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。     

电力系统短期负荷预测的级联网络模型研究

提出一种基于BP子网络和小波网络的短期负荷预测的级联网络模型。在对气象影响因素与负荷关系深入分析的基础上,采用BP子网络来映射气象等不确定因素的影响。采用小波网络(预测网络)来映射历史负荷值的影响,它结合了小波变换良好的时频局域化性质和神经网络的自学习能力,明显地改善了神经网络难以合理确定网络结构和存在局部最优等缺陷。最后两级网络相互级联组成预测网络。研究算例表明,这种模型是优秀的。     

电力系统短期负荷预测的级联网络模型研究

提出一种基于BP子网络和小波网络的短期负荷预测的级联网络模型.在对气象影响因素与负荷关系深入分析的基础上,采用BP子网络来映射气象等不确定因素的影响.采用小波网络(预测网络)来映射历史负荷值的影响,它结合了小波变换良好的时频局域化性质和神经网络的自学习能力,明显地改善了神经网络难以合理确定网络结构和存在局部最优等缺陷.最后两级网络相互级联组成预测网络.研究算例表明,这种模型是优秀的.     

基于级联神经网络的短期负荷概率预测新方法

针对负荷历史数据的统计特征,提出一种基于RBPN网络和RBF网络的级联神经网络预测方法.本模型将历史负荷与其相对应的影响因素进行模式分类,由最大后验概率判别准则确定待预测日影响因素的模式,并利用其对应模式样本数据进行负荷预测.该算法减少了训练样本的数量,提高了预测精度,最后给出的算例证明该方法是合理有效的.     

基于RBF神经网络与模糊控制的短期负荷预测

针对电力系统短期负荷预测,综合考虑温度、日期类型和天气等因素对短期电力负荷的影响,建立了径向基函数（Radial?Basis?Function,RBF）神经网络和模糊控制相结合的短期负荷预测模型。该模型利用RBF神经网络的非线性逼近能力对预测日负荷进行了预测,并采用在线自调整因子的模糊控制对预测误差进行在线智能修正。实际算例表明RBF神经网络与模糊控制相结合提高了预测精度。     

神经网络在电力系统短期负荷预测中的应用综述

神经网络是目前研究最多的短期负荷预测方法。详细综述了BP网络、RBF网络以及小波神经网络在电力负荷预测领域的研究和应用现状。简单介绍了神经网络中常用的BP算法以及改进的BP算法。综述了神经网络在组合预测中的应用，并指出目前神经网络还存在的一些问题。     

神经网络预测中长期电力负荷对比研究

为避免传统方法预测中长期电力负荷建模的复杂性,根据电力负荷历史数据,研究了基于LM算法的BP网络、RBF网络在中长期电力负荷预测中的应用,通过神经网络对训练样本的学习,自动提取影响中长期电力负荷的诸多因素。从训练速度、预测误差等方面分析对比了两种神经网络预测能力,仿真和实例数据表明了两种神经网络在中长期电力负荷预测方面的可行性和良好效果。     

神经网络预测中长期电力负荷对比研究

为避免传统方法预测中长期电力负荷建模的复杂性,根据电力负荷历史数据,研究了基于LM算法的BP网络、RBF网络在中长期电力负荷预测中的应用,通过神经网络对训练样本的学习,自动提取影响中长期电力负荷的诸多因素.从训练速度、预测误差等方面分析对比了两种神经网络预测能力,仿真和实例数据表明了两种神经网络在中长期电力负荷预测方面的可行性和良好效果.     

基于人工神经网络的短期负荷预测的研究

针对电力系统短期负荷预测的特点,以及人工神经网络的自学习和复杂的非线性拟合能力,将人工神经网络的BP、Elman、RBF三种模型用于短期负荷预测,建立了短期电力负荷预测模型,综合考虑气象、天气等影响负荷因素进行短期负荷预测.某电网实际预测结果表明,RBF比BP、Elman有更好的预测精度,更快的速度.     

基于竞争分类的神经网络短期电力负荷预测

根据电力负荷的特点,在考虑天气、日类型、实际历史负荷等因素对预测负荷影响的基础上,提出了一种基于竞争分类的神经网络短期负荷预测方法.应用神经网络的竞争学习对相关数据进行分类,将历史数据分成若干类别从而找出与预测日同类型的预测类别.利用相应的BP算法对未来24小时负荷进行短期预测,该方法充分发挥了神经网络处理非线性问题的能力.结果表明,该方法取得了较满意的预测精度.     

模糊聚类分析和代数算法结合的短期负荷预测

为了提高短期负荷预测速度和精度,提出了将模糊聚类分析和神经网络代数算法相结合的短期负荷预测方法.综合考虑天气、日类型、历史负荷等对未来负荷变化的影响,通过模糊聚类分析选取学习样本,找出同预测目相符的预测类别,采用神经网络代数算法训练样本,对24小时负荷(24点)每点建立一个预测模型.该方法充分发挥了神经网络和模糊理论处...     

