基于回归分析与神经网络的短期负荷预测

针对电力系统短期负荷预测中神经网络输入变量选择与网络训练问题,提出了一种基于回归分析与神经网络相结合的短期负荷预测方法,利用回归分析选择神经网络的输入变量,利用遗传算法训练神经网络.实例研究结果表明该方法可以取得较高的预测精度.     

神经网络短期负荷预测的输入变量选择研究

短期负荷预测中输入变量的选择直接关系到神经网络的预测性能。本文将自相关函数的概念应用于神经网络短期负荷预测中的输入变量集选择,对输入变量集的选择提出了一种比较科学系统的方法。通过采用FFT来实现对自相关函数的快速计算,增加了该方法的可操作性,并通过具体的实例验证了该方法的有效性。     

短期负荷预测的神经网络实现

讨论了短期负荷预测神经网络实现时需考虑的几个问题,包括负荷数据处理、神经网络输入变量选择、神经网络学习算法选择、预测策略的确定等     

火电机组实时成本模型的输入变量选择方法

输入变量选择是神经网络建模前的一项重要工作,是否能够选择出一组最能反映期望输出变化原因的输入变量直接关系到神经网络预测的性能.文章提出了一种基于敏感度分析的输入变量选择法(SAIVSA),并将该方法应用于实时成本模型的输入变量选取.仿真结果表明,所提出的方法可以得到更小、更准确的输入变量集,神经网络的收敛速度更快,泛化性能更好,从而验证该方法的有效性.     

基于KPCA和BP神经网络的短期负荷预测

为了提高电力系统短期负荷预测的精度,文中提出了一种基于核主成分分析(KPCA)和BP神经网络的负荷预测方法。影响负荷的因素作为神经网络的输入变量,太多输入变量会加大神经网络的训练负担,运用核主成分分析的方法对初始神经网络输入变量进行非线性降维,将降维后的数据作为神经网络新的输入变量,并对神经网络的训练算法进行改进,以加快收敛速度,最后在每一个时刻点上建立模型进行预测。采用文中提出的方法对甘肃某地区2014年的负荷进行预测,并与已有的BP神经网络方法和PCA-BP神经网络方法进行对比,结果表明该方法可提高负荷预测的精度。     

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。     

一种基于神经网络理论的电力系统短期负荷预测方法

文章构造了一种线性与非线性相结合的神经网络,并提出了用以对电力系统短期负荷进行预测的新方法。它以历史负荷数据、气候变量和预测的气候变量作为人工神经元的输入,预测负荷值作为人工神经元的输出。使用最近的数据作为训练样本,用反向传播算法(BP)对神经网络进行训练,然后用训练后的神经元预测负荷。并以华中电网1992年10月的资料进行仿真计算,测算结果与实际负荷曲线最大的误差仅为4.65％。     

人工神经网络在上海电力负荷预测中的应用

分析了上海市电力月峰值负荷时间序列的特点 ,选择趋势分量和周期分量作为神经网络的输入变量 ,给出 BP神经网络辨识预测此类系统的一般方法和具体步骤。从预测的结果可以看出 ,人工神经网络辨识和预测具有趋势性及周期性波动时间序列的有效性。     

改进F-score特征选择的MPSO-BP神经网络短期负荷预测

针对海量数据提出一种基于改进Fisher分数(F-score)特征选择的改进粒子群优化的BP(Modified Particle Swarm Optimization and Back Propagation,MPSO-BP)神经网络短期负荷预测方法。首先采用改进F-score特征评价准则计算影响负荷预测精度各个特征的F-score值,再通过F-score Area法设定阈值筛选出最优特征子集,然后将最优特征子集作为MPSO-BP神经网络模型的输入变量完成对预测日一天24点负荷的预测,并与MPSO-BP神经网络短期负荷预测和传统BP神经网络短期负荷预测进行对比。算例表明,文中提出的短期负荷预测方法可以较好地对海量数据进行挖掘,具有较高的预测精度。     

基于混沌理论和模型识别神经网络样本预处理技术的负荷组合预测模型研究

针对神经网络在输入变量选择问题上存在的缺陷,提出不考虑影响负荷的所有因素,仅用混沌理论处理后的负荷样本作为神经网络的输入.但是这种不考虑影响因素的方法不能明显提高预测精度,因此引入一种只考虑影响因素的样本处理方法,并将这两种方法的预测结果进行组合预测.仿真结果表明将这两种方法组合是可行的和有效的.     

采用谱分析建模和基于人工神经网络的短期负荷预测方案

提出了一种基于谱分析法进行建模的短期负荷预测方案,该方案利用负荷历史数据的谱分析结果进行人工神经网络(ANN)模式分类和选择输入变量.方案采用快速傅立叶变换(FFT)进行负荷数据预处理,运用滤波算法及小时负荷曲线的频谱分析来研究电网负荷的周期特性,所得结果表明四季负荷的谱特性具有明显差异,应采用不同的模型和方案进行预测.谱分析有助于各时段预测方案提取输入变量.利用该思路构造的基于人工神经网络的负荷预测方案被用于预测广东省网的负荷,与其他普遍采用的输入变量预测结果的对比表明,所提方案在短期负荷预测中的性能良好.     

