Daily peak electric load forecasting using an artificial neural network and an improvement method for reducing the forecasting errors

This paper proposes a forecasting method for shortterm peak electric loads using a 3-layer neural network of locally active units. Each unit in the hidden layer of the neural network is activated only by input vectors in a bounded domain of vector space. This characteristic enables additional learning. Furthermore, it is supposed to provide the network structure with information that helps to improve forecasting accuracy. The neural network is applied to daily peak load forecasting simulations in summer. The results show that the proposed method is superior to a conventional neural network with the backpropagation algorithm. To make the best use of the neural network, an error-oriented method of parameter modification is also examined.     

基于神经网络和模糊理论的短期负荷预测

电力系统负荷预测是能量管理系统(EMS)的重要组成部分,它对电力系统的运行、控制和计划都有着非常重要的影响,提高电力系统负荷预测的准确度既能增强电力系统运行的安全性,又能改善电力系统运行的经济性,但负荷预测的复杂性、不确定性使传统的基于解析模型和数值算法的模型难以获得精确的预测负荷。为提高电力系统短期负荷预测准确度,构建了一种新型的负荷预测模型。该模型首先采用多层前馈神经网络,以与预报点负荷相关性最大的几种因素作为输入因子,以改进BP算法作为预测算法,来获得预报日相似日负荷曲线;然后引入自适应模糊神经网络,用于预测预报日的最大、最小负荷;针对模糊神经元的权值更新问题,采用一种新的权值更新算法———一步搜索寻优法,在获得预报日相似日各点负荷和最大、最小负荷的基础上,通过纵向变换,对预报日的负荷修正,进一步减小预测误差。用上述模型和算法预测某地区电网的短期负荷,取得了良好的预测效果。     

基于Elman神经网络的甘肃电网负荷预测模型

为提高甘肃电网负荷预测精度,提出了一种基于神经网络的负荷预测方法。针对甘肃电力系统负荷数据的非线性和动态特性,在多层前向BP网络中引入特殊关联层,形成有“记忆”能力的Elman神经网络,从而可以映射系统的非线性和动态特性。在网络训练算法中,采用自适应学习速率动量梯度下降反向传播算法,显著提高了网络的训练速率,有效地抑制了网络陷入局部极小点。文中分别采用El-man神经网络与BP神经网络建立模型,对甘肃电网实际历史数据进行仿真预测,经分析比较,证明前者具有收敛速度快、预测精度高的特点。这表明利用Elman回归神经网络建模对甘肃电网负荷进行预测是可行的,能有效提高负荷预测精度,在负荷预测领域有着较好的应用前景。     

基于马尔科夫状态转移的家居负荷预测模型

智能配电网的发展增强了家居负荷预测的重要性.基于状态转移的研究思路,提出基于相似日选择的蒙特卡洛马尔科夫单个设备负荷预测模型,采用自下而上的分析方法,获取单个家庭的综合负荷水平.对温控类型设备,采用皮尔逊相关系数研究了环境温度与设备运行周期之间的相关性,建立了隐马尔科夫模型,依据当天外界环境信息对温控类型设备的压缩机运行状态做出预测,进一步计算了不同时间段内的平均功率体现用户负荷水平.仿真结果表明,基于相似日选取的蒙特卡洛马尔科夫模型对不同设备的日平均负荷的预测误差约为2％～8％,而隐马尔科夫模型对温控类设备状态预测的精度约为70％.     

带温度补偿的神经网络用于电力系统短期负荷预测

带温度补偿的神经网络结构和短期负荷预测方法在前向神经网络的输入和输出节点上对负荷引入了相应的温度补偿,其中所涉及的临界温度和温度补偿系数将与前向神经网络本身的权系数一起通过训练而自动获得。对陕西电网2001年1月开始连续45个月的预测试验结果表明,高温日期的平均负荷预测精度比用常规前向神经网络高3％-6％。神经网络的训练采用求解无约束最优化问题的BFGS算法,不但保证了神经网络学习的收敛性,而且可以减少隐节点的数目,使神经网络的推广能力和预测精度显著提高。     

短期负荷预测的组合数据挖掘算法

给出了一种短期电力负荷预测的组合数据挖掘算法.通过日负荷特性分析,在设定长度的最近历史日期中选择与预测日天气最相似的为基准日,通过该模式下天气相似日的相关影响因素差异与相应负荷变化率关联规则挖掘建模,挖掘模型算法采用C4.5和CART算法的基于BP网络加权组合,算法还基于范例推理给出节假日调整因子校正节假日的影响,设计出一种高精确度短期负荷预测系统.实际应用结果表明该组合算法预测精确度高、效果良好.     

