多节点超短期负荷预测方法

对多节点有功和无功负荷变化规律的动态自适应超短期预测进行了深入的研究和分析，提出将负荷数据分层分区的处理方法，建立它们之间相互牵制和联系的表达，在由递推最小二乘支持向量机（RLS-SVM）算法实现顶层预测的基础上，建立输电系统多节点负荷动态行为特征的描述模型，构建了自适应动态模型的超短期负荷预测总体构架。以山东电网为例的现场测试效果验证了所述方法的可行性和有效性。     

电力短期负荷预测相似日选取算法

短期负荷预测是电力系统安全经济运行的基础，相似日选取的准确与否直接影响到短期负荷预测算法的精度。针对短期负荷预测的特点，提出一种能便于考虑各种因素影响的新算法。分析了气象、日类型等因素对负荷影响的常见规律，便于识别主导负荷变化的因素，建立了在短期负荷预测中选取相似日的新方法。理论和实例均表明，该方法适应性较强，能够通过历史数据分析从历史日中选取最合适的相似日，对提高短期负荷预测的精度具有较大价值。     

应用人工神经网与遗传算法进行短期负荷预测

针对BP网络的缺陷，提出了基于拟牛顿法的自适应算法和改进的遗传算法，以提高神经网的 学习效率，克服BP网络的局部收敛性的缺点，形成一种新的神经网与遗传算法相结合的短期 负荷预测模型。实测结果表明该模型和算法具有良好的性能和较高的预测精度。     

电力负荷的模糊预测方法

提出了一种组合式的模糊短期负荷预测方法。通过对负荷历史数据的离线动态学习，训练出 有关参数，经过模糊推理获得提前一步的负荷预测。系统中引入闭环模糊控制方法用以在 线消除预测误差，并设计了自适应的输出修正算法以排除可能存在的扰动影响。在描述模糊 负荷预测系统的设计、实现和应用的同时，还提出了一些负荷预测中所遇到的问题的解决方 法。     

自适应多相关短期负荷预测

本文应用自适应和多相关原理提出一个短期负荷预测的方法，根据系统负荷在不同周期的相 关性，对时差日相关，日相关和周相关负荷时间序列建立三个相同形式的一阶线性递推负荷 模型，三个估计负荷按最佳的比例进行加权合成得最佳的负荷预报值。模型参数根据最近29 天样本进行计算，这样不仅内存需求少，而且样本每日更新，使递推的参数能自适应地反应 季节特点和近期负荷变化趋势，因而提高了预报的精度。为了使建立的模型残差负荷部分更 好的接近平稳随机过程，对样本数据进行了适当的平滑处理。 本算法使用国内某网的样本数据测试，连续预报28天负荷，每日的平均误差小于3%，连续预 报240天负荷，每月的平均误差小于2.3%。由于算法简单，内存容量小，精度能和人工预报 相当，因此是一个可以试用的算法。     

基于增量约简算法确定电力负荷预测模型输入参数

针对电力系统中有众多因素影响负荷预测精度的问题，文中引入粗糙集理论中的属性约简算法来挖掘与待预测量相关性大的各属性，保证预测模型输入参数的合理性，解决了神经网络模型输入参数的确定问题。针对基于区分矩阵约简算法是NP问题的弱点，提出了基于属性优先级函数的启发式约简算法（RAPHF）；针对负荷预测过程中样本数据是滚动更新的特点，在RAPHF的基础上提出了具有动态挖掘能力的粗糙集增量算法RAPHF-I。通过短期负荷预测的实例研究，证实了文中改进算法的有效性。     

基于预测误差分布特性统计分析的概率性短期负荷预测

现有短期负荷预测方法一般只能给出确定性负荷预测结果，难以满足电力市场中不确定性风险分析决策的要求。文中提出了一种基于负荷预测误差特性的统计分析的概率性预测方法。该方法首先从时段与负荷水平2个联合维度上建立了对预测误差分布规律进行统计分析的模型，并提出了检验该统计规律有效性的原则和方法;将验证后的预测误差统计分布规律与确定性的负荷预测结果相结合，即可得到概率性的负荷预测结果。基于该结果，还能求取某一置信水平下的预测负荷曲线的包络线。结合实际电网数据验证了所提出方法的有效性和实用性，为概率性短期负荷预测提供了一条可行的新思路。     

基于自适应最优模糊逻辑系统的短期负荷预测方法

提出了一种基于自适应最优模糊逻辑系统的电力系统短期负荷预测方法。首先通过最近邻聚 类算法对负荷历史数据进行分组，再将每一组数据(一个聚类)视为一个数据对，用最优模 糊逻辑系统来进行预测系统的建模。实验结果表明， 这种预测方法具有简单、实用等特点 ，且能达到较高的精度。     

基于点模式匹配的电力系统短期负荷预测

输电网短期负荷预测是电力调度的基本依据。文中基于点模式策略，并借助模拟退火算法，提出了一种短期负荷预测的新方法。从模式的角度看，负荷的变动也可以看成是模式的转换。该方法首先通过相关性分析找出输入输出数据关系以及各输入数据所占的权重；然后由点模式匹配法求得各输入数据的变换值；最后由变换值、输入数据及其权重得到短期负荷预测的结果。将该方法用于一个实际系统，预测结果表明该方法预测效果较好。     

基于MATLAB神经网络工具箱的电力系统负荷预报

提出的基于ＭＡＴＬＡＢ神经网络工具箱的短期负荷预报模型，不仅简洁实用，而且涉及了天气和日期特征量，因而具有较高的预测精度。采用两种学习算法，用实际数据对ＡＮＮ进行了训练，通过比较得出了优化模型，计算实例表明用该方法是可行的，有效的。     

基于遗传神经网络的城市用水量预测研究

介绍了BP(误差反向传播算法)和GA(遗传算法)及GA-BP 3种神经网络,并以此分别对城市用水量进行预测.实验结果表明,基于GA-BP算法的神经网络方法应用于城市用水量的预测问题,能采用遗传学习算法优化BP神经网络模型的初始权重,即先利用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快和避免局部极小.GA-BP神经网络在收敛速度和预测精度等方面均优于BP和GA网络,从而为未来短期城市用水量负荷的准确预测提供了新的思路与方法.     

