短期电力负荷非线性预测模型的比较

总结和分析了目前流行的电力系统短期负荷非线性预测方法,包括时间序列法、组合预测法、神经网络法、小波法和支持向量法。通过实例说明它们在电力系统短期负荷预测中计算速度和精度。     

MCP预测技术在浙江电力市场中的应用

市场清算电价(MCP)预测是电力市场决策的基础。文中以浙江电力市场为背景,对一些预测技术作了介绍;用神经网络、时间序列以及基于小波分解的时间序列预测方法对浙江电力市场MCP作了预测。预测结果表明时间序列方法和基于小波分解的时序方法在一周的MCP预测过程中精度衰减较快,但是基于小波分解的时序方法在下一日的MCP预测中还是有较好的精度;神经网络方法预测精度衰减较慢,预测效果相对比较稳定。     

MCP预测技术在浙江电力市场中的应用

市场清算电价(MCP)预测是电力市场决策的基础.文中以浙江电力市场为背景,对一些预测技术作了介绍;用神经网络、时间序列以及基于小波分解的时间序列预测方法对浙江电力市场MCP作了预测.预测结果表明时间序列方法和基于小波分解的时序方法在一周的MCP预测过程中精度衰减较快,但是基于小波分解的时序方法在下一日的MCP预测中还是有较好的精度;神经网络方法预测精度衰减较慢,预测效果相对比较稳定.     

基于经验模式分解和神经网络的短期风速组合预测

风速时间序列具有很强的间歇性和随机性,属于非平稳时间序列。为提高预测精度,提出了经验模式分解法（EMD）和神经网络相结合的短期风速组合预测模型。该方法运用EMD将风速序列分解为一系列不同频率的相对平稳的分量,减少了不同特征信息之间的干扰;根据各个分量的变化规律,选择合适的神经网络模型来分别预测,对高频分量采用神经网络组合预测模型,低频分量采用合适的预测模型直接进行预测;将各分量预测值叠加得到最终预测值。算例结果表明,所提方法与单一的径向基神经网络模型（RBF）和支持向量机模型（SVM）相比,预测精度得到了大幅度的提高。     

超高压输电线可听噪声预测方法研究

为了研究输电线的可听噪声,本文建立了灰色理论、径向基函数(RBF)神经网络、灰色RBF神经网络和小波神经网络四种预测模型,并分析了每种方法的特点。每种预测模型都考虑了影响输电线路可听噪声的环境、地理位置、导线、线路结构参数等14个因素。结合实例,利用各种方法对输电线可听噪声进行了预测。利用灰色理论进行预测时,首先通过灰色关联分析计算了每个因素的关联度,然后选择灰关联度大于0.8404的6个因素建立了GM(1,7)预测模型。通过计算分析,灰色预测的结果最差,嵌入型灰色RBF神经网络和小波神经网络的预测精度较高,其平均相对误差分别为2.222%和2.853%,因此它们可以用来预测输电线的可听噪声。组合预测方法的预测精度比单一预测方法的精度好,并且组合的方法可以提高预测的稳定性。     

基于小波分解与二阶灰色神经网络模型结合ADF检验的短期负荷预测方法

增强电力系统负荷预测的精度可以提高经济预测的准确性,但是由于负荷序列为波动的,故难以实现精准预测.该文提出了一种基于小波分解(WD)与二阶灰色神经网络相结合用以增强迪基-富勒(ADF)检验的负荷预测方法以实现对负荷的精准预测.首先,利用WD对负载序列进行分解,减少非平稳负载序列;然后,采用ADF检验作为各分解分量静载序列的检验方法,检验结果确定最佳WD水平;最后,为了准确预测小波,利用二阶灰色预测模型分别对WD后各分量进行预测.此外,为了得到二阶灰色预测模型的最优参数,采用神经网络映射法建立了二阶灰色神经网络预测模型,通过一个真实负荷序列的仿真结果证明所提方法能显著提高负荷预测精度.     

基于小波消噪的混沌神经网络径流预报模型

水文要素时间序列中的噪声不仅影响水文混沌特性识别,更影响径流预测精度。本文基于小波消噪理论对水文序列中的噪声进行了处理,并利用混沌理论中的相空间重构技术计算出饱和嵌入维数作为混沌神经网络输入层节点数,将小波技术、混沌理论和神经网络方法结合起来对汛期日径流进行了预测。与消噪前相比,模型结构从7-10-1简化到6-8-1,预测合格率从77.56%提高到85.32%,平均绝对百分比误差从12.52%减少到10.86%,由此表明水文系列中的噪声会影响预测模型的参数和精度,本文所建立的模型是值得借鉴的。     

