基于Lyapunov指数的电力系统短期负荷预测

采用非线性系统理论对电力系统历史负荷数据序列进行了特征分析,计算出Ｌｙａｐｕｎｏｖ指数,并利用该Ｌｙａｐｕｎｏｖ指数模式进行短期负荷预测,进而提出短期负荷预测的时间尺度的概念,这种方法不复气候和气温等数据,只利用电力系统一维峰值负荷历史数据计算出过去的变动模式进行负荷预测,就可以得到较高的预测精度,对东北电网实际负荷数据进行了预测,结果令人满意,从而为电力系统短期负荷预测提供了一种新的预测方法。     

基于 Lyapunov 指数的电力系统短期负荷预测

采用非线性系统理论对电力系统历史负荷数据序列进行了特征分析,计算出Ｌｙａｐｕｎｏｖ指数,并利用该Ｌｙａ－ｐｕｎｏｖ指数模式进行短期负荷预测,进而提出短期负荷预测的时间尺度的概念。这种方法不利用气候和气温等数据,只利用电力系统一维峰值负荷历史数据计算出过去的变动模式进行负荷预测,就可以得到较高的预测精度。对东北电网实际负荷数据进行了预测,结果令人满意,从而为电力系统短期负荷预测提供了一种新的预测方法。     

电力系统负荷的混沌特性及预测

利用混沌理论对电力系统负荷数据进行了相空间重构,绘出了其二维相空间相图,同时对负荷的相关维数Ｄ２及负荷时间序称的最大Ｌｙａｐｕｎｏｖ指数（λ１）进行了计算。由计算结果发现电力系统负荷具有混沌特性,其外在表现为貌似随机的无规则特性,且内部系统的时间序列具有分数维Ｄ２及最大（λ１）大于零。最后运用嵌入相空间的局域线性法对某地区电网的有功负荷作了预测,此方法是一种新的电力系统负荷预测方法,为以后的研究人     

月敏感负荷预测方法研究

主要研究了敏感负荷领域中的相关问题,建立了敏感负荷预测模型,并在原季节指数预测方法的基础上,提出一种改进季节指数法用以预测月敏感负荷,与原预测方法相比,有效地提高了预测精度。根据江苏省实际负荷运行数据,对两种预测结果进行了比较。     

电力系统短期负荷离线预测研究

针对某电网负荷预测问题,提出了对灰色预测和单指数平滑法的有效改进,并将改进后的谅支及两种方法的组合预测应用于实际负荷预测问题中,获得了满意效果。文中通过一个计算实例,比较了改进前后这几种方法的预测精度,并列出了采用这几种方法进行负荷预测的满意结果。     

基于改进人体舒适指数的微电网超短期负荷预测

为解决微电网大规模超短期负荷预测的计算速度和准确度问题,建立最优局部形相似超短期负荷预测模型,引入表征气象综合影响因素的人体舒适度指数,并对人体舒适度指数公式进行改进。根据最优局部形相似数列与实时数据给出了一种基于加权平均的最优局部形相似超短期负荷预测方法,以获取超短期负荷预测初始值,利用改进人体舒适度指数对该初始值进行一次修正;再根据实时数据与预测数据的偏差并运用超稳定自适应控制理论对一次修正值进行二次修正,最终获得超短期负荷预测值。实例验证了所提方法的可行性,同时证明该方法在大规模超短期负荷预测中对计算速度和计算准确性都有较好的适应性。     

短期电力负荷预报间隔采样混沌模型

现有研究工作表明电力系统负荷数据具有弱混沌性。在负荷预测混沌建模方法中,Lvapunov指数预报模式具有理论基础强、模型简单、预测精度高等优点,但预测时限受负荷吸引子最大Lyapunov指数限制。针对Lyapunov指数预报模式的不足,提出了k-△t间隔采样混沌模型,首先将原始负荷序列分解为多个不相交的了序列,然后对各个子序列分别建立Lyapunov指数预报模型。改进了求解最大 Lyapunov指数的方法,探讨了原始负荷序列最大可分解子序列数目的确定依据。数值实验结果表明文中提出的模型能有效地提高负荷预测精度、增加预测时限。     

灰色Elman神经网络的电网中长期负荷预测

为了降低原始负荷数据突变对Elman神经网络预测精度的影响,考虑电网负荷预测样本时变性强、不确定因素影响多的特点,利用Elman神经网络计算和适应时变特性的能力强、误差可控以及灰色理论所需计算数据少、计算量小,在样本较少的情况下也能达到较高预测精度的优点,建立灰色Elman神经网络的负荷预测模型,首次将灰色Elman神经网络模型在中长期负荷预测中应用.实例结果表明,该预测方法提高了预测精度、取得了较快的收敛速度,说明该模型是可行而有效的.     

