改进的遗传灰色RBF模型的短期电力负荷预测

为了在智能电网环境下提高短期电力负荷预测的精度,提出了一种考虑实时电价影响的遗传算法改进的灰色RBF模型。该方法利用灰色模型可以减弱数据随机性以及RBF神经网络的高度非线性的优点,弱化实时电价对短期电力负荷预测的影响,针对两种方法结合容易陷入局部最优和收敛性问题,采用遗传算法对网络进行了优化,得到最终预测结果。实例验证表明,与灰色RBF预测方法相比,该方法具有更高的负荷预测精度和较强的适应能力。     

基于遗传灰色神经网络模型的实时电价条件下短期电力负荷预测

在智能电网条件下,用户的用电模式将会发生重大变化,其中一个显著的变化就是用户可以根据电能需求结合实时电价调整其消费模式。这使得用户负荷预测更为复杂。在对影响短期电力负荷特性的各种因素进行分析的基础上,综合考虑了实时电价的影响,提出了一种用遗传算法优化改进的灰色神经网络方法,利用灰色模型可以弱化数据的随机性以及神经网络的高度非线性,对短期负荷进行预测,采用遗传算法对网络进行优化,从而提高了预测的精确度。实例证明该算法能较好地解决实时电价下的短期负荷预测问题。     

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。     

基于实时电价与支持向量分位数回归的短期电力负荷概率密度预测方法

智能电网环境下,实时电价对用户用电模式的影响较大,为了提高考虑实时电价的短期电力负荷预测精度,更好地反映电力负荷的不确定性。提出了支持向量分位数回归方法,通过引入松弛变量构造Lagrange函数,得出不同分位点下的未来一天任意时刻电力负荷的预测结果。同时采用Epanechnikov核函数,将SVQR与核密度估计相结合,进行短期电力负荷概率密度预测,可得到未来负荷准确的波动范围。以新加坡的历史负荷和实时电价数据为例,进行短期电力负荷概率密度预测,结果表明该方法能够较好地解决考虑实时电价的短期电力负荷概率密度预测问题。     

基于Attention-GRU的短期电价预测

通过分析得出电价与负荷具有相关性,因此在电价预测模型中需要考虑实时负荷的影响。在此基础上针对前馈神经网络不能处理时序数据的缺陷与LSTM神经网络预测速度慢的问题,提出了一种基于Attention-GRU (Attention gated recurrent unit, Attention-GRU)的实时负荷条件下短期电价预测模型。该模型充分利用电价的时序特性,并采用Attention机制突出了对电价预测起关键性作用的输入特征。以美国PJM电力市场实时数据为例进行分析,通过与其他几种预测模型相比,验证了该方法具有更高的预测精度;与LSTM神经网络相比具有更快的预测速度。     

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。     

自适应变系数粒子群和径向基神经网络在短期电价预测中的应用(英文)

分析了传统的粒子群优化(particle swarm optimization,PSO)算法和径向基(radial basis function,RBF)神经网络的优缺点,提出一种自适应变系数粒子群优化算法(adaptive variable coefficients particle swarm optimizer,AVCPSO)。该算法与RBF神经网络结合形成自适应变系数粒子群-径向基(AVCPSO-RBF)神经网络混合优化算法。基于此优化算法,建立了短期电价预测模型,并利用贵州电网历史数据进行短期电价预测。仿真计算结果表明,AVCPSO-RBF混合优化算法在短期电价预测中优于传统RBF神经网络法和PSO-RBF神经网络方法,克服了上述2种方法的缺点,改善了RBF神经网络的泛化能力,具有输出稳定性好、预测精度高、收敛速度快等特点,使用该方法得到的各日预测电价的平均百分比误差可控制在2%以内,平均绝对误差最大值为1.652RMB/MW·h。     

粒子群优化的神经网络模型在短期负荷预测中的应用

为了提高电力系统短期负荷预测精度,针对传统径向基函数（RBF）神经网络在负荷预测中存在的问题,提出一种新的预测模型：粒子群优化的RBF神经网络模型。粒子群算法是一种新的全局优化算法,有很强的全局寻优能力,用它来优化RBF神经网络的权值,并用优化好的RBF网络进行负荷预测。仿真在虚拟仪器LabVIEW和Matlab软件平台上进行,结果表明该预测模型精度高于传统RBF神经网络模型,具有一定实用性。     

基于小波包分解和长短期记忆网络的短期电价预测

在电力市场环境下,精准的短期电价预测可以保障电网优化调度和安全稳定运行,但实时电价具有非平稳性和非线性的特点,加大了预测难度。针对这一问题,提出了一种基于小波包分解（WPD）和长短期记忆（LSTM）网络的短期实时电价预测方法。将实时电价序列分解,得到最高频细节部分和低频趋势部分,剔除波动性高、无效信息多的高频细节部分,再采用LSTM网络对有效信息最多、更能体现电价序列的趋势部分进行实时电价预测。使用所提方法对美国PJM市场某地区实时电价数据进行预测实验,结果表明所提方法相比随机森林、BP神经网络、支持向量机电价预测方和传统的LSTM网络电价预测方法具有更高预测精度。     