小波分解层数及其组合分量对短期风速多步预测的影响分析

针对风速时间序列的规律性和随机性双重特征,将小波分解和RBF神经网络相结合用于短期风速预测。针对小波分解用于风速信号的不同频率成份的趋势项提取,研究了基于小波分解后的分量RBF网络预测及综合问题,包括全部高频-低频分量组合预测、部分高频-低频分量组合预测,以及低频分量组合预测三种方法的预测性能和特点。分析了三种不同方法在短期风速预测中的应用效果。通过对不同时间、不同地点短期风速预测的研究发现,进行不同步数的预测时,只有选取合适的分解层数、合适的高频分量和低频分量组合,才能得到最优的预测效果。该结论对于将小波分解用于短期风速时间序列的预测具有一定的指导意义。     

基于Kalman滤波相空间重构的Elman神经网络短期风速组合预测模型

为了合理利用风电,提高电网的稳定性、经济性,需要对风电的输出功率进行有效预测;然而,单一模型的预测结果精度不高。提出一种基于Kalman滤波相空间重构的Elman神经网络短期风速组合预测模型。该模型采用Kalman滤波算法对风速进行滤波处理,通过相空间重构来确定风速序列的延时时间和嵌入维数;并利用Elman神经网络建立了预测模型。仿真实验表明,该模型预测精度有了明显提高。     

基于WT-IPSO-BPNN的电力系统短期负荷预测

鉴于短期负荷预测精度对电力系统安全、经济和可靠运行的重要性,为提高预测精度,本文提出了基于小波分解(WT)、改进粒子群算法(IPSO)和BP神经网络的组合预测模型.首先运用小波分解对负荷数据预处理,将历史数据分解成cd1、cd2、cd3以及ca3;然后对分解后的小波序列分别进行神经网络建模和预测;最后小波重构负荷序列的最终预报.为提高BP神经网络所需样本的精确性和神经网络的收敛速度及稳定性,采用改进粒子群算法优化网络,形成了"分解-预测-重构"模型.经实例验证,与小波分解BP神经网络方法相比,本文所提方法具有训练学习能力更强、收敛速度更快、预测精度高和适应能力更强的优点.     

基于WD-LSSVM-LSTM模型的短期电力负荷预测

为了提高短期负荷预测精度,提出一种基于小波分析、粒子群优化(PSO)算法、最小二乘支持向量机（LSSVM）和长短时记忆网络（LSTM）的预测模型。该方法通过对用电负荷进行小波分解和重构得到与原始数据长度相同的分量,对低频分量建立LSSVM预测模型并利用PSO算法找出最优参数,对高频分量建立LSTM预测模型,将各分量预测结果组合实现最终的负荷预测。实验结果表明,该模型预测精度优于传统LSSVM模型、BP神经网络模型和WD-LSSVM模型,验证了其可行性。     

基于拟牛顿法小波神经网络的光伏发电系统短期功率预测模型

光伏发电系统出力的随机性会对大电网造成冲击,需要加强光伏阵列发电功率预测的研究.为此,提出采用拟牛顿法小波神经网络建立光伏发电系统短期功率预测模型.以某光伏电站实测数据为比较对象,与基于标准梯度下降法BP神经网络以及基于附加动量和自适应学习速率结合的BP神经网络建立的2种预测模型进行对比研究,结果表明,拟牛顿法在收敛速度和预测精度上都更具有优势.此外,通过和拟牛顿法BP神经网络功率预测方法对比表明,拟牛顿法小波神经网络的预测精度更高,尤其是在一天早中晚时刻或辐照度较低情况下预测效果得到了很大的提高.     

基于遗传小波神经网络的变电站内变压器噪声自适应抑制

为减少变电站噪声污染,针对变压器噪声控制问题,提出一种基于遗传小波神经网络的变电站内变压器噪声自适应抑制方法。首先,将变压器噪声进行小波神经网络建模,比较变压器实际噪声信号和模型输出噪声信号的大小。其次,根据残余噪声信号幅值绝对值,自适应选择遗传算法或者梯度下降算法作为小波神经网络中参数迭代的优化方法。最后,利用一种降噪综合性能评价策略,确定模型隐含层最优结构。通过3种不同模型的仿真,结果表明遗传小波神经网络模型对变压器附近的噪声信号有较好的抑制效果。     

考虑气象因素的短期光伏出力预测的奇异谱分析方法

在传统奇异谱分析(SSA)方法的基础上,提出一种嵌入气象因素的改进SSA方法,该方法融合了SSA、相关性分析和灵敏度分析等技术,可有效提高传统SSA方法的预测精度。采用SSA技术将光伏出力时间序列分解为低频序列、高频序列和噪声序列,通过Pearson相关系数法确定温度和辐照为影响光伏出力的主要气象因素,再对光伏出力与气象因素之间的灵敏度进行分析。根据灵敏度分析的结果和基准值分别对待预测日的低频序列和高频序列进行修正,将修正结果进行叠加得到光伏出力预测结果。将所提方法运用于某地区的光伏短期预测中,与自回归模型、BP神经网络及传统的奇异谱分析-回归方法的对比结果表明,所提方法具有更高的预测精度。     