A Novel Approach for Network Reconfiguration Based Load Balancing in Distribution Networks

Network reconfiguration for load balancing is the determination of switching-options for a particular set of loads on a distribution system that improves load balancing the most and is performed altering the topological structure of distribution feeders by changing open/closed status of sectionalizing and tie-switches. By transferring loads from the heavily loaded feeders to the lightly loaded ones, network reconfiguration can balance feeder loads and alleviate overload conditions of a network. In this paper a novel method is proposed by formulating an algorithm to reconfigure distribution networks for load balancing. Systematic logical approach is used to determine the feasible switching combinations, select the status of the switches, and find the best combination of switches for maximum improvement in load balancing. The algorithm has been developed in two stages. In the first stage, a limited number of switching combinations is formed by trinary logic principle. A simultaneous switching approach is applied logically to find the best combination by selecting the appropriate switching options, connecting the switches accordingly, and assigning the loads for the newly formed combinations. In the next stage, the search is extended to investigate whether any other switching combination gives rise to maximum improvement in load balancing, compared to the improvement obtained in the first stage. This is carried out by considering one after another, the branches next to the open-branches of the best configuration, and the switching configuration that gives the maximum improvement in load balancing is identified. The proposed method has been tested on a 69-bus test system, and the test results indicate that the algorithm proposed is able to determine the appropriate switching-options of the optimal (or near optimal) configuration with less computation. This paper proposes a scheme to implement the simultaneous switching algorithm for real-time on-line control of three-phase distribution networks, with symmetrical loading per phase.     

利用多源信息和深度置信神经网络的配电系统空间负荷预测

准确的空间负荷预测是配电系统精益化规划的基础。在此背景下,提出利用多源信息融合和深度置信神经网络的配电系统空间负荷预测方法。首先,在分析空间负荷元胞多源信息特征的基础上,采用基于程度副词语义标定的结构化方法对负荷元胞的非结构化属性进行结构化处理,以充分挖掘利用负荷元胞数据信息。然后,采用受限玻尔兹曼机方法和反向传播（back propagation, BP）算法相结合学习元胞特征,以提升元胞高维特征提取的性能,并采用训练后的深度置信神经网络预测待规划区域的空间饱和负荷密度。最后,以某城市的区域配电系统为例,对所提出的空间负荷预测方法进行验证;仿真结果表明：在空间负荷预测模型中考虑非结构化信息的影响可以提高空间负荷预测精度,且与现有的一些方法相比,所提方法的预测精度更高。     

前馈神经网络的模糊 PID 算法及其在电力系统负荷预测中的应用

提出了多层前馈神经网络的模糊ＰＩＤ学习算法（ＦＰＢＰ）。这种算法是把多层前馈神经网络的学习过程当作一个动态控制系统来处理,确定出动态控制系统达到稳态时的ＰＩＤ控制器参数,然后再基于模糊控制的思想,对确定出的ＰＩＤ控制器参数进行模糊调整。文中给出了这种算法在电力系统负荷预测中的实际应用,并与标准ＢＰ算法作了比较。结果表明,该算法提高了网络的学习速度和预测的精度。     

基于QPSO_RBF的电力系统短期负荷预测

针对径向基函数(RBF)网络在电力系统短期负荷预测中存在的问题,提出一种量子粒子群优化(QPSO)算法训练RBF网络的方法,在确定网络隐含层节点个数后,将RBF网络各个参数编码成学习算法中的粒子个体进行优化,由此可在全局空间中搜索最优适应值的参数。用优化后的网络进行负荷预测,结果表明,该方法与传统的负荷预测方法相比,减少了训练时间并提高了预测精度,具有较好的应用前景。     

马尔科夫理论在中长期负荷预测中的应用

针对灰色预测模型对随机波动性较大的数据序列拟合较差、预测精度较低的情况,提出了一种基于马尔科夫灰色残差修正的预测模型,该模型考虑到马尔科夫理论中转移概率可以反映随机因素的影响、适用于随机波动较大的动态过程的特点,将其与灰色预测模型进行有机结合.文中一方面利用马尔科夫链对电力负荷的未来残差值进行修正;另一方面运用马尔科夫...     

