基于Elman神经网络的电力负荷预测模型研究

为提高电力负荷预测精度,文章采用Elman神经网络建立模型,提出了一种基于Elman神经网络的电力负荷预测方法,采用自适应学习速率动量梯度下降反向传播算法进行网络训练,对乌鲁木齐电网的实际历史数据进行了仿真,仿真结果表明,Elman神经网络对电力负荷进行预测具有收敛速度快,预测精度高的优点。     

基于Attention-LSTM的电力负荷自动预测方法

电力负荷预测方法异常数据筛选能力较差,导致预测精度较低,为此,基于Attention-LSTM研究一种新的电力负荷自动预测方法,构建ZigBee组网协议下的数据采集信息组网,采集电力负荷原始数据,建立自动预测模型,将电力负荷数据输入到数据处理模块中,构建模态序列,将各个子序列中的模态分量结果重组叠加,得到电力负荷功率的预测结果。实验结果表明,该方法能够筛选出绝大部分异常数据,异常数据筛选率在90%以上,预测精度在99%以上,预测时间低于15 s。     

基于改进灰色模型的电力负荷可靠性预测系统设计与实现

针对传统时序数据预测方法难以准确预测电力负荷数据的问题,文中设计了一种基于改进灰色模型的电力负荷可靠性预测系统。在历史数据样本容量小的条件下,将灰色模型选为负荷预测的基础模型,在考虑气象因素的基础上,采用残差修正法与马尔科夫法改进灰色模型,修正电力负荷的预测值并通过Matlab实现预测算法。同时利用MySQL作为数据库管理软件,设计得到相应的电力负荷可靠性预测系统。基于该预测系统展开电力负荷预测实验,结果表明,文中所设计预测系统的平均精度可达99%,能够有效预测电力负荷,验证系统的正确性与实用性。     

基于智能优化的电力负荷预测方法研究

为了使电力系统短期负荷预测精度得到提高,提出了基于智能优化的电力负荷预测方法.通过粒子群优化算法的分析创建智能优化预测模型,通过模型能够得出优化阈值与权值;创建神经网络,确定不同层神经元权值.通过创建的神经网络模型实现电力负荷预测算例的分析,以某地区电力信息为例对文中电力负荷预测方法的精度进行研究.研究结果表明,文中算...     

基于深度信念网络的短期电力负荷预测

对电力负荷预测的原理、步骤及方法做了简要分析,对深度信念网络做了细致描述,在此基础上,提出了用深度信念网络的方法预测短期电力负荷,并做了相应的实验,深度信念网络的预测值十分逼近实际值,预测误差的绝对值范围小,为0~0.08,且误差范围波动较小,预测稳定。表明基于深度信念网络的短期电力负荷预测模型预测精准,具有很高的预测精度和预测稳定性。     

基于改进GRU的短期电力负荷预测方法

为提高电力负荷预测的准确性,采用灰狼优化(Grey Wolf Optimizer,GWO)算法对门控循环单元(Gated Recurrent Unit Neural Network,GRU)神经网络进行优化,并进行短期电力负荷预测.首先预处理数据并量化影响因素,然后搭建基于GWO超参数优化的GRU神经网络模型,最后与其...     

基于蚁群算法的电力负荷组合预测

为了提高负荷预测的准确性,引入了优化组合预测模型,将几个电力负荷预测模型有机地结合起来,通过综合各个预测模型的优点,得出更为准确的结果。文中采用改进蚁群算法作为优化方法,并用实例证明,基于改进蚁群算法的电力负荷组合预测方法,运算速度快,预测精度高,相对误差小,有一定的实用价值。     

城市电力规划负荷预测之我见

在城市电网规划工作中,电力负荷预测是电力系统规划的基础和重要组成部分,是合理确定城市电源电网规模和布局的基本依据。文章对城市电网电力负荷预测模型方法进行简单阐述,力负荷综合预测体系进行了详细分析研究,最后结合当地电网规划设计实例,详细分析了空间负荷预测法在城市电网规划设计中的应用。     

基于GSABO-BP和Bootstrap的电力负荷区间预测

针对电力负荷序列波动性强、预测精度低的问题,提出一种基于GSABO-BP模型和Bootstrap的电力负荷区间预测方法。首先提出一种改进的减法优化算法（GSABO）,在保留减法优化算法（SABO）良好的收敛性基础上,融合黄金正弦算法（Gold-SA）来提升其搜索能力;然后,利用所提方法对BP神经网络的权值和阈值进行寻优,构建GSABO-BP预测模型,对电力负荷进行点预测;最后,采用Bootstrap方法分析电力负荷功率预测误差,结合点预测结果确定输出结果的波动区间。经仿真测试,所提方法寻优能力强、鲁棒性好;且相比于其他算法,该方法的预测精度、区间可靠性、区间宽度等均有显著提升。综合点预测和区间预测效果可知,二者结合有助于准确评估预测误差,具有较高的实际应用价值。     

