两种基于相空间重构的电力系统短期负荷预测方法分析

短期负荷预测是电力系统调度运营部门一项重要的基础工作,预测精度的高低直接影响到电网运行的安全性、经济性以及电能质量。采用符合短期负荷特性的混沌理论对短期负荷进行预测,在相空间重构和混沌识别的基础上,建立短期负荷加权一阶局域多步预测模型和最大Lyapunov指数的预测模型,通过对一组实际的短期负荷数据进行预测,仿真结果表明:两种方法都能较准确地预测短期负荷,对于一周内的预测结果,最大Lyapunov指数预测模型的预测精度略高于加权一阶局域多步预测模型的预测精度。     

基于最大Lyapunov指数改进算法的水量预测与控制

为了提高城市用水量的预测精度,针对城市用水量的非线性及复杂性,应用最大Lyapunov指数改进算法,利用历史数据信息,在重构相空间的基础上对城市用水量进行短期预测,应用混沌理论对用水量时间序列进行分析,与历史数据比较,表明了预测方法的可行性和实用性.最大Lyapunov指数改进算法用于城市用水量预测及泵站水泵机组运行工况控制获得了很好的效果.     

混沌时序建模的理论在电力负荷预测中的应用

利用一种简洁实用的方法计算电力负荷最大Lyapunov指数,通过计算证明电力负荷数据存在混沌的特性.通过对负荷时序的相空间进行重构,对河北地区电力负荷的日负荷数据进行了分析,并根据混沌时序模型对其进行预测,结果表明预测精度小于3%,满足实际要求.     

基于改进径向基函数网络的电力系统短期负荷预测

电力系统短期负荷预测是电力生产部门的重要工作之一,本文利用径向基函数网络（RBF）进行负荷预测,针对RBF在负荷预测中隐含层节点数难求问题,提出了一种改进的最近邻聚类学习算法即可解决该难点,又可提高RBF神经网络收敛速度和负荷预测精度．根据某地区电网的实例进行研究,结果发现本文算法比改进前的算法预测的最小、最大相对误差分别减小0．14和1．12,证明了改进后算法有效性和可行性,为电力系统负荷预测提供了一种新途径．     

基于分段多目标相似日选取法的短期负荷预测

提出了一种基于分段多目标相似日选取算法.该方法将负荷进行分段处理,将一天的负荷根据负荷波动规律分为5段,每段分别选取相似日,可以很好地克服选择的相似日只有部分相似的情况,并提出了虚拟相似日的概念.采用负荷曲线形状相似度最大和曲线差异度最小的多目标粒子群算法,可以保证选择的相似日的负荷曲线与预测日的负荷曲线在形状上和数量上的差别最小,从而可以提高负荷预测的精度,根据该算法得到的特征系数可以很好地判断出影响该段负荷变化的主导因素.将该相似日选择算法结合改进灰色预测算法应用到某地实际负荷预测中,结果表明该算法在相似日选择和负荷预测中均具有较高的精度.     

基于DEG-WO-LSSVM模型的用电负荷预测

为了提高负荷预测的拟合精度,提出一种基于优化灰狼算法的最小二乘支持向量机负荷预测模型,针对标准灰狼算法精度低、收敛速度慢、易陷入局部最优的缺点,采用差分算法优化标准灰狼算法。利用改进的灰狼算法优化最小二乘支持向量机的两个主要参数,建立功率负荷预测研究模型。通过实例分析获得负荷预测结果,利用三种评价指标对比了四种算法模型。实验表明,改进灰狼算法优化最小二乘支持向量机的改进评价指标数值较低,拟合曲线精度更高。     

基于混沌理论的交通流短时预测模型

交通流预测是交通系统可行性分析、交通设计和交通管控的基础,短时预测是交通流预测的难点.论文在分析现有交通流预测方法的基础上,提出了一种基于混沌理论的交通流短时预测方法,利用基于小数据量的W olf改进算法计算了流率序列的最大Lyapunov指数.将基于Lya-punov指数的一维预测模式具体化,建立了交通流短时预测模型,并对模型进行了改进,改进后的预测结果具有较高的精度.该模型在智能交通系统(ITS)的交通控制与诱导方面具有广阔的应用前景.     

时用水量预测残差中的混沌及其预测研究

利用基于Lyapunov指数的混沌辨识理论,探讨了城市时用水量预测残差序列中混沌的存在及其最大预测尺度问题.针对预测模型中所利用的时用水量序列较短、采用传统Wolf算法计算Lyapunov指数存在结果不稳定的困难,引入了改进的Rosenstein短序列快速算法.鉴于预测残差中混沌成分的存在,提出了基于预测残差混沌预测修正的时用水量复合预测模型.实例结果表明:时用水量观测序列中除通常认为的周期性、趋势性及随机扰动性成分以外,还存在有较为明显的混沌成分;混沌建模预测方法的引入可以提高城市时用水量预测结果的精度.     