Short-term hourly load forecasting using time-series modeling withpeak load estimation capability

This paper presents a new time series modeling for short term load forecasting, which can model the valuable experiences of the expert operators. This approach can accurately forecast the hourly loads of weekdays, as well as, of weekends and public holidays. It is shown that the proposed method can provide more accurate results than the conventional techniques, such as artificial neural networks or Box-Jenkins models. In addition to hourly loads, daily peak load is an important problem for dispatching centers of a power network. Most of the common load forecasting approaches do not consider this problem. It is shown that the proposed method can exactly forecast the daily peak load of a power system. Obtained results from extensive testing on the Iran's power system network confirm the validity of the developed approach     

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。     

考虑温度模糊化的多层长短时记忆神经网络短期负荷预测

智能电表的普及为短期负荷预测提供了海量数据,使得负荷精细化预测成为可能,而温度是影响夏季负荷的重要因素。提出一种考虑温度模糊化的多层长短时记忆神经网络(ML-LSTM)短期负荷预测方法。利用隶属度函数将预测时刻的温度和当日的平均温度进行模糊化处理,减小夏季温度波动性对负荷预测的影响;建立含3层隐藏层的长短时记忆神经网络(LSTM)预测网络,并利用适应性矩估计(Adam)优化算法提高LSTM梯度参数的自适应性学习能力。利用西南某地区2018年6月至8月的实测温度和负荷数据进行验证,负荷预测结果表明,ML-LSTM模型比BP神经网络和支持向量机的负荷预测精度更高,且温度的模糊化处理提高了模型的泛化性。     

扩展短期负荷预测的原理和方法

在电力市场环境下，制定和调整当日负荷计划的周期缩短，负荷预测系统需要在留有2h时间裕度的情况下，对当日未知负荷进行重新预测。该文提出的扩展短期负荷预测方法可以满足这种要求，并在文中仔细阐述了该方法的应用背景，理论及概念，给出了实现方案，最后，以实际系统数据说明了该方法的必要性和实用性。     

基于粗糙集理论和动态时序模型的日负荷曲线预测新方法

作者提出了一种短期日负荷曲线预测新方法.该方法首先采用日最小负荷对日负荷曲线进行规范化,再将日负荷曲线预测转化为对日最小负荷的预测和对日规范化负荷曲线的预测.对日最小负荷预测应用动态时序模型;对日规范负荷曲线应用专家系统进行推理预测,专家系统中的推理规则应用粗糙集理论从历史数据中获取.采用上海电网数据对该预测方法进行了测试,结果表明该方法便于对各种影响因素进行分析处理,能够更有效地利用历史数据所包含的信息.     

基于灰色和马尔科夫系统理论的需求侧响应能力预测

近年来,随着分布式电源、电动汽车、智能用电器在用户侧接入比例越来越高,可以调动的需求侧资源将越来越丰富。探究多重变量对需求侧响应的影响,提出基于灰色关联度的多阶灰色预测模型和马尔科夫链模糊矩阵相结合的预测方法,对长期需求侧响应能力进行预测。采用的多阶灰色预测模型主要考虑到了负荷自变量的时间特性以及多重外在变量的相关性,而灰色关联度分析方法可以定量的研究事物之间的关联程度,当状态变量和时间变量是离散数据时,马尔科夫链对灰色理论中间累加过程中产生的误差有较好的调整效果,因此采用马尔科夫链模糊矩阵对预测误差进行修正,提高了长期需求侧响应能力的预测精度。结合我国上海市近10年的负荷数据,验证了所提预测方法的有效性。     

应用模糊神经网络的短期负荷预测

提出用于短期负荷预测的模糊系统。该系统具有神经网络的结构和学习算法,称模糊神经网络ＦＮＮ。ＦＮＮ以现有的历史负荷生成规则,以最小隶属度法增补规则。规则参数经过修正后,ＦＮＮ的输出能与负荷数据很好地吻合。一经训练,ＦＮＮ就能预报未来负荷。     

Short-term load forecasting using an artificial neural network

An artificial neural network (ANN) method is applied to forecast the short-term load for a large power system. The load has two distinct patterns: weekday and weekend-day patterns. The weekend-day pattern includes Saturday, Sunday, and Monday loads. A nonlinear load model is proposed and several structures of an ANN for short-term load forecasting were tested. Inputs to the ANN are past loads and the output of the ANN is the load forecast for a given day. The network with one or two hidden layers was tested with various combinations of neurons, and results are compared in terms of forecasting error. The neural network, when grouped into different load patterns, gives a good load forecast     

基于分形理论的电力负荷持久性分析及预测

讨论了非线性电力负荷持久性问题,并在持久性区间利用分形插值算法进行了短期负荷预测。运用分形理论中的重标极差分析方法构造了电力负荷分析模型,揭示了负荷波动变化的持久性,表现出了隐藏于随机性之后的有序性,说明负荷特性是可以延伸的。由于在持久性区间内负荷之间是紧密联系的,因此可利用分形拼贴定理与分形插值算法求取与负荷历史记录相近吸引子的迭代函数系统,进而实现高精度的日电力负荷预测。