基于深度学习的电力负荷预测方法综述

电力能源的合理使用和调度一直是关系民生的重要问题,其中的电力负荷预测是近年来学者研究的重点.传统的基于统计学习方法的预测方法由于负荷的非线性和随机因素导致效果不佳,因此研究者把目光放在了近年来热门的人工智能(Artificial Intelligence,AI)领域,比如人工神经网络(Artificial Neural...     

基于VMD和GWO-SVR的电力负荷预测方法

预测负荷的精准度是衡量电力系统负荷预测模型性能的一个重要指标。电力负荷序列变化规律多样,具有周期性、非平稳性、随机性等特点,因此采用变分模态分解方法分解负荷序列,得出其不同特性的模态函数分量,进而降低原始数据的复杂程度和模态混叠现象以提高负荷预测的精度,将其代入灰狼优化的支持向量回归机模型,得到最终日负荷预测值。使用VMD-GWO-SVR预测方法在Matlab R2014b软件上对2014年南美某地区日负荷数据进行仿真验证,结果表明该方法使得日负荷预测精度可达99.15%,验证了该预测模型的有效性和高精度。     

基于模糊集理论的短期电力负荷预测

利用BP神经网络进行电力系统短期负荷预测，应用模糊集理论将天气、温度等敏感因素模糊化后作为BP神经网络的一部分输入进行训练，构造了相应于不同季节的预测模型，预测未来一天12小时负荷。典型算例的计算表明，该方法是有效的。     

基于EMD和神经网络的短期电力负荷预测

提出了采用经验模态分解（EMD）和神经网络结合的方法对短期电力负荷进行预测.通过EMD算法将电力负荷的时间序列分解为若干个固有模态函数,采用神经网络对各个固有模态函数分别预测,然后求和重构各个固有模态函数的预测值,最后得出总的负荷预测值.通过仿真分析,该方法相对于采用单一的神经网络预测降低了预测误差,改善了短期负荷预测的有效性.     

电力负荷数据预测方法模型的设计

随着社会的不断进步和国民经济的不断发展,人们对供电质量和效率方面的要求越来越高。为了提升电力系统负荷数据预测的准确程度,本文就目前负荷特性在研究中出现的一些问题主要分析了气候条件对电力负荷的影响,并且就一种电力负荷的预测方法展开了探讨,最后通过实际例子的举出,证明了该方法的所具备的有效性。     

基于模糊时间序列的短期电力负荷预测

本文利用时变模糊时间序列模型预测未来一小时的负荷,给出了一种短期电力负荷预测新方法。同时,分析了时变模糊时间序列模型相关参数对预测精度的影响。应用模糊时间序列进行电力负荷预测,克服传统时间序列在建立离散的递推模型时需要准确的数据的缺点,消除了病态数据对模型的影响。应用山东省某电力公司的数据进行仿真研究取得了较好的预测精度。     

基于线性判别分析的电力负荷预测

为了更加有效地减少电力负荷预测模型的输入变量以提高模型运行速度和预测精度,利用线性判别分析法（LDA）对输入变量进行降维处理,并与主成分分析法（PCA）在BP神经网络、支持向量机（SVM）和决策树梯度提升算法（LGBM）三种模型上进行实例分析对比,结果显示,使用LDA降维的三种模型的RMSE分别降低了42 MWh、62 MWh、55 MWh左右,MAPE分别降低了0.6%、0.9%、0.7%左右,预测精确度更高,在其中两种模型上还能显著缩短运行时间,模型的整体性能得到有效提高。     

基于CNN-GRU SA模型的短期电力负荷预测研究

为了解决预测模型无法充分挖掘特征等问题,提出一种基于CNN-GRU SA混合模型的短期电力负荷预测方法.通过CNN模型提取输入数据的向量特征,利用双层GRU模型学习输入特征,掌握其特征规律,Self-attention机制充分挖掘输入的特征信息,最后预测出负荷值.实验采用英格兰公开数据集,实验结果表明,相较于CNN-G...     

基于改进神经网络模型在电力负荷预测中的实现

本文介绍了电力负荷预测的重要性,并以泊头市一周内的电力负荷值进行预测,得出PSO—ELMAN网络预测结果要比PSO—BP网络预测结果精度高得多。