基于改进卡尔曼滤波算法的短期负荷预测

对于电网的安全运行,短期的负荷预测是必不可少的。电力系统的负荷通常是随着时间呈现出一定范围的非线性波动,这里根据电力系统中负荷特性的变化规律,提出了一种通过引入修正因子改进卡尔曼滤波算法的方法,实现了电力短期负荷预测。通过对成都地区的负荷进行短期预测,说明这种方法较传统的卡尔曼滤波具有更高的预测精度,同时与其他的新型智能算法相比,具有收敛速度快、耗时短等优点。通过MATLAB仿真,说明这种改进后的算法对实现短期负荷预测提供了一条新的途径。     

基于卡尔曼滤波的节假日短期负荷预测

随着电力系统智能化的不断发展,高精度的短期电力负荷预测成为电力系统经济运行研究的重要课题之一。在介绍了卡尔曼滤波原理的基础上,给出了卡尔曼滤波一步递推方程组。结合电力系统负荷情况,建立了卡尔曼滤波短期负荷预测模型,并对其进行预测。通过引入假期因子提出了改进的卡尔曼滤波算法,提高了卡尔曼滤波预测精度,验证了改进算法的正确性和有效性。     

咸阳市电力系统短期负荷预测分析与研究

主要研究考虑各种因素影响的咸阳市电力系统短期负荷预测模型与算法。传统预测算法只是基于找寻历史负荷数据规律,没有考虑外部因素对负荷值的影响,从而降低了预测精度。针对这些不足,首先分析了影响咸阳市电力负荷值的几个主要因素,然后提出了考虑这些因素影响的改进型神经网络BP算法预测模型,利用该模型对咸阳市电力负荷值进行预测。预测结果表明：该模型完全适用于咸阳市电力负荷预测,考虑因素影响的预测算法效果优于传统方法。     

基于改进粒子群神经网络短期负荷预测

在电力系统的发展过程中,电力负荷充当着非常重要的角色,电力负荷预测的精度显得尤为重要。为了提高短期电力负荷预测的精度,提出了改进的粒子群-BP神经网络混合优化算法。采用自适应惯性权重改进的粒子群算法,使得粒子群算法的收敛速度和收敛精度有所提高,改进后的算法优化神经网络的过程中,对BP神经网络的初始权值和阈值等参数进行改善,并建立基于IPSO-BP算法模型对短期电力负荷进行预测。以某地的历史负荷数据进行训练仿真,结果表明,该模型的收敛速度和预测精度优于传统粒子群-BP神经网络模型。模型改善了粒子群算法和神经网络各自的缺点,提高了BP神经网络的泛化能力。该模型提高了短期电力负荷预测精度,平均相对误差在1%左右,模型可用于电力系统的短期负荷预测。     

灰色神经网络在电力系统短期负荷预测中的应用研究

为了有效地实现电力生产和供应,对各电网的电力负荷进行准确预测就十分必要。传统的GM（1,1）预测模型有建模数据少、计算简单和良好的短期预测能力等优点,这使得其在电力负荷的短期预测中得到了很好的应用,但是它不能有效处理电力系统的非线性问题,所以这种预测方法的预测精度不是很好。文章根据电力系统的非线性和波动性提出用灰色预测模型和神经网络理论相结合的灰色神经网络模型对电力负荷的时间序列进行短期预测。实验结果表明这种方法是可行的、有效的。     

基于机器学习的短期电力负荷预测方法研究

针对短期电力负荷数据具有明显周期性的特点,将基于机器学习引入到短期电力负荷预测领域,提出一种基于岭回归估计的RBF神经网络短期电力负荷预测方法,该方法利用机器学习算法RBF在非线性拟合方面的优势,结合岭回归对RBF神经网络输出层权值进行参数估计,有效消除输入多重共线性问题,采用广义交叉验证法对构建的模型进行评估,寻找最优岭参数,提高了电力负荷预测精度。通过实际负荷预测案例,与传统BP神经网络负荷预测方法进行比对,验证了提出的电力负荷预测方法较传统方法具有较好的稳定性和较高的预测精度,为电力负荷预测提供了新思路。     