基于最小二乘支持向量机的超短期风电负荷预测

风力具有很强的间歇性和波动性,导致风电负荷预测困难,主要表现在预测计算速度慢,可预测的未来时间短,预测精度不高。为了解决这些预测困难,将最小二乘支持向量机(LS-SVM)的方法运用在超短期风电负荷预测中。最小二乘支持向量机通过改进算法,简化了计算的复杂性,使计算速度明显增快,也进一步提高了预测的精度。用实际数据进行仿真,实验结果表明,基于LS-SVM的方法可以进一步提高超短期风电负荷预测的精度,加快计算和预测的速度,与其他方法相比预测精度和运算速度都有优势,用于超短期风电负荷预测是有效可行的。     

双变量小波阈值去噪和改进混沌预测模型在短期电力负荷预测中的应用EI北大核心CSCD

混沌预测是电力负荷预测研究的新焦点。该文提出双变量阈值函数和改进混沌预测模型相结合的新方法。该方法克服了传统最大Lyapunov指数预测模型对噪声干扰比较敏感、计算量大、预测时间长以及预测精度不高等缺陷。通过对典型混沌系统和实际电力负荷系统进行短期预测分析,证明该方法能较好排除无关因素对预测的干扰,缩短预测时间,有效提高预测精度。     

基于改进型BP神经网络的短期电力负荷预测

提出一种改进的 BP 神经网络学习算法,并将其应用于短期电力负荷预测中。研究 结果表明：基于改进的 BP 神经网络的短期电力负荷预测具有精度高的特点,负荷预测结果的相 对误差小于3．63%。     

基于Shapley值的组合预测方法

负荷预测对电网的安全运行起着至关重要的作用,预测误差较大则从长期和短期来讲都使电网公司面临很大的风险,所以必须提高负荷预测的精度、减小误差,组合预测能够有效地提高预测精度,但是其权重的设定是一个比较困难的问题。应用shapley值方法进行研究,根据分摊的误差来确定各个成员的权重,算例验证表明Shapley值方法确定的组合预测模型可以比其他方法更好地减小预测的误差。     

基于灰色理论的中长期负荷预测

对负荷预测中的灰色预测方法进行了深入的研究,找出了灰色建模的局限性并提出了改进方法.通过对负荷原始数据序列的预处理及优化,增强了灰色预测对波动负荷数据序列的处理能力,利用等维新息递推GM(1,1)模型进行预测,保证了预测能够较为充分地利用新信息.经过改进之后的模型,扩展了普通GM(1,1)模型的适应范围,提高了预测精度.利用实例将改进模型与普通GM(1,1)模型进行比较,证明改进模型具有比普通GM(1,1)模型误差小、精度高的优点.     

基于神经网络的短期负荷预测与误差纠正算法

提出一种基于模糊神经网络的电力短期负荷预测方法,并对其运行特点进行分析。提出通过改进数据样本从而改善模糊神经网络的方法,可以预测在一些不确定性条件发生剧变的情况下发生突变的负荷。还提出了一个关于误差整合的观点,根据此观点提出了减小误差的方法。实例计算表明,这一模型和方法应用于短期负荷预测能获得较高的预测精度。     

一种基于改进分类和回归树的神经元网络电力负荷预测方法

通过改进CART(分类和回归树)分类法选择训练样本，可以降低与预测日不一致负荷模式的影响，提高预测精度，并运用人工神经元网络预测下一天的96点负荷，主要包括3个部分，首先，运用CART分类法将输入空间分成若干矩形互斥区域，每一个区域对应一种负荷模式；其次，根据分类结果选取神经元网络的训练样本．最后，合理映射天气因素和日期、星期类型并进行预测．实际应用表明本方法对于大波动负荷地区能够改善预测精度，提高预测速度．     

一种基于小波神经元网络的短期负荷预测方法

小波神经元网络比多层前馈神经网络具有更多自由度和更好的适应性.为更好地反映气象因素对负荷的影响及提高负荷预测的精度,文章选用Morlet小波构建小波神经元网络,采用误差反传学习算法来训练网络,采用自学习隶属度分析聚类的新方法选择训练样本.并应用武汉电网近年的负荷数据和气象资料进行了建模和预测,预测结果表明所建立的小波神经元网络预测模型具有较好的收敛性,采用自学习隶属度分析聚类方法选择训练样本能改善预测精度.     

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。     

基于误差预测修正的负荷预测研究

电力系统负荷预测对电力系统的可靠和经济运行意义重大。国内外学者对负荷预测理论做了大量研究,提出了许多预测方法。基于这些方法,提出了一种有辅助和修正作用的措施——误差预测修正,即通过对预测产生的误差进行预测和分析,形成预测修正模型,再结合原预测模型预测负荷,以扩大原模型的适用范围和提高它的预测精度。最后通过算例,验证了该方法的科学性和实用性。