基于RBF神经网络的短期电力负荷预测

深入研究了温度、湿度以及风速等气象条件对电力负荷的影响,建立了基于径向基函数（RBF）神经网络进行短期负荷预测的模型。以广东省某地区月负荷数据作为原始数据,利用RBF神经网络的非线性逼近能力预测出日负荷曲线,并用实测数据对其进行了检验,同时与同等条件下建立的BP神经网络模型预测的结果进行了综合对比。结果表明,基于RBF神经网络模型预测的误差比BP神经网络模型预测的误差要小,其预测精度可以为供电企业对负荷进行合理的规划和准确的调度提供依据,具有一定的工程指导意义。     

RBF Neural Network and ANFIS-Based Short-Term Load Forecasting Approach in Real-Time Price Environment

With the appearance of electricity markets, the variation of the price of electricity will influence usage custom of electric energy. This will complicate short-term load forecasting and challenge the existing forecasting methods that are applied to a fixed-price environment. In regard to the influence of real-time electricity prices on short-term load, a model to forecast short-term load is established by combining the radial basis function (RBF) neural network with the adaptive neural fuzzy inference system (ANFIS). The model first makes use of the nonlinear approaching capacity of the RBF network to forecast the load on the prediction day with no account of the factor of electricity price, and then, based on the recent changes of the real-time price, it uses the ANFIS system to adjust the results of load forecasting obtained by RBF network. This system integration will improve forecasting accuracy and overcome the defects of the RBF network. As shown in this paper by the results of an example of factual forecasting, the model presented can work effectively.      

RBF神经网络在中长期负荷预测中的应用

根据电力系统中长期负荷的特点和径向基函数(RBF)神经网络的非线性辨识功能,将RBF神经网络应用于中长期负荷预测的数据预处理,具体讨论了空缺数据的补全以及失真数据的查找和修正,并提出了一种改进的基于RBF神经网络的中长期负荷预测模型。实际算例的分析表明,所提出的基于RBF神经网络的缺损数据处理方法和改进的中长期负荷预测模型是可行和有效的。     

ANFIS在短期负荷预测中的应用

为使负荷预测更精确,鉴于预测对象的不确定性和非线性,采用ANFIS预测电力系统短期负荷。ANFIS将模糊理论与神经网络融合,利用神经网络实现系统的模糊逻辑推理,采用混合学习算法调整前提参数和结论参数,自动产生模糊规则。该系统具有非线性映射和自学习能力,不基于数学模型,用独特的空间分层方法建立若干模糊推理系统,依靠专家经验获取控制信息,能用于负荷预测的非线性建模,获取负荷数据的最佳估计,克服数据处理过程中存在的不确定性和不完备性。所用ANFIS模型为2输出1输入5层1阶Sugeuo模糊系统。利用某局网负荷数据训练和检测ANFIS网络模型后预测负荷,结果表明该算法鲁棒性好,抗干扰能力强,能有效补偿对象的大纯滞后。     

基于减法聚类及自适应模糊神经网络的短期电价预测

提出了基于Takagi-Sugeno模型的自适应模糊神经网络的短期电价预测方法。首先采用减法聚类方法确定自适应模糊神经网络的结构，然后利用混合学习算法训练该网络的前件参数和结论参数，最后将影响未来日电价的相关因素输入到训练好的自适应模糊神经网络中进行电价预测。以美国加州电力市场公布的1999年负荷与电价数据进行模型训练和预测，结果表明采用该方法所建立的预测模型具有较高的预测精度。     

基于改进RBF网络算法的电力系统短期负荷预测

提出了一种交替梯度算法对径向基函数(RBF)神经网络的训练方法进行改进,并将之运用于电力系统短期负荷预测。交替梯度算法通过优化输出层权值和优化RBF函数的中心与标准偏差值来实现。改进的算法与传统梯度下降算法相比,具有更快的收敛速度和更高的预测精度。所构建的负荷预测模型综合考虑了气象、日类型等影响负荷变化的因素,并在预测形式上做了巧妙处理。预测结果表明改进的RBF网络算法具有一定的实用性。     

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。     

一种多变量时间序列的短期负荷预测方法研究

针对短期负荷影响因素多的特点提出了电力短期负荷的多变量时间序列预测方法,并根据单变量时间序列的延时重构对由历史负荷序列及其相关因素序列所构成的多变量时间序列进行了相空间重构,采用互信息法计算了各子序列的延迟时间,各子序列的嵌入维数则运用平均一步绝对误差和最小一步绝对误差进行选取,然后通过RBF神经网络的非线性映射能力进行电力短期负荷预测.研究结果表明多变量时间序列的预测效果相对于单变量序列有较大提高.