基于人工神经网络的电力负荷坏数据辨识与调整

电力负荷坏数据辨识应充分考虑负荷曲线本身的特征。先用Kohonen网对日负荷曲线进行聚类,产生各类的特征曲线;然后用特征曲线及由此产生的含有坏数据的曲线形成的样本集对BP网进行训练,利用BP网的泛化能力,使之具备对本类曲线进行坏数据精确定位的能力;最后利用特征曲线进行坏数据的调整。该方法能够做到离线训练,在线辨识,实例分析取得了良好的效果。     

软计算方法和数据挖掘理论在电力系统负荷预测中的应用

数据挖掘技术能够从大量数据中发现潜在知识，软计算是创建智能系统的有效方法，本文将两者结合，完成电力预测过程的两个主要任务：负荷坏数据处理和多因素负荷预测模型的建立。通过对Kohonen网聚类挖掘和BP网分类挖掘的效果分析，设计由这两种网络组合而成的神经网络模型，完成坏数据辨识和调整的任务；以模糊推理系统为基础构建多因素负荷预测模型，本文采用CART分类挖掘技术解决模糊结构辨识中的两个难点问题：输入空间划分和输入变量选择，在此基础上设计ANFIS网络进行参数辩识。良好的实例分析效果说明，数据挖掘思想和软计算方法相结合，是电力系统负荷预测的一种有效的思路和方法。     

基于改进果蝇算法优化BP神经网络的接地网腐蚀速率预测模型

为进一步提高接地网腐蚀速率的预测精度,解决传统模型易陷入局部最优且随机初始化模型参数影响预测准确性和稳定性的问题。文中首先将混沌映射、动态搜索半径策略和优化气味浓度判定公式引入果蝇优化算法(Fruit Fly Optimization Algorithm,FOA)得到改进后的果蝇优化算法(Update Fruit Fly Optimization Algorithm,UFOA);然后利用UFOA优化BP神经网络的初始权值和阈值,建立基于UFOA优化的BP神经网络接地网腐蚀速率预测模型(UFOA-BP);最后以重庆24座变电站的接地网数据进行实验验证。结果表明相对FOA优化的BP神经网络模型、BP神经网络模型、人工蜂群算法优化的支持向量机模型和广义回归神经网络模型,文中提出的UFOA-BP模型在预测精度和模型稳定性方面均优于其他四种模型,验证了该模型的有效性和可行性,为运维人员提前发现接地网安全隐患,并安排检修,进而保障电网安全稳定运行提供帮助。     

基于PSO-WPESN的短期电力负荷预测方法

精确的短期电力负荷预测是电力生产优化调度和安全稳定运行的重要保证,是智能电网建设的重要一环。为提高模型的预测精度,提出了一种基于粒子群优化小波包回声状态神经网络的短期电力负荷预测方法。首先利用多分辨率小波包分解方法对负荷数据进行分解和重构,建立小波包回声状态网预测模型;然后,利用粒子群算法对预测模型储备池中的参数进行优化。实验结果表明:针对短期电力负荷动态时间序列数据,与BP、Elman、传统ESN等网络相比,PSO-WPESN网络的预测精度、稳定性和泛化能力都得到明显增强,尤其是能在一定程度上缓解由于输出矩阵过大造成ESN存在病态解的弊端。     

浅析“加权平均法”在小区域配网规划负荷预测中的应用

电力短期负荷预测受多个影响因素共同影响,且各个因素之间对应高度不确定的非线性系统。由于传统的电力负荷预测方法用于10kV配网规划时均有着各种条件的限制,为了在城市小区域10kV配网规划中对负荷预测找出一种行之有效的方法,对应用于城市电力负荷预测的众多模型进行了归纳和总结,提出了加权平均法对几种传统的预测模型进行曲线拟合,并结合区域特性进行预测的方法,并将之用于实际工作的中长期负荷预测,得到了比较好的效果。     

基于改进BP神经网络的短期电力负荷预测方法研究

针对短期负荷预测精度低、准确性差等问题,将猫群算法CSO和BP神经网络相结合用于短期负荷预测,模型的输入因子是负荷数据和气象信息等,利用猫群算法对BP神经网络的权值和阈值进行优化,得到BP神经网络预测模型的最优解,建立了短期预测模型。通过实例验证了预测模型的有效性和有效性,结果表明,改进模型能够有效降低BP神经网络模型的预测误差,提高预测精度,为我国电力系统短期负荷预测的发展提供了参考和借鉴。     