基于改进相关向量机算法的短期电力负荷预测方法研究

由于短期电力负荷存在随机性强、影响因素多、预测精度低等问题,在充分考虑气温、日期、节假日等影响因素的基础上,深入研究预测模型,对单一预测模型进行了改进,提出一种将相关向量机与深度置信网络相结合的短期负荷预测方法。通过相关向量机对电力负荷周期变化的通用模型进行建立,在通过深度置信网络建立其误差补偿模型,使用误差补偿模型补偿通用模型的预测误差,提高电力预测的准确度。通过仿真对模型改进前后的有效性和准确性进行验证。研究结果表明,改进后的方法大大提高了短期负荷预测的准确性,无论是否计及气温,都可以实现高精度的预测。降低了负荷因素中一些随机噪声对电力负荷预测的影响,提高了模型的适用性和可靠性。该研究为我国电力负荷预测的发展提供了参考和借鉴。     

短期负荷预测的综合模型

进行实际短期负荷预测时，对某个固定地区，用不同预测方法可能得到不同的预测结果。文中基于对这些不同的预测结果的分析，提出了以得到一个唯一的综合预测曲线为目标的优化模型。根据模式识别的基本原理，这个新模型以待预测日与历史日之间相关因素的最佳匹配为原则。通过虚拟预测结果与实际负荷曲线数据的误差平方和的最小化，可以得到综合模型中各种单一预测结果所占的权重值大小。实际算例研究表明，综合模型的预测结果优于各种单一方法的预测结果。     

基于输入空间压缩的短期负荷预测

由于影响负荷预测的因素复杂，并且实际获取的历史数据有限，传统的智能预测方法往往达不到工程应用的精度要求。为解决该问题，文中提出一种准确预测电力系统短期负荷的新思路：首先建立负荷输入特征选择模型，其搜索方法采用浮动搜索算法，在去除影响负荷预测的冗余特征之后，利用有限样本学习的统计学习理论（支持向量机）构造负荷预测回归模型，充分发挥其在解决有限样本、非线性中体现出的优势，较好地提高了评估结果的精度和泛化能力。在EUNITE网络中的应用结果证明了该方法对电力系统负荷预测的有效性。     

一种实用的超短期负荷预测曲线外推方法

超短期负荷预测对电网功率平衡控制具有重要作用。文中针对超短期负荷预测特点，提出一种基于曲线模式分析的曲线外推方法，并讨论了历史坏数据处理以及对当前负荷水平的特殊处理等实用性问题,以保证预测结果的稳定性。通过对几个实际系统的应用结果表明，该方法速度快，精度高，运行稳定可靠，同时具有较强的适应性。     

基于自适应神经模糊推理系统（ANFIS）的电力系统短期负荷预测

采用ANFIS（Adaptive Neuro-Fuzzy Interference System）进行电力系统短期负荷预测。ANFIS将模糊理论与神经网络融合，利用神经网络来实现系统的模糊逻辑推理，采用混合学习算法调整前提参数和结论参数，自动产生模糊规则。利用某局网负荷数据对网络进行训练和检测，所得结果表明利用ANFIS预测负荷有效。     

基于扩展时序距离法和自适应控制的超短期负荷预测

将扩展时序距离（ETD）算法与自适应控制中的递推最小二乘（RLS）算法相结合,提出了超短期负荷预测算法———RLS&ETD算法。该算法利用自适应控制的动态跟踪特性与ETD算法的周期性,与ETD算法相比,能更充分地利用数据。仿真实验的结果表明,RLS&ETD算法比ETD算法在精度、误差稳定性等方面均有所提高。     

基于模糊神经网络的城市供水系统负荷预测

针对城市供水系统的复杂性、非线性、时变化性与多因素影响的特点，引入了模糊逻辑系统（ＦＬＳ）和人工神经网络（ＡＮＮ），将一种改进的最近邻聚类算法，用于城市水负荷预测，对短期、中长期水负荷的预测实验表明，该方法结构简单，精度高。     

基于多分辨率SVM回归估计的短期负荷预测

针对短期负荷预测支持向量机（SVM）方法的局部逼近能力和泛化能力进行研究，将多分辨率支持向量机（M-SVM）用于短期负荷预测中节点负荷预测曲线的回归估计。该理论在保持曲线总体逼近能力的同时提高了局部区域的逼近能力。文中根据短期负荷预测的具体特点，设计了负荷预测数学模型，采用96条回归曲线进行日负荷的曲线预测，并在该模型的基础上采用实际数据进行验证，分析了这种回归模型的泛化能力。实验结果表明M-SVM模型在预测精度和预测速度方面具有优良的特性。     

短期负荷预测方法的研究及在线应用

根据邯郸地区的负荷特点，将负荷预测分为正常日和节假日两种预测模型。在正常日预测中，采用基本负荷 加修正负荷的思想，修正负荷通过自组织人工神经网络训练得到；在节假日预测中，采用将历史负荷按“近大 远小”加权平均的思想。同时，应用最小二乘递推算法修正模型，进行在线预测。此外，还开发出相应的软件 包用于实际预测工作，并根据邯郸地区的实际情况，通过对MIS中公共数据库的访问，实现了负荷、气象数 据的自动获取和录入，减轻了运行人员的负担。