基于D-S证据理论的母线负荷预测

基于D-S证据理论,提出一种母线负荷预测新方法。该方法对BP神经网络、改进的BP神经网络和支持向量机(SVM)的母线负荷预测模型分别建立权重提取和权重融合模型,并运用D-S证据理论对3种预测模型的权重进行融合。通过对预测数据进行分析,提取证据理论样本,并将可信度函数的融合结果作为母线负荷预测模型的权重,最终得到待预测日的母线负荷预测结果。仿真结果表明,与单一的母线负荷预测模型相比,经D-S证据理论融合的母线负荷预测模型更有效,也具有更高的预测精度。     

考虑气象因子的区域电网梅雨期负荷预测

综合考虑气象因子对梅雨期负荷进行精确预测,能够为区域电网发电控制、调度安全和经济运行提供日前决策建议。分别构建了基于BP及Elman神经网络的短期负荷模型,引入基础和综合气象因子进行对比研究,发现梅雨期负荷与温度的相关性最强。依据历史气象及负荷数据,训练负荷预测模型,并考虑年度负荷增长趋势对负荷预测结果进行适当修正。结果表明,Elman神经网络在考虑基础或综合气象因子的情况下,对梅雨期日负荷及电量均具有良好的预测特性。     

母线负荷异常数据复杂不确定性检测与基于综合云的修正模型

母线负荷数据异常具有复杂不确定性,是进行母线负荷预测、确定电网运行方式和安全校核等必须解决的重要课题。用聚类分析法确定待测日负荷的相似集,基于母线负荷纵向分布规律和横向连续性,提出异常数据复杂不确定性检测方法;研究母线负荷数据的期望、熵和超熵等数学特征,提出基于综合云的异常数据修正模型。以所提方法对某电网110 k V母线负荷数据进行了分析和预测,结果证明了该方法的可行性、正确性和有效性。     

基于模型有效度的地区电网母线负荷组合预测与系统实现

地区电网母线负荷预测是确定运行方式、进行安全校核的基础,也是智能电网建设的重要内容。组合预测是解决母线负荷分散性和不确定性的有效手段,其关键在于预测模型的选择和组合策略的确定。从地区电网母线负荷的特点出发,引入预测模型有效度概念,提出基于关联度的组合模型集确定方法和模型有效度灰色预测方法,利用组合模型有效度的归一化系数建立组合预测模型,并基于C#平台开发地区电网母线负荷预测系统。该系统在某地区电网的应用证明了所提方法的正确性和有效性。     

基于多源数据和模型融合的超短期母线负荷预测方法

母线负荷预测对于电网调度运行的安全性和在线分析决策的准确性具有重要的意义。为了进一步提高母线负荷预测精度,提出了一种基于多源数据和模型融合的超短期母线负荷预测方法。结合当前电力大数据,首先将历史负荷数据、日期信息以及天气信息等多类型数据作为预测模型的输入特征,并建立基于BP-ANN(back propagation)神经网络和CNN(convolutional neural network)神经网络融合的预测模型。然后采用BP-ANN提取数值类型和类别类型数据的特征向量,与CNN提取图像型数据的特征向量进行融合,通过多层BP-ANN神经网络进行超短期母线负荷的预测。最后,采用我国某地区220kV变电站高压侧的有功负荷历史数据和该地区天气信息进行实例分析。实验结果分析表明,所提方法能够充分有效利用多源数据和模型融合的特点进行超短期母线负荷预测,相较于BP-ANN和CNN单独模型预测具有更高的负荷预测精度。     

基于LSTM神经网络的短期电能负荷预测

针对电网用电量准确预测的问题,本文利用电能负荷历史数据的时间序列特性,提出了一种基于电能负荷历史数据的递归神经网络预测方法,首先分析了短期负荷预测的关键影响因素,以自回归方法为例介绍了传统负荷预测模型框架。接下来以BP神经网络和递归神经网络为例,阐述了神经网络模型原理以及与负荷预测任务的契合点。最后,(1)以卢布尔雅那城市的真实负荷数据为例,基于长短期记忆单元,采用前一周的负荷数据和气象数据,对当前时刻的用电负荷进行预测;(2)采用前一周的负荷数据和气象数据对未来一周每小时的用电负荷进行预测;(3)在(2)的基础上引入未来一周的气象预测数据,对用电负荷进行预测。实验结果表明,在训练数据充沛的情况下,长短期记忆神经网络能够基于历史数据和气象数据对电能负荷进行较为可靠地预测。     