基于改进型小数据量法的局域网流量预测

基于Takens理论对混沌时间序列进行相空间重构,对小数据量法进行如下改进:利用C-C算法计算嵌入维和延迟时间;以功率对频率加权并采用求平均的方法计算平均周期,使小数据量法更加完善。使用改进前、后的小数据量法分别仿真计算Lorenz系统混沌时间序列的Lyapunov指数并预测混沌时间序列,并计算实测局域网流量时间序列的最大Lyapunov指数并预测局域网流量时间序列。仿真及实验结果均表明,采用改进型小数据量法进行流量预测,精度更高、速度更快、预测点数更多。     

一种改进的测井时间序列的最大Lyapunov指数求取方法

测井时间序列的解释和测井相识别是油田开发工作中的首要难题,极大地影响后续工作的成效.应用混沌理论,以相空间重构为基础,研究了油层组的混沌吸引子的特点.在此基础上,给出了一种改进的测井时间序列的最大Lyapunov指数求取方法.改进后的算法缩小了最近邻点的搜索范围,提高了运算效率.实验结果表明,不同的油层组具有不同的最大Lyapunov指数,所有油层组的最大Lyapunov指数均大于0.     

粒子群优化BP算法在电力系统短期负荷预测中的应用

为提高电力系统短期负荷预测的精度，引入一种新型的群智能方法——粒子群优化算法，并将这种智能算法与BP算法相结合，形成了粒子群优化BP算法模型，建立了计及气象因素的短期负荷预测模型．通过具体算例将此模型与单纯的BP模型进行比较，结果表明：该算法具有较高的预测精度，完全能满足实际工程的要求．     

粒子群优化BP算法在电力系统短期负荷预测中的应用

为提高电力系统短期负荷预测的精度,引入一种新型的群智能方法——粒子群优化算法,并将这种智能算法与BP算法相结合,形成了粒子群优化BP算法模型,建立了计及气象因素的短期负荷预测模型.通过具体算例将此模型与单纯的BP模型进行比较,结果表明:该算法具有较高的预测精度,完全能满足实际工程的要求.     

基于改进灰色模型的电力负荷中长期预测

基于电力系统中长期负荷预测的特点,针对常规灰色预测模型存在的不足,提出一种基于数据平滑处理,以及线性回归残差修正的改进灰色预测方法。对某地区算例比较和分析表明,本方法可明显提高中长期负荷预测精度。     

基于沿海风力发电场风机输出功率预测的分类算法对比

介绍了风力发电场风机输出功率预测的相关背景和研究意义,应用数据挖掘中的经典M5P算法和改进的M5P分类算法对风力发电机输出功率预测进行归纳、对比和分析．首先,对原始数据进行预处理,去除无效数据,以提高实验精确度和效率;然后,采用上述两种算法进行数据处理;最后,验证了改进的MSP算法对风机输出功率预测的高效性和准确性．     

Improved algorithm for calculating Lyapunov exponent and distinguishing chaos from noise

An improved algorithm for calculating the largest Lyapunov exponents (λ1) is presented based on Kantz algorithm. The presented algorithm can select a neighborhood in a certain extent according to the variety of the curves for calculating the largest Lyapunov exponent. And it can determine the linear zone based on the curves where branch is generated, thus, the largest Lyapunov exponent is obtained. The numerical experiments for the Hénon map prove that the proposed method is a direct method to identify whether a linear envelope to the curves exists in distinguishing chaos from noise, and it is superior to the Kantz algorithm.     

基于PSO-Elman神经网络的电力系统短期负荷预测模型研究

提出了基于粒子群优化算法—Elman神经网络的电力系统短期负荷预测模型,采用具有动态递归性能的Elman神经网络,可增强负荷预测模型的联想和泛化推理能力,保证负荷预测的精度。采用粒子群优化算法对Elman神经网络进行学习训练,可充分利用粒子群优化算法的全局寻优性能,克服常规学习算法易于陷入局部最优解、收敛速度慢、编程复杂等缺陷。通过对地区电网负荷系统的实例仿真证实了所提出方法的有效性,获得了较满意的预测精度,平均绝对误差和最大相对误差分别达到1.988%和4.673%。为该模型用于实际工程取得了有效的进展。     

Lyapunov指数在微弱信号检测中的应用

在基于Duffing混沌振子微弱信号检测中,针对直观观察相图法和Melnikov法在判定系统状态上存在的不足,为提高检测系统状态判定的准确性和信号检测的可靠性,提出了利用Lyapunov指数定量地分析和判定系统的状态。在分析利用Lyapunov指数判定系统状态方法的基础上,结合Lyapunov指数算法,计算出Duffing系统的Lyapunov指数谱,分析了系统内置驱动信号幅值、Lyapunov指数及系统状态之间的关系,结果表明,Lyapunov指数能定量和准确地刻画系统的状态。     

遗传神经网络优化预测方法研究及其应用

根据短期电力负荷预测的特点,将遗传算法和人工神经网络相结合,提出一种负荷预测新算法─—遗传神经网络优化预测方法。该方法明显地提高了模型的优化能力,有效地克服了人工神经网络学习速度慢、存在局部极小点的固有缺陷。经实例验证,该方法能有效地提高预测精度和速度。