基于动态滑动模型的加速度传感器数据在线预测方法研究

加速度传感器输出值精确测量是相关数据预测的必要前提,为补偿制造工艺和测量环境影响带来的加速度传感器输出误差并准确预测加速度传感器输出数值,提出了基于自适应归一化奇异谱和神经网络的加速度传感器误差补偿及数值预测方法。首先分析加速度传感器输出误差产生的原因;然后根据奇异熵定阶去噪的方法提出了自适应奇异谱方法用于加速度传感器误差自适应补偿;最后选用基于滑动窗的径向基(radical basis function, RBF)神经网络作为加速度传感器输出数值预测方法,并用粒子群优化算法优化RBF神经网络的初始参数。实验结果表明,自适应奇异谱方法可以有效补偿加速度传感器输出误差,并可以选定不同的自适应参数以满足不同误差需求,并且粒子群算法优化的RBF神经网络可以有效预测加速度传感器输出数值。     

基于小波分析和智能补偿的三相电力混合滤波算法

在分析传统电力滤波方法的基础上,针对检测电网侧谐波分量和负荷侧谐波分量的复合滤波控制方法无法抑制电网参数对滤波和无功补偿影响的不足,引入智能补偿因子。提出基于小波分析和智能补偿的三相电力混合滤波算法。利用小波算法检测电网电流和载荷电流谐波分量,该结果作为样本利用遗传神经网络进行训练,预测当前电网参数对滤波效果的影响程度,计算智能补偿因子,对混合滤波控制进行补偿。实验结果说明,基于小波分析和智能算法对混合滤波控制进行补偿,是提高其动态性和降低谐波量的有效途径。     

基于串行式GA-BP的短期负荷预测方法

针对短期电力负荷预测问题,提出一种基于串行式遗传算法-反向传播神经网络模型的预测方法。首先,由关联分析法确定负荷主要影响因素。然后,确定反向传播神经网络1的输入量为负荷主要影响因素,输出量为相应负荷值,实现多因素回归预测。最后,将反向传播神经网络2串行式融入,并确定其训练数据集为反向传播神经网络1的预测值集,继而实现时间序列预测。两个反向传播神经网络在训练前均采用遗传算法进行初始权值阈值的优化,该方法实现了多因素回归预测与时间序列预测的融合。仿真结果表明,本文所提方法较其他同类型负荷预测方法具有更高的预测精度,可较好地应用于负荷预测工作。     

光伏串列信道噪声特性研究与建模

为实现对每块光伏组件的工作状态进行监测,可运用以光伏组件串列为介质的载波通信技术实现,因此有必要掌握光伏串列的信道噪声特性。以某光伏电站实测的光伏串列信道噪声为对象,提出了一种粒子群优化BP神经网络的光伏串列信道噪声建模方法。实验与仿真结果表明：粒子群优化BP神经网络模型的预测输出和测试原噪声在功率谱密度及时域波形上有着一致的变化趋势,证明了该模型的有效性。相比较于小波神经网络和遗传算法优化的BP神经网络,粒子群优化的BP神经网络的预测均方根误差更小、精度更高。     

基于小波神经网络的低压电力线背景噪声建模

为增强电力线通信的抗噪能力,针对低压电力线信道噪声中的有色背景噪声和窄带噪声,提出一种基于小波神经网络的建模方法。首先,将背景噪声进行小波神经网络建模,对比所建模型输出噪声与测试噪声的时域波形及功率谱密度,计算两者功率谱密度的均方根误差;然后,对同一组背景噪声分别进行基于传统的小波马尔科夫链和小波神经网络的建模,并计算2种模型输出噪声与测试噪声的功率谱密度及其均方根误差。仿真结果表明,小波神经网络输出噪声与测试噪声的时域波形及功率谱密度均有着较一致的变化趋势,因此小波神经网络对低压电力线信道背景噪声的建模是有效的,对宽带噪声的建模效果更好。     

机器人多维力传感器标定Kalman滤波

在多维力传感器标定过程中,往往出现比较大测量噪声,零漂幅度较大,严重地限制了多维力传感器标定精度。鉴于KALMAN滤波器在滤除系统随机干扰噪声方面良好效果,并考虑到在力传感器标定加载前,噪声信号便于测量的特点。本文从单维力传感器入手,把标定测量模型简化为一阶惯性和零阶保持器串联,并把传感器的输入／输出分为有载荷作用和无载荷作用两个状态,分别推导出输入／输出关系,获得单维力传感器状态和测量方程,并进一步推导出单维力传感器KALMAN滤波算法。在合理假设基础上,再使单维力传感器标定KALMAN滤波算法推广到多维力传感器。标定实验表明,在多维力传感器标定中,KALMAN滤波有效地滤除了测量噪声,提高了标定精度。