基于人工神经网络和模糊集的电力系统短期负荷预测方法

综合考虑到温度、日期类型和天气等因素对短期电力负荷的影响,提出了一种将人工神经网络(ANN)RBF模型和模糊逻辑相结合的短期负荷预测方法.该方法将电力负荷分为周期性的基本负荷和受多种因素影响的变动负荷两部分,对于周期负荷用ANN进行预测,采用负荷预测中比较精确的RBF算法;变动负荷采用模糊逻辑对天气因素、温度、日期类型分别做不同的模糊处理,然后利用模糊推理规则对基本负荷预测结果进行修正.通过典型算例与普通BP法预测结果相比较,结果表明该方法具有较高的预测精度.     

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。     

基于功率谱分解和实时气象因素的短期负荷预测

提出了基于功率谱分解和实时气象因素的短期负荷预测方法,采用快速傅里叶变换(fast Fourier transform,FFT)对负荷序列进行变换得到功率谱,依据变换结果分析功率谱得出负荷基频、低频和高频分量的频率范围,采用有限脉冲响应(finite impulse response,FIR)滤波器从负荷中分离出各 个负荷分量。分析各个负荷分量的特点,针对各个负荷分量分别设计预测模型,对基频分量采用Elman回归神经网络进行预测,这部分较好地反映出基频分量的时间序列特性;对低频和高频分量分别采用自适应线性回归神经网络进行预测,在对这部分分量的预测中重点引入实时气象因素,以利用最新的气象信息提高预测精度。通过在某地区的实际应用证明了所提出方法的有效性。     

基于相似日的神经网络短期负荷预测方法

人工神经网络是模拟人脑神经元结构、特性和大脑认知功能而构成的新型信号、信号处理系统。本文针对电力负荷短期预测问题,提出了一种基于相似日的神经网络预测方法,采用反向传播算法,考虑气象因素对负荷的影响,提高了学习效能,具有较好的预测精度。本方法很适合在短期负荷预测中使用,预测结果验证了上述结论。     

粗糙集信息熵与自适应神经网络模糊系统相结合的电力短期负荷预测模型及方法

电力系统短期负荷预测不仅要考虑负荷本身的历史时间序列,而且与气象因素密切相关,自适应神经网络模糊系统(Adaptive Neuro-Fuzzy Inference Sysrem,ANFIS)模型是一种有效的预测方法,而系统输入变量的合理性选择是影响预测效果的关键所在.作者通过粗糙集理论中的信息熵概念对解决这一问题进行了尝试,选取与待预测量相关性大的参数作为输入.所构造ANFIS系统是基于数据进行建模并进行参数辨识的,这样有效地避免了模糊推理系统(Fuzzy Inference System,FIS)中人为主观因素对预测的负面影响,客观地反映了相关变量与负荷值之间的复杂关系.用该方法与常用BP神经网络及常用FIS分别对重庆市某区进行了一周的日负荷预测,通过对实例的对比分析表明了该方法具有较好的收敛性和预测精度.     

D-S证据理论融合改进BP网络的短期负荷预测研究

针对传统BP网络收敛速度较慢且实时性较差的缺点,在考虑了气候因素的情况下,分别用三种BP网络算法对某地区的负荷进行预测,通过对预测误差的分析,用证据理论的Dempster合成法则对算法进行融合,通过选取待预测日之前几天的数据作为融合样本,规定相应的基本信度函数,得到融合后的信度分配,从而决定相应时刻的预测模型,仿真结果表明,经过证据理论融合后选择的负荷预测算法具有更高的预测精度。     

Next day load curve forecasting using hybrid correction method

This work presents an approach for short-term load forecast problem, based on hybrid correction method. Conventional artificial neural network based short-term load forecasting techniques have limitations especially when weather changes are seasonal. Hence, we propose a load correction method by using a fuzzy logic approach in which a fuzzy logic, based on similar days, corrects the neural network output to obtain the next day forecasted load. An Euclidean norm with weighted factors is used for the selection of similar days. The load correction method for the generation of new similar days is also proposed. The neural network has an advantage of dealing with the nonlinear parts of the forecasted load curves, whereas, the fuzzy rules are constructed based on the expert knowledge. Therefore, by combining these two methods, the test results show that the proposed forecasting method could provide a considerable improvement of the forecasting accuracy especially as it shows how to reduce neural network forecast error over the test period by 23% through the application of a fuzzy logic correction. The suitability of the proposed approach is illustrated through an application to actual load data of the Okinawa Electric Power Company in Japan.     

基于模糊聚类的神经网络短期负荷预测方法

针对电力负荷的特点，综合考虑天气、日类型、历史负荷等对未来负荷变化的影响，提出了一种新的短期负荷预测方法。通过模糊聚类选取学习样本，采用反向传播算法，对24点每点建立一个预测模型。该方法充分发挥了神经网络和模糊理论处理非线性问题的能力，提高了学习效能，在负荷平稳的季节和负荷波动较大的季节都具有较好的预测精度。