基于分形理论的电力系统负荷特性研究

掌握电力负荷特性的变化规律是建立负荷预测模型的关键。分形理论是近年来发展起来的新兴非线性系统理论,把分形理论应用于电力负荷特性的分析研究中,通过对电力系统负荷曲线进行分析,得出电力系统负荷变化具有一定的周期性规律。运用分形理论,分维数表明:相同空间状态下电力系统负荷具有自相似性;相同时间尺度下电力系统负荷具有自相似性,并对电力负荷分形特性的稳定性进行了论证,从而证明了分形理论应用于负荷预测的可行性和合理性,为将分形理论应用于电力系统负荷预测提供了理论依据。     

互信息在电力系统中长期负荷预测中的应用

传统电力负荷预测方法常以电力负荷自身的历史序列特征外推预测未来负荷,或者用确定性相关关系来模拟少数几种电力负荷关联因素的影响,导致对负荷变化规律的把握存在缺陷.信息领域中的互信息理论用于分析两个随机变量间的相互依赖程度,其中包含了线性和非线性关联关系,用以描述电力负荷及其影响因素的关联程度,为进一步的预测工作提供依据.应用互信息理论,建立了电力负荷预测的互信息网络模型,根据各影响因素与电力负荷间的互信息对其量化、比较和逐层筛选,在得到各经济社会指标与负荷之间的关联程度的基础上,对未来负荷进行预测.将本模型应用于实际电力系统预测,得到了令人满意的预测结果.     

基于RBF神经网络的短期负荷预测

电力系统短期负荷预测是电力部门的重要工作之一.在短期负荷预测中,电力负荷变化受多方面因素的影响,负荷曲线呈现出强烈的非线性.正确认识和分析负荷影响因素对负荷的影响一直是短期负荷预测的关键问题.采用径向基函数神经网络进行电力系统短期负荷预测可获得更高的预测精度.文中研究了电力市场下基于径向基神经网络的短期负荷预测建模及其仿真.     

基于RBF神经网络的短期负荷预测

电力系统短期负荷预测是电力部门的重要工作之一。在短期负荷预测中,电力负荷变化受多方面因素的影响。负荷曲线呈现出强烈的非线性。正确认识和分析影响负荷因素对负荷的影响一直是短期负荷预测的关键问题。采用径向基函数神经网络进行电力系统短期负荷预测可获得更高的预测精度。     

无迹卡尔曼滤波算法在短期负荷预测中的应用

电力系统短期负荷一般随着时间的变化呈现一定的范围性、非线性的波动。对于非线性短期电力负荷,传统的卡尔曼滤波预测方法难以取得令人满意的结果。为了快速准确高效地预测非线性电力负荷,研究了基于Unscented卡尔曼滤波的,以历史负荷数据、随机干扰因素作为输入的短期电力负荷预测方法。利用该算法对某地夏季9天电力负荷数据进行建模,采用基于脉冲响应序列的Hankel矩阵法辨识模型的阶。并将Unscented算法预测负荷数据与实测负荷数据及传统卡尔曼滤波预测数据进行对比分析,仿真结果证明基于Unscented卡尔曼滤波方法预测非线性负荷是实用而有效的,不仅预测精度较高,而且模型收敛速度快,滤波器稳定性高。为复杂的非线性负荷电力系统模型化提供了一条新途径。     

基于物元模型的电力系统中长期负荷预测

在综合考虑电力负荷预测及物元理论特点的基础上,将两者结合,提出了一种基于物元理论(可拓工程学)的中长期负荷预测方法,对物元理论在电力系统中的实际运用进行了探讨.方法首先运用逐步回归与层次分析技术确定各种因素对电力负荷的影响权重,然后利用物元理论对选中的各影响因素与电力负荷及其增长率建立物元模型,再根据系统聚类分析的方法对电力负荷及其相关环境因素的历史样本进行归纳分类,最后采用合适的物元关联函数及灰色关联函数结合未来环境因素状态对未来负荷变化模式进行识别,从而预测出电力负荷的未来值.并以我国某地区的中期负荷预测为例,说明了其有效性.     