基于气象负荷因子的Elman神经网络短期负荷预测

针对地区电网负荷易受气候影响的特点,引入气象负荷因子,提出了一种综合考虑各项气象因素．采用Elman反馈神经网络的短期负荷预测模型。由于Elman神经网络具有动态递归性能．可增强负荷预测模型的适应性。经上海电网实际数据的预测仿真计算,证明此方法与传统神经网络预测模型相比．既能减少输入变量个数,又能有效地提高预测精度。     

基于数值天气预报的母线负荷预测

针对母线负荷量大面广,易受气象变化影响,且传统天气预报与母线负荷之间存在极为松散的地理对应关系,提出了基于数值天气预报和负荷分类的母线负荷预测。通过获取母线负荷所属行政区域,如县、乡或市辖区的地理位置,提取与母线地理位置紧密对应的高精度数值天气预报信息。通过研究母线负荷与气象因素的相关特性,构建了基于数值天气预报和负荷分类预测的母线负荷预测模型。通过对某省母线负荷进行分析预测,验证了该方法的实用、有效性。     

基于多级负荷智能协调的母线短期负荷预测

为提高母线负荷预测精度,提出一种基于多级负荷智能协调的母线短期负荷预测方法。首先对预测母线负荷序列进行历史负荷与当前负荷的相关性分析,再进行系统空间母线与预测母线的相关性分析,根据两次相关性分析结果合理设置算例,得到预测网络的最优输入方式,然后利用长短时记忆网络(LSTM)建立母线短期负荷预测模型,最后运用吉林省某地区的实测数据将提出模型与反向传播(BP)神经网络和支持向量机(SVM)的预测结果进行对比分析,验证本文提出的预测模型具有更高的精确度。     

动态调整蚁群-BP神经网络模型在短期负荷预测中的应用

为提高短期电力负荷预测精度,提出了动态调整人工蚁群算法(DAACS),对BP神经网络参数进行优化,建立了动态调整人工蚁群-BP神经网络组合算法(DAACS-BP)预测模型,综合考虑气象、天气、电价、日期类型等影响因素,对四川电网进行短期电力负荷预测.仿真表明,该方法克服了BP神经网络和人工蚁群算法易陷于局部极值、搜索质量差和精度不高的缺点,改善了BP神经网络的泛化能力,收敛速度快,输出稳定性好,提高了电网短期负荷预测的精度,可有效用于电力系统短期负荷预测.     

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。     

母线负荷预测的实用算法

母线负荷预测是制定电网运行方式的基础,预测的精度将直接影响到后续安全校核的分析结果以及电网输送能力的计算和运行方式的安排。综合考虑母线负荷的特点,根据历史样本数据类型,考虑天气、节假日、企业生产变化、母线负荷的转供等因素,提出一种新的母线负荷预测的实用算法。所提方法基于相似日的模式匹配原则,依照与待预测日模式的相似度大小确定其间的分配系数权重,进而预测母线负荷。通过Matlab对一实际电网进行仿真,结果证明了所提方法的精确性和实用性。     

基于Hadoop架构的多重分布式BP神经网络的短期负荷预测方法

随着智能电网、通信网络技术和传感器技术的发展,电力负荷数据规模呈现指数形式增长、且复杂程度增大,逐步构成了电力负荷大数据,传统负荷预测方法已无法满足海量负荷大数据分析的要求。提出一种基于Hadoop架构的多重分布式BP神经网络的短期负荷预测方法。该方法首先在从BP神经网络原理层对其输入信号的正向传递、误差信号的反向传播过程予以剖析的基础上,研究并建立基于Hadoop架构中Map Reduce框架的BP神经网络负荷分布式预测模型;其次,为弱化其"过拟合"问题,在引入"多重"概念的基础上,提出基于灰色关联度和最短距离法聚类的方式择取多重分布式BP神经网络预测模型初始重数和成员集的方法,并定义衡量聚类优劣的有效指标,以确定合理重数。实验结果表明,多重分布式BP神经网络预测方法相比传统BP神经网络,预测精度更高。     

