷预测是电力系统调度部门制定发电运行计划的依据，也是制定电力市场交易计划的基础。人们提出了许多种短期负荷预测方法，如时间序列法、状态空间法、人工神经网络法等，但是这些方法都无法精确地描述电力负荷模型。在对大量历史负荷数据进行统计分析的基础上，作者提出了一种基于人工神经网络和模糊推理的预测新方法，其中首先根据实际经验将负荷日类型划分为周一、工作日、周六、周日和节假日5种类型；然后根据不同的类型日建立相应的人工神经网络模型用以预测负荷归一化系数，最后通过模糊推理策略预测日最大负荷和日最小负荷。实际算例表明，所提出的方法能够提高短期负荷预测的精度。     

基于差分分解和误差补偿的短期电力负荷预测方法

基于序列分解的方法能够提高短期电力负荷预测精度,但会带来误差的积累。同时,现有方法忽略了历史预测误差与当前预测结果的相关关系。提出了一种基于差分分解和误差补偿的短期电力负荷预测方法(differential decomposition-error compensation-gated recurrent unit,DD-EC-GRU)。首先,对原始负荷序列进行一阶差分,将负荷的预测问题转化为负荷变化量的预测问题。基于此,在一组实际预测负荷序列的基础上引入多组辅助预测负荷序列,应用门控循环单元(gated recurrent unit,GRU)构建多目标迭代预测网络。最后综合考虑各序列迭代预测误差的变化趋势与平稳性,构建基于序列相似度和人工神经网络集成模型的误差补偿网络,提升预测精度。在3个实际负荷数据集上对DD-EC-GRU各环节有效性进行验证,并与多种主流算法对比,结果表明本文所提方法有较高的预测精度和较强的适应能力。     

基于支持向量机的中长期日负荷曲线预测

提出了一种预测中长期日负荷曲线的新方法,通过历史典型日负荷数据构造出典型日年度发展时间序列,运用支持向量机方法对预测日各时刻负荷值进行预测并得到了典型日负荷曲线。该方法不需要对日负荷特性、最大负荷及需电量进行预测,因此避免了可能的误差积累问题。以某电网为例对该方法进行了测试,结果表明其具有较高的预测精度。     

基于缓冲算子和时间响应函数优化灰色模型的中长期负荷预测

针对中长期电力负荷预测,对传统灰色预测模型进行改进。一方面,对原始数据序列进行平均弱化缓冲算子作用,有效地消除了冲击扰动系统的干扰;另一方面,提出了时间响应函数的优化方法,即利用原始序列与其模拟值的欧氏距离最小为约束条件,来确定常数C,使原始信息得到更好的利用。将改进的模型应用于某地区年负荷预测中,算例结果表明,改进的模型与传统模型相比具有较高的预测精度,更适用于长期负荷预测。     

基于缓冲算子和时间响应函数优化灰色模型的中长期负荷预测

针对中长期电力负荷预测,对传统灰色预测模型进行改进.一方面,对原始数据序列进行平均弱化缓冲算子作用,有效地消除了冲击扰动系统的干扰;另一方面,提出了时间响应函数的优化方法,即利用原始序列与其模拟值的欧氏距离最小为约束条件,来确定常数C,使原始信息得到更好的利用.将改进的模型应用于某地区年负荷预测中,算例结果表明,改进的模型与传统模型相比具有较高的预测精度,更适用于长期负荷预测.     

基于变权缓冲灰色模型的中长期负荷预测

为解决传统灰色模型和缓冲算子在中长期电力负荷预测应用中存在的问题,提出了变权缓冲灰色模型。该模型将变权缓冲算子与背景值优化灰色模型相结合,实现对原始负荷数据的动态预处理。基于粒子群优化算法,以拟合值与实际值的灰色关联度最大为目标,选择最优缓冲系数,在提高模型精度的同时,使预测结果最大程度地体现原有负荷数据的内在发展趋势,提高拟合和预测的稳定性。为验证模型效果,使用2003—2008年全国全社会用电量数据建模,预测2009—2011年的用电量,预测结果证明了该模型在中长期负荷预测中的有效性和可用性。     

基于改进模糊回归分析法的负荷预测

对电力系统的负荷预测问题进行了研究,并提出了一种改进后的模糊回归分析算法。该方法利用模糊预测法和回归分析法各自的优点,按不同情况下两种方法的重要程度,用区间层次分析法赋以灵活可调的权重值。通过算例验证,此方法适合于中长期电力系统负荷预测。