混沌理论在年电力负荷预测中的应用

电力负荷预报是电力系统的重要工作之一。电力系统年负荷为非线性时间序列，针对电力系统负荷的复杂性及非线性，提出了结合混沌理论的思想，充分利用数据信息，在重构电力负荷相空间的基础上对负荷进行预测。通过对年电力负荷时间序列混沌理论的分析，进一步表明了电力负荷预报值的合理性，也预示了今后20—30年内电力负荷的持续稳定增长。     

基于粗糙集理论的关联聚类中长期负荷预测法

中长期电力负荷预测是电网规划的一项重要基础工作。由于中长期尺度上的电力负荷受各种相关因素的影响较大,提高负荷预测的准确性难度很大。采用粗糙集理论对影响电力负荷的诸多相关因素的影响程度进行分析,找出影响负荷变化的主要的因素;并以这些影响因素对历史数据进行了聚类,找到与预测目标年最接近的类别来进行负荷预测。文中的算例结果说明了方法的有效性。     

基于优化RBF神经网络的电力负荷预测研究

针对传统方法无法对现代电力系统负荷非线性模型进行有效预测的问题,提出采用RBF神经网络来实现电力负荷预测。在经典RBF神经网络的基础上,提出采用K交叉验证方法对网络结构进行优化并且给出了网络最优学习率的自应调整策略;在建模过程中,不仅利用以往的历史数据,而且充分考虑天气、政策等因素的影响,并根据预测周期的不同,合理分配了权重。试验结果表明,优化后的RBF神经网络性能更优,对于电力负荷的预测结果准确度更高,为电力负荷预测提供了一条有效途径。     

咸阳市电力系统短期负荷预测分析与研究

主要研究考虑各种因素影响的咸阳市电力系统短期负荷预测模型与算法。传统预测算法只是基于找寻历史负荷数据规律,没有考虑外部因素对负荷值的影响,从而降低了预测精度。针对这些不足,首先分析了影响咸阳市电力负荷值的几个主要因素,然后提出了考虑这些因素影响的改进型神经网络BP算法预测模型,利用该模型对咸阳市电力负荷值进行预测。预测结果表明：该模型完全适用于咸阳市电力负荷预测,考虑因素影响的预测算法效果优于传统方法。     

小波神经网络及其在电力负荷预测中应用概述

小波神经网络是建立在小波理论基础上的一种新型前馈神经网络,具有许多优良特性。本文介绍小波神经网络的构成原理、设计方法和优点,分析小波神经网络在电力负荷预测领域的研究和应用现状。文中所指小波神经网络的优点,例如所需网络节点少和预测精度高,已经在电力负荷预测研究中得到验证。将小波神经网络应用于电力负荷预测的成果是令人鼓舞的。但是小波神经网络也存在收敛性差等缺点,还需要进一步研究适合小波神经网络的算法,以提高其性能。     

电力负荷混沌动力特性及其短期预测

根据非线性动力系统理论进行负荷建模和预测,并将预测精度作为一种辨识工具,用于分析电力负荷变化的动力特性。分析结果表明,可将负荷的变化特性描述为低维混沌系统。根据负荷的混沌特性及一步向前预测的精度提出一种优选重构参数的方法,并采用基于相空间重构的加权一阶局域法多步预测模型进行了负荷预测。相空间模型能识别负荷序列的内部特性并进行预测,因此是分析和预测负荷的有效工具。     

基于蚁群优化算法的电力系统负荷序列的聚类分析

依据神经网络原理短期负荷预测模型的性能,负荷样本空间的分布特性对预测精度有大的影响,并且外部气象因素对负荷敏感性的复杂非线性关系也将使预测精度降低.运用负荷序列特征的聚类分析与模式识别相结合原理可解决该问题.该文提出了基于蚁群优化算法（ant colony optimization Algorithm,ACOA）的电力系统负荷序列聚类分析.通过对实际地区负荷系统的聚类分析显示其优越性;并证实基于ACOA的聚类比Kohonen神经网络聚类对气候异常情况、高温区域、节假日都具有更高的敏感性和分辨率;对负荷曲线轮廓的相似性具有更细腻和更均匀的聚类特性.上述的聚类特性对STLF精度的提高是极其重要的.     