深度神经网络在配电网公变短期负荷预测中的应用研究

精准的负荷预测关系着电力系统安全、经济和可靠运行,短期负荷预测一直是电力系统的重要研究方向之一。结合深度学习理论,基于MXNet深度学习框架,采用深度神经网络算法预测配电网公变短期负荷,考虑负荷自身历史运行状态、气象因素、变压器属性、电力用户特征等多重因素影响,对传统电力负荷预测进行了创新和探索,并通过在某省的实际应用效果表明,基于MXNet框架的深度神经网络模型训练效率良好。基于深度神经网络的短期负荷预测模型有很强的泛化能力与通用性,为不同地区、不同类型的公变建立个性化的预测模型提供了可行方法。模型部署于阿里云大数据平台,基于阿里云大数据实现了配电网公变日负荷的实时预测。     

基于Attention机制优化CNN-GRU混合神经网络的短期负荷预测技术

电力系统负荷预测实质是对电力市场需求的预测,短期电力负荷预测是电力部门的重要工作之一。目前主要的负荷预测方法有传统预测、灰色预测、混沌理论预测、智能技术预测、优选组合预测等,其中智能预测中最典型的就是人工神经网络。人工神经网络是一个极其复杂的非线性动力学系统。它的自学习功能对预测有着重要的意义,能通过学习历史负荷数据来反映出输入变量和输出变量之间的非线性关系。由于很多因素都会对电力负荷造成影响,因此可以把神经网络算法引用到负荷预测中,提高电力负荷的预测精度。基于宁夏电网短期电力负荷预测的实际需求,提出了一种基于Attention机制优化CNN-GRU混合神经网络的短期负荷预测技术。该技术通过引入Attention机制对CNN-GRU模型进行改进,有效提升了预测精度和可解释性。在宁夏电网实际数据集上进行的仿真实验表明所提出的模型具有较高的预测准确性和可靠性。     

基于即时学习算法的短期负荷预测方法

针对电力系统短期负荷数据存在非线性和时变性等问题,提出了一种变量相关性局部即时学习算法和最小二乘支持向量机(LSSVM)的电力系统短期负荷预测模型。利用互信息计算气象数据、各气象因素等变量的相关度,并引入到即时学习算法训练集中,用以选择当前电力系统负荷的建模邻域,提高系统短期负荷模型预测的精度。利用相似度阈值对局部模型进行自适应更新,增强系统负荷模型实时性。利用Matlab对某市宛城区的负荷量进行预测,结果表明,基于即时学习算法的电力系统短期负荷预测模型误差更小,系统预测精度更高。     

基于TSNE-BiGRU模型短期电力负荷预测

短期电力负荷预测是电力系统合理调度与安全稳定运行的基础。为提高电力负荷预测精度,提出一种基于t分布邻域嵌入(t-SNE)算法和双向门控循环单元(Bi-GRU)网络的短期电力负荷预测方法。该方法首先通过多标签处理将电力负荷时序数据转换成高维时间戳数据,进而在维持数据信息完整性的前提下通过t-SNE算法对其降维,并结合实时电价数据,基于Bi-GRU网络学习时间戳数据、实时电价数据及实时负荷数据之间的非线性特性,最后经全连接输出层聚合相关信息给出预测结果。基于新加坡地区电力基准数据集进行试验,对比分析所建模型TSNE-BiGRU与基准模型Bi-GRU及GRU的预测性能。试验结果表明所建模型TSNE-BiGRU具有良好的鲁棒性,能有效提高短期电力负荷的预测精度。其平均百分比误差值为0.49%,相较Bi-GRU与GRU,分别降低了23.44%与32.88%;其平均绝对误差值为30.58,相较两基准模型分别降低了22.19%与32.84%;其均方根误差值为39.40,相较两基准模型分别降低了17.16%与27.88%。