基于残差修正的小水电高渗透率地区网供负荷预测

针对小水电高渗透率地区网供负荷预测准确率较低的问题,提出一种基于人工智能和残差修正的网供负荷预测模型,对蕴含在网供负荷中的周期分量和随机分量进行预测和结果修正。采用集合经验模态分解(EEMD)提取网供负荷中不同频段的分量,构建基于模态分量的多层次门控循环单元(GRU)网络模型,通过提升网络模型的复杂程度提高测试集上预测结果的准确率。此外,引入费歇值表征降雨对小水电出力的累积效应影响,在预测结果输出环节加入费歇信息加权的马尔科夫(FI-WMC)残差修正步骤,降低小水电出力不确定性导致的预测结果偏差。仿真验证的结果表明,多层级EEMD-GRU-FIWMC模型可以更好地适用于小水电高渗透率地区的网供负荷预测,在小水电渗透率为20%以上的地区,相对于传统的GRU模型和无残差修正模型,其预测准确率分别提升7.61%、3.85%。     

粒子群优化小波包回声状态网的短期电力负荷预测

精确的短期电力负荷预测是电力生产优化调度和安全稳定运行的重要保证,是智能电网建设的重要一环。为提高模型的预测精度,提出了一种基于粒子群优化小波包回声状态神经网络的短期电力负荷预测方法。首先利用多分辨率分析小波包分解理论对负荷数据进行分解和重构,建立小波包回声状态网预测模型;然后,利用粒子群算法对预测模型储备池中的参数进行优化。实验结果表明：针对短期电力负荷动态时间序列数据,与BP、Elman、传统ESN等网络相比,PSO-WPESN网络的预测精度、稳定性和泛化能力都得到明显增强,尤其是能在一定程度上缓解由于输出矩阵过大造成ESN存在病态解的弊端。     

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GA-BP神经网络的微电网短期负荷预测

针对微电网负荷功率的不确定性,提出了一种基于遗传算法优化的BP神经网络模型GA-BP,能够快速、有 效地建立非线性输入与输出之间的关系,对微电网短期负荷进行预测.通过对遗传算法优化的BP神经网络和传统BP 神经网络分别建立微电网负荷预测模型,对某地区的微电网短期负荷进行MATLAB仿真和计算,对2种模型的未来 24h短期负荷预测进行比较,验证了2种预测方法的有效性和可行性.由仿真结果可知,采用遗传算法优化的BP神 经网络预测的平均相对误差为3.23％,相较于传统的BP神经网络拥有更好的预测精度.     

基于BP神经网络的短期负荷预测建模仿真

通过BP神经网络与Matlab相结合,建立起三层四功能单元的BP神经网络短期负荷预测模型,并采用某条线路1年的历史负荷波动数据对模型进行“学习”训练。预测一日24小时负荷数据的Matlab仿真及误差分析结果表明,所构筑的BP神经网络模型具有较高的可靠性和准确性,误差率可以有效地控制在2％以内。BP神经网络模型大大提高了短期负荷预测数据的处理效率与可信性,是研究电力系统经济调度的一种新的非线性建模仿真模型。     

基于神经网络BP算法的局部电网短期负荷预测系统

电网负荷受天气、节假日、生活方式等多方面影响,短期呈现随机性,长期来看,又有一定的规律可循。选择合适的短期负荷预测模型,将有利于提高短期负荷预测的准确率,极大方便调度机构的短期负荷预测工作。本文基于神经网络BP算法的局部电网短期负荷预测,通过采集局部电网数据样本,获得大量数组,再使用神经网络BP算法进行自适应学习,获取各因素与负荷之间的非线性关系,预测局部电网负荷变化趋势,提前调控电网方式,降低局部电网主变、线路运行风险,确保电网安全运行。     