基于梯度提升树计及非线性的电力负荷影响因素分析

分析负荷影响因素对电力负荷的影响对于电网调度人员了解负荷特性,提高负荷预测准确度具有重要的意义。针对传统相关性分析方法不能考虑复杂非线性影响的问题,采用先训练负荷预测模型,再分析相关性的思路,提出基于负荷预测模型的相关性分析方法,发现两者之间的非线性相关关系。首先,利用梯度提升树(Gradient Boosting Decision Tree, GBDT)的非线性建模和特征提取能力训练负荷预测模型。然后,基于预测模型提出采用重要性衡量影响因素对负荷的非线性影响,识别重要影响因素。最后,利用负荷对影响因素的偏依赖量计算各类影响因素变化对负荷变化趋势的非线性影响。采用实际的负荷数据进行验证,并与皮尔逊相关系数法进行对比。实验结果表明该方法能够有效识别影响负荷的重要因素,并能够发现各类因素和负荷之间的非线性关系。     

电力系统中长期负荷的可变权综合预测模型

中长期电力负荷预测是电力系统安全调度、经济运行、优化规划和科学管理的基础与前提，预测的精度高低对国民经济各部门至关重要，因而对电力负荷中长期预测方法的研究既有理论价值又有实际意义。鉴于中长期负荷预测具有研究时间跨度长，影响预测的物理因素复杂且不确定性较大等特点，同时现有的综合预测模型中大都采用了固定不变的权重，本文提出了一种权重可变的电力负荷综合优化预测模型，以更好地反映电力负荷变化的规律。详细的算例分析充分说明了该预测方法的有效性。     

One-hour-ahead load forecasting using neural network

Load forecasting has always been the essential part of an efficient power system planning and operation. Several electric power companies are now forecasting load power based on conventional methods. However, since the relationship between load power and factors influencing load power is nonlinear, it is difficult to identify its nonlinearity by using conventional methods. Most of papers deal with 24-hour-ahead load forecasting or next day peak load forecasting. These methods forecast the demand power by using forecasted temperature as forecast information. But, when the temperature curves changes rapidly on the forecast day, load power changes greatly and forecast error would going to increase. In conventional methods neural networks uses all similar day's data to learn the trend of similarity. However, learning of all similar day's data is very complex, and it does not suit learning of neural network. Therefore, it is necessary to reduce the neural network structure and learning time. To overcome these problems, we propose a one-hour-ahead load forecasting method using the correction of similar day data. In the proposed prediction method, the forecasted load power is obtained by adding a correction to the selected similar day data     

基于Shapley值的电力负荷预测结果溯源分析方法

针对由于机器学习的黑盒特性导致负荷预测结果不可溯源的问题,提出一种基于Shapley值的电力负荷预测结果溯源分析方法.阐述利用机器学习技术构建负荷预测模型的一般形式和基本过程;基于负荷预测模型,利用合作博弈论中的Shapley值计算各类负荷影响因素对负荷预测结果的影响;对利用梯度提升决策树算法训练的负荷预测模型的预测结果进行溯源分析.实验结果表明,利用所提方法可以洞察负荷预测过程,从而实现负荷预测结果的溯源分析以及考虑复杂非线性的负荷影响因素分析,也可以在构建负荷预测模型时指导特征选择提升模型的泛化能力.     

电力系统短期负荷预测方法综述

简述了短期负荷预测的概念和意义,分析了短期负荷预测的特点和影响预测精度的各种因素,将目前的预测方法分为经典方法、传统方法、智能方法和预测新方法。综合分析了目前各种预测方法的应用原理,详细分析和比较了各个预测方法的优点和不足之处。提出提高短期负荷预测的精度不仅重视历史数据的积累,更应注重选择合适的预测模型,综合预测模型是未来电力负荷预测方法的发展方向。     

神经网络预测中长期电力负荷对比研究

为避免传统方法预测中长期电力负荷建模的复杂性,根据电力负荷历史数据,研究了基于LM算法的BP网络、RBF网络在中长期电力负荷预测中的应用,通过神经网络对训练样本的学习,自动提取影响中长期电力负荷的诸多因素。从训练速度、预测误差等方面分析对比了两种神经网络预测能力,仿真和实例数据表明了两种神经网络在中长期电力负荷预测方面的可行性和良好效果。     

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。