基于组合式神经网络的短期电力负荷预测模型

通过对电力负荷变化规律和影响因素的分析,提出了一种基于组合式神经网络的短期电力负荷预测模型。该模型综合运用神经网络、模糊聚类分析和模式识别理论方法进行建模。首先,采用模糊聚类分析方法,以每天的24点负荷数据、天气数据以及天类别数据为指标,将历史数据分成若干类别;其次,对每一类别建立相应的神经网络预测模型;预测时通过模式识别,批出与预测天相符的预测类别,利用相应的神经网络预测模型进行24小时的短期电力负荷预测。对绍兴地区2年多的实际负荷变化数据进行预测分析的结果表明,该模型不仅对普通工作日有较高的预测精度,对双休日、节假日和一些特殊情况也有较好的预测精度。     

基于Matlab神经网络工具箱的电力负荷组合预测模型

在电力系统负荷预测中，组合预测是一种有效的方法。该方法通常是采用对单个预测模型进行加权处理，要求参加组合预测的模型误差能保持稳定，但电力负荷预测结果的误差往往是非均匀性的，针对上述做法存在问题，提出了基于人工神经网络的组合预测模型，利用人工神经网络对复杂非线性系统的拟合能力，通过网络训练自适应地调整各种预测模型的权重，同时，为了避免用常规语言建立人工神经网络负荷预测模型存在的模型结构复杂，训练时间长等缺点，利用Matlab神经网络工具箱建立组合预测模型，该模型不仅编程简单，而且收敛速度快，算例表明了该模型的实用性和有效性。     

基于模糊粗糙集和神经网络的短期负荷预测方法

针对采用神经网络进行电力系统短期负荷预测时其网络输入变量的选择是影响预测效果的关键问题，该文提出使用模糊粗糙集理论解决这一问题：对采集到的信息进行特征提取、形成决策表；利用模糊粗糙集理论进行属性约简、去除冗余信息；用得到的属性作为BP网络的输入进行训练预测。该方法既全面考虑了影响负荷预测的历史时间序列、气象等各种因素，为合理地选择神经网络的输入变量提供了一种新的方法，又避免了由于输入变量过多而导致神经网络拓扑结构复杂、训练时间长等不足。计算实例表明，文中提出的方法是有效且可行的。     

基于神经网络的电力系统短期负荷预测研究

电力系统负荷预测是电力生产部门的重要工作之一，作者利用BP神经网络进行电力系统短期负荷预测，在保证有足够的训练样本的前提下，对预测模型进行合理分类，构造了相应于不同季节的周预测，日预测模型，并对输入变量的选择，特别是温度的选取问题，进行了讨论，在神经网络训练的过程中，往往会出现过拟合的现象，给预测的结果带来不利的影响，为此在训练过程中，将样本随机地分离为训练集和测试集来防止这个问题，典型算例的计算表明，该方法是有效的。     

基于扩展粗糙集的短期电力负荷预测模型

影响短期电力负荷预测的因素众多,如何有效地判断和选择这些相关因素是改善电力负荷预测的关键,通过引入数据挖掘中粗糙集约简算法来解决这一难题.针对常规粗糙集算法计算量大,且不具备容错性和泛化能力,在属性约简过程中设置了分类可信度β,因而对数据具有了一定的容错性和泛化能力,增强了抗噪声能力.经过对实际数据的计算分析,证实了本文提出的方法在一定程度上提高了负荷预测的精度和速度.     

基于扩展粗糙集的短期电力负荷预测模型

影响短期电力负荷预测的因素众多,如何有效地判断和选择这些相关因素是改善电力负荷预测的关键,通过引入数据挖掘中粗糙集约简算法来解决这一难题。针对常规粗糙集算法计算量大,且不具备容错性和泛化能力,在属性约简过程中设置了分类可信度β,因而对数据具有了一定的容错性和泛化能力,增强了抗噪声能力。经过对实际数据的计算分析,证实了本文提出的方法在一定程度上提高了负荷预测的精度和速度。     

粗糙集理论在短期电力负荷预测中的应用

影响负荷预测精度的因素众多,为了找到负荷值与各种外在因素之间的关系,利用粗糙集理论对各条件属性进行属性约简分析,从而找到与负荷直接相关的因素,然后将它作为神经网络的输入量进行负荷预测。遗传算法用于属性约简的寻优计算和神经网络的权值修正,经仿真分析证明预测精度和速度都得到改善。     

粗糙集理论及其在短期电力负荷预测中的应用

影响负荷预测精度的因素众多,为了找到负荷值与各种外在因素之间的关系,利用粗糙集理论对各条件属性进行属性约简分析,在属性约简算法中采用遗传算法进行寻优计算,找到与负荷直接相关的因素,然后将它作为模糊神经网络的输入矢量进行负荷预测.经仿真分析证明预测精度和速度都得到改善.     