Input variable selection for ANN-based short-term load forecasting

This paper describes a novel method for input variable selection for artificial neural network (ANN) based short-term load forecasting (STLF). The method is based on the phase-space embedding of a load time-series. The accuracy of the method is enhanced by the addition of temperature and cycle variables. To test the viability of the method, real load data for two US-based electric utilities were used. Only 15 input variables were identified in both cases and used for 24-hour ahead load forecasting. Results compare favorably to the ones reported in the literature, indicating that more parsimonious set of input variables can be used in STLF without sacrificing the accuracy of the forecast. This allows more compact ANNs, smaller training sets and easier training. Consequently, the method represents a step forward in determining a general procedure for input variable selection for ANN-based STLF     

以神经网络与模糊逻辑互补的电力系统短期负荷预测模型及方法

根据电力系统短期负荷预测的特点,采用神经网络与模糊逻辑互补的方法建立了负荷预测模型.通过粗糙集理论中的信息熵概念对神经网络的输入参数进行了筛选,以与待预测量相关性大的参数作为输入,不仅减少了神经网络的工作量,缩短了计算时间,而且提高了预测的准确性;在神经网络中,通过引进动量系数和遗忘系数优化网络,提高了ANN的收敛速度;在模糊逻辑中,充分利用了人们对负荷变化取得的主观经验,引进不平均隶属函数,来反映负荷对温度的敏感性.     

Neural network load forecasting with weather ensemble predictions

In recent years, a large amount of literature has evolved on the use of artificial neural networks (ANNs) for electric load forecasting. ANNs are particularly appealing because of their ability to model an unspecified nonlinear relationship between load and weather variables. Weather forecasts are a key input when the ANN is used for forecasting. This paper investigates the use of weather ensemble predictions in the application of ANNs to load forecasting for lead times from one to ten days ahead. A weather ensemble prediction consists of multiple scenarios for a weather variable. We use these scenarios to produce multiple scenarios for load. The results show that the average of the load scenarios is a more accurate load forecast than that produced using traditional weather forecasts. We use the load scenarios to estimate the uncertainty in the ANN load forecast. This compares favorably with estimates based solely on historical load forecast errors.     

基于联合数据挖掘技术的神经网络负荷预测模型研究

认为提高日负荷预测精点,即基于联合数据挖掘技术的电力负荷神经网络预测新方法.也就是通过多种挖掘技术寻找与预测日同等气象类型的多个历史日负荷,由此进一步提取数据,组成规律强化、干扰弱化、具有高度相似气象特征的数据序列,对此,再构建人工神经网络预测模型,从而有效地提高了预测的精度,简化了模型的输入和计算,更加便于应用.     

Risk quantification for ANN based short‐term load forecasting

A new risk assessment method for short‐term load forecasting is proposed. The proposed method makes use of an artificial neural network (ANN) to forecast one‐step‐ahead daily maximum loads and evaluate uncertainty of load forecasting. With ANN as the model, the radial basis function (RBF) network is employed to forecast loads due to its good performance. Sufficient realistic pseudo‐scenarios are required to carry out quantitative risk analysis. The multivariate normal distribution with the correlation between input variables is used to give more realistic results to ANN. In addition, the method of moment matching is used to improve the accuracy of the multivariate normal distribution. The peak over threshold (POT) approach is used to evaluate risk that exceeds the upper bounds of generation capacity. The proposed method is successfully applied to real data of daily maximum load forecasting. © 2008 Wiley Periodicals, Inc. Electr Eng Jpn, 166(2): 54– 62, 2009; Published online in Wiley InterScience ( www.interscience.wiley.com ). DOI 10.1002/eej.20464     

基于模糊聚类与随机森林的短期负荷预测

针对传统数据挖掘算法(神经网络和支持向量机)进行短期负荷预测容易陷入局部最优,模型难以确定等问题,提出一种模糊聚类技术与随机森林回归算法结合的短期负荷预测方法。基于模糊聚类技术选取相似日的方法,考虑负荷的周期性变化特征,利用样本输入进行样本聚类,选取同类数据作训练样本,建立随机森林负荷预测模型。实例中负荷数据采用安徽省某地的历史负荷,用上述方法对该地区的日24小时负荷进行预测,并与传统的支持向量机和BP神经网络方法进行比较,验证了该方法的有效性。     

基于小波分解和人工神经网络的短期负荷预测

提出了一种基于小波分解和人工神经网络(ANN)的电力系统短期负荷预测方法.通过小波变换把负荷序列分解为不同频段的子序列,再对这些子序列分别采用相匹配的人工神经网络模型进行预测,最后综合得到负荷序列的最终预测结果.在所提出的方法中小波分解能够提取负荷的一些周期性和非线性特征,并对其进行进一步细分,根据其子序列各自所具有的规律采用相应的预测方法;而ANN对于处理非线性及无法显示明确规律的问题具有优势.经实例验证,与传统方法相比该方法具有很高的预测精度和较强的适应能力.     

一种基于多神经网络的组合负荷预测模型

针对BP神经网络、RBF神经网络和小波神经网络应用于负荷预测时所遇到的问题,提出了一种基于各种神经网络的组合预测模型。该模型为单输出的3层神经网络,即将3种神经网络的预测结果作为神经网络的输入,将实际负荷值作为神经网络的输出,使训练后的网络具有预测能力。该模型能降低单个神经网络的预测风险,提高预测精度。仿真结果表明,所提出的组合预测模型的精度高于其中任一单一网络模型,也高于传统的线性组合预测模型。