基于大数据的分布式光伏接入配电网影响分析与功率预测研究

为提高分布式光伏发电功率预测的精度,满足电网调度和规划的高精度要求,本文利用光伏运行、电能量采集、电网调度等业务系统的海量数据,利用大数据分析方法研究大量分布式光伏接入对配电网负荷特性的影响,并提出基于气象相似日和粒子群算法优化BP神经网络的光伏电站功率预测方法。通过分析光伏发电功率随天气类型、温度、光照强度等气象因素变化规律,运用模糊聚类算法计算确定待预测日的气象相似日序列,选取气象相似日历史数据作为BP神经网络预测模型的输入变量,并采用粒子群算法方法优化BP神经网络的初始值,最终输出分布式光伏各时段发电功率的预测值。实验结果表明该方法可有效提高光伏电站功率预测模型的收敛能力和学习能力,具有较高的预测精度。     

运用PSO和GRNN的短期负荷二维组合预测

为提高短期负荷预测精度,改善预测模型的工程实用性,提出了一种结合纵向和横向相似日样本的短期负荷二维组合预测方法。常用BP神经网络需优化的参数多,故采用结构简单的广义回归神经网络作为单向模型的基本预测算法。在此基础上,再通过设置组合加权系数,运用粒子群优化算法寻优系数值,得到最终的二维预测结果。对比其他短期尤其是超短期负荷预测方法,该模型不仅考虑了气象因素对负荷的影响,还充分体现了"近大远小"原则,并智能优化系数组合预测结果。电网实际负荷数据验证表明,该预测模型操作性高,速度快,且有较高的预测精度。     

母线负荷预测的实用算法

母线负荷预测是制定电网运行方式的基础,其预测的精度将直接影响到后续安全校核的分析结果以及电网输送能力的计算和运行方式的安排。综合考虑母线负荷的特点,根据历史样本数据类型,考虑天气、节假日、企业生产变化、母线负荷的转供等因素,提出一种新的母线负荷预测的实用算法。所提方法基于相似日的模式匹配原则,依照与待预测日模式的相似度的大小确定其间的分配系数权重,进而预测母线负荷。通过MATLAB对一实际电网进行仿真,结果证明了所提方法的精确性和实用性。     

基于纵横交叉算法与Elman神经网络的短期负荷预测研究

提出一种基于纵横交叉算法与Elman神经网络的负荷预测模型。考虑到电力系统负荷受气象、节假日因素、冲击负荷等影响,首先对原始负荷数据进行处理,再用纵横交叉优化后的Elman神经网络对处理后的数据进行训练,得到预测值。本文以广东省某地区电网负荷为实例,结合电网实际影响因素,建立负荷预测模型。仿真结果表明,本文预测模型具有较高预测准确性和稳定性。     

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。     

基于改进BP神经网络的母线负荷预测

分析了母线负荷预测的特点,研究了母线负荷预测与系统负荷预测的异同;并且分析了BP神经网络在寻优能力、计算时间等方面存在的问题,提出了一种自动调整学习率的改进BP神经网络算法,用于开展母线负荷预测;某实际电网4条母线的负荷预测结果表明,本文提出的改进算法效果理想,可以作为母线负荷预测的可靠方法。     

基于分配因子和信息熵的母线负荷组合预测模型

负荷预测是指导电力系统规划和安全经济运行的重要依据。传统的负荷预测一般指区域负荷总量的预测,不能够体现底层母线负荷水平,无法满足电网精益化管理的要求。因此,母线负荷预测是解决这一问题的关键途径。然而,系统内母线数量庞大,负荷基数小,特性各异,波动性强,给母线负荷预测工作带来了困难。本文研究了母线负荷预测模型,根据实际电网情况提出了负荷分配因子的概念及预测思路;充分考虑历史数据的有效性,采用日特征量和趋势相似度综合选择相似日,并提出基于信息熵的变权重组合预测方法,提高各类型负荷预测精度;结合类型负荷预测结果和负荷分配因子,最终得到各条母线的预测结果。采用某区域电网负荷进行实例验证,结果表明,本文所建立的预测模型具有良好的预测精度和稳定度。