基于Elman神经网络的甘肃电网负荷预测模型

为提高甘肃电网负荷预测精度,提出了一种基于神经网络的负荷预测方法。针对甘肃电力系统负荷数据的非线性和动态特性,在多层前向BP网络中引入特殊关联层,形成有“记忆”能力的Elman神经网络,从而可以映射系统的非线性和动态特性。在网络训练算法中,采用自适应学习速率动量梯度下降反向传播算法,显著提高了网络的训练速率,有效地抑制了网络陷入局部极小点。文中分别采用El-man神经网络与BP神经网络建立模型,对甘肃电网实际历史数据进行仿真预测,经分析比较,证明前者具有收敛速度快、预测精度高的特点。这表明利用Elman回归神经网络建模对甘肃电网负荷进行预测是可行的,能有效提高负荷预测精度,在负荷预测领域有着较好的应用前景。     

基于人工神经网络的城镇日负荷预测

电力负荷预测是进行电网规划建设的依据,为准确预测清溪镇日负荷情况,对神经网络预测原理进行了研究,对清溪镇日负荷数据进行调查,依据BP神经网络的预测方法建立日负荷预测模型,通过Matlab实现清溪镇日负荷预测并对预测结果进行分析,结果表明基于BP神经网络的预测方法在城镇日负荷预测中效果理想。     

一种基于多神经网络的组合负荷预测模型

针对BP神经网络、RBF神经网络和小波神经网络应用于负荷预测时所遇到的问题,提出了一种基于各种神经网络的组合预测模型。该模型为单输出的3层神经网络,即将3种神经网络的预测结果作为神经网络的输入,将实际负荷值作为神经网络的输出,使训练后的网络具有预测能力。该模型能降低单个神经网络的预测风险,提高预测精度。仿真结果表明,所提出的组合预测模型的精度高于其中任一单一网络模型,也高于传统的线性组合预测模型。     

基于BP与RBF级联神经网络的日负荷预测

在采用分段预测方法的基础上,利用小规模BP(back propagation)神经网络学习时间短和径向基函数(radial basis function,RBF)神经网络自身训练速度快的优点,提出了基于BP和RBF网络的级联神经网络日负荷预测模型,将影响日负荷变化的非负荷因素(气象、日类型等)与历史负荷因素分别加入BP和RBF网络中分开考虑,进一步简化了预测模型。计算实例表明,该模型较一般级联神经网络模型收敛更快速、高效,预测精度有了很大提高。     

基于BP神经网络的短期负荷预测建模仿真

通过BP神经网络与Matlab相结合,建立起三层四功能单元的BP神经网络短期负荷预测模型,并采用某条线路1年的历史负荷波动数据对模型进行“学习”训练.预测日24 h负荷数据的Matlab仿真及误差分析结果表明,所构筑的BP神经网络模型具有较高的可靠性和准确性,误差率控制在2％以内.BP神经网络模型大大提高了短期负荷预测数据的处理效率与可信性,为研究电力系统经济调度提供了一种新的非线性仿真建模模型.     

Kohonen neural network and wavelet transform based approach to short-term load forecasting

This paper presents Kohonen neural network and wavelet transform (WT) based technique for short-time load forecasting of power systems. Firstly, the historical seasonal load data are classified into four patterns using Kohonen neural network and then Daubechies D2, D4 and D10 WTs are adopted in order to forecast the hourly load. The wavelet coefficients associated with certain frequency and time localisation are adjusted using the conventional multiple regression (MR) method and the components are reconstructed to predict the final loads through the five-scale synthesis technique. The outcome of the study clearly indicates that the proposed composite model of Kohonen neural network and WT approach can be used as an attractive and effective means for short-term load forecasting.     

基于数据挖掘的电力负荷脏数据动态智能清洗

来源于SCADA系统的负荷历史数据由于各种原因含有一定的脏数据,在进行高精度的电 力负荷预测或系统分析前必须仔细而合理地对历史数据进行清洗。文中基于数据挖掘理论提出一 种动态的智能清洗模型,先根据模糊软聚类思想对Kohonen神经网络进行了改进,改进后的 Kohonen神经网络能实现模糊软聚类的并行计算,提出的动态算法能根据样本集的更新而自动确 定新的聚类中心(即特征曲线),最后与径向基函数(RBF)网络一起构成脏数据的智能清洗模型。 模型的快速性和动态性特点使其宜于进行负荷数据的实时处理,对重庆江北负荷数据的实例分析 说明了该模型的高效性。