基于粗糙集的遗传神经网络短期负荷预测方法

结合粗糙集理论、遗传算法和神经网络的优点,提出了一种新的短期负荷预测方法-基于粗糙集的遗传神经网络负荷预测模型。由于影响短期负荷预测的因素众多,通过粗糙集理论中的属性约简对神经网络的输入进行了筛选,找到与预测量相关性大的影响因素作为输入量,减少了神经网络的工作量。为了解决神经网络自身收敛速度慢和容易陷入局部极小的缺陷,利用具有全局搜索能力强等优点的遗传算法与之相结合。实验证明了该算法在速度和精度上都能得到了提高,此方法在短期负荷预测中是可行性、有效性。     

基于粗糙集的遗传神经网络短期负荷预测方法

结合粗糙集理论、遗传算法和神经网络的优点,提出了一种新的短期负荷预测方法一基于粗糙集的遗传神经网络负荷预测模型.由于影响短期负荷预测的因素众多,通过粗糙集理论中的属性约简对神经网络的输入进行了筛选,找到与预测量相关性大的影响因素作为输入量,减少了神经网络的工作量.为了解决神经网络自身收敛速度慢和容易陷入局部极小的缺陷,利用具有全局搜索能力强等优点的遗传算法与之相结合.实验证明了该算法在速度和精度上都能得到了提高,此方法在短期负荷预测中是可行性、有效性.     

电力系统短期负荷预报的小波-神经网络-PARIMA方法

针对电力系统负荷具有拟周期性，非平稳性，非线性等特点，提出一种小波－神经网络－PARIMA模型并研究它在电力系统短期负荷预报中的应用：利用小波变换提取和分离负荷的各种隐周期和非线性，把小波分解的特性和分解数据随尺度倍增而倍减的规律用于感知机神经网络（MLP）和周期自回归移动模型（PARIMA）的建模，各尺度小波分解用MLP进行建模和预报，最大尺度上的尺度分解用PARIMA进行建模和预报。最后，利用径向基函数网络（RBF）将各尺度域的预报结果组合成为负荷最终预报，实例说明，该方法能够揭示负荷的拟周期性，非平稳性，非线性在电力系统短期负荷预报中的应用是成功的和有效的。     

人工神经网络在华北电网负荷预测中的应用

文章介绍了人工神经网络在华北电网短期负荷预测中的研究与应用,这种方法可以考虑气象因素在短期负荷预测中的影响,它能够准确地预测出华北电网的负荷,预测的结果表明这种方法在短期负荷预测中可以使精度提高０．９％。     

变拓扑人工神经网络负荷预报

提出变拓扑人工神经网络(ANN)预报电力系统负荷的方法。所提出的模型能较 全面地反映影响负荷变化的各种因素。ANN在BP算法的学习中，需用的数 据窗最短。通过人机会话，可灵活地实现不同预报期限的负荷预报。算例表明 ，方法是有效的，预报精度比常规方法高，收敛性好，计算速度快，适于在线 应用。     

应用人工神经网与遗传算法进行短期负荷预测

针对ＢＰ网络的缺陷，提出了基于拟牛顿法的自适应算法和改进的遗传算法，以提高神经网的学习效率，克服ＢＰ网络的局部收敛性的缺点，形成一种新的神经网与遗传算法相结合的短期负荷预测模型，实测结果表明该模型和算法具有良好的性能和较高的预测精度。     

模糊粗糙集理论在空间电力负荷预测中的应用

基于遗传算法对连续数据进行区间数的最优量化和区间的分点值计算,同时将各量化区间模糊化,对预处理后的数据利用粗糙集理论建立小区用地属性决策表,并进行属性约简,得出决定小区用地类型的决策规则.同时,分析计算了各条件属性对各用地类型的不同权重,克服了传统方法确定权重系数的主观性.     

基于人工神经元网络及模型算法的空间负荷预测

改进了配电网的空间负荷预测方法,将其研究重点 放在对各类负荷的负荷密的预测上,在原始数据不充分的条件下,引入模糊隶属度分析和人工神经元网络中的聚类分析,对负荷进行分类和简化,从而得到环境因素相适应的负荷,预测取得了满意的效果。     

应用人工神经网络进行中期电力负荷预报

应用人工神经网络(ANN)对电力负荷进行了中期预报，对ANN的主要参数作了比较计 算和优化调整，得到了较为满意的预报结果。     

基于最大信息熵原理的短期负荷预测综合模型

引入了信息理论来研究和处理负荷变化的不确定性，提出了基于最大信息熵原理的短期负荷预测综合模型，该模型将各种单一预测模型的预测结果以及历史预测误差分布作为约束信息，利用最大熵原理得到预测结果的分布。文中阐述了新模型的应用背景、思路和理论，给出了具体的实现方案和算法，并在实际电网中得到了应用。针对实际电网的算例研究表明，对于随机性较大的电网负荷，传统综合预测模型存在明显的过拟合现象，而新模型则有效地提高了预测精度。     

基于神经网络的负荷组合预测模型研究

给出了电力系统负荷的变权系数组合预测模型,即基于神经网络的组合预测模型。该模型利用多种方法的预测结果与实际负荷数据的非线性关系,建立相应的神经网络模型。该网络为单输出的三层网络,其中输入层为各种预测方法的预测值,输出层为实际负荷值。文中用变动量因子和变学习率的BP算法对其训练,训练后的网络便具有预测能力。同时,文中对基于遗传算法的固定权系数组合预测模型进行了简要的介绍。对几个实际系统的年、月、时负荷预测表明,该模型具有很高的预测精度。