基于PSRT与Elman神经网络的短期负荷多步预测

短期负荷预测(short-term load forcastings,STLF)对电力系统的经济和安全运行有着重要的作用。为提高短期负荷预测的精度,根据短期负荷的基本特性,提出了一种将相空间重构理论(phase space reconstruction space,PSRT)与Elman神经网络相结合的短期负荷多步预测模型。首先利用PSRT重构相空间的吸引子,然后用Elman神经网络来拟合相空间吸引子的多步演化,其中利用空间欧氏距离来选取Elman网络的输入样本。通过对广西电网短期负荷预测的分析表明,该多步预测方法是有效可行的。     

优化相空间近邻点与递归神经网络融合的短期负荷预测

根据在相空间重构拓扑近邻点的时间演化原理，提出了优化近邻点(optimal neighbor points，ONP)的短期负荷预测(Short-term load forecasting，STLF)法，它可克服伪近邻点在高嵌入维对局域动力学估计的不利影响，以提高预测精度。在此基础上，又提出ONP与递归性时延神经网络(Tune Delay Neural Network，TDNN)模型融合的STLF法，具有动态性能的TDNN是按优化近邻相点的演化轨迹构造，是属于对预测点跟踪的智能辩识动态行为模型。它能增强模型对系统动力学的联想性和泛化能力，使预测精度提高一倍以上。该文经两类不同负荷系统周、日预测仿真测试，证实所研究的预测模型能有效、稳定地提高预测精度，且有高的适应能力，为基于相空间理论预测法用于实际取得有效的进展。     

负荷预测分析管理系统在山东电网的应用

针对目前国内负荷预测软件功能单一、效率不高的现状,根据数据库、多层结构体系、Web化软件平台等技术的最新发展,基于预测理论,提出负荷预测、负荷分析和负荷管理一体化设计的思路.结合山东电网负荷预测分析管理系统的实例,介绍和分析了其结构、功能和实现方式.系统的运行实践验证了设计思路、实现方式的正确性及在提高预测精度、提升预测效率等方面的作用.     

相空间重构和混沌神经网络融合的短期负荷预测研究

该文首次提出基于PSRT和ICNN融合的电力系统STLF模型，所构造的ICNN预测模型对负荷初值和混沌轨迹的游动性有很强的敏感性，可表征复杂的动力学行为和具有全局寻优的性能，以PSRT确定ICNN输入维数，训练样本集按预测相点步进动态相轨迹和最近邻点集原理形成的，可增强预测模型对混沌动力学的联想和泛化推理能力；文中用遗传算法作为ICNN的学习算法，对两类不同负荷系统日、周预测仿真测试，证实所研究的预测模型能有效、稳定的提高预测精度，且有较高的适应能力，为将基于PSRT和ICNN融合的电力系统STLF方法用于实际运行系统在理论上取得了有效的进展。     

基于灰色模型的短期电力负荷预测系统设计

高精度的短期电力负荷预测在现代电力系统的安全和经济运行中起着重要作用。介绍了短期电力负荷预测系统的结构与数据库E-R图。给出了预测考核标准公式,该预测系统具有界面美观、简单适用等特点。实践证明,系统在减轻调度人员负担,实现调度自动化方面发挥了重要作用。     

集中式省地一体化母线负荷预测系统

系统基于Microsoft Visual Studio.NET平台和Microsoft SQL Server数据库,采用最先进且成熟的多层体系Browser/Server(B/S)结构,以原有的负荷预测系统为依托,形成了以母线负荷预测、负荷统计与分析、预测结果评估与考核为主,数据采集、预测数据上报、基础信息管理和系统流程化管理为辅的集中式省地一体化母线负荷预测系统。系统采用先进的预测策略,在提高预测准确率的同时,为发电计划安全校核与调度的精细化管理提供数据支持和技术保障。     

基于混合算法的短期负荷预测模糊建模

结合最小二乘（LS）辨识以及一种基于进化规划（EP）和粒子群优化（PSO）的混合进化算法EPPSO,针对对温度比较敏感的夏季负荷,提出一种3阶段短期负荷预测（STLF）算法。在第1阶段,应用LS设计模糊基函数网络（FBFN）完成STLF模糊空间划分;第2阶段,首先拓展FBFN成一阶Sugeno模糊模型,然后应用EPPSO调节其前件参数同时训练后件参数,最后将前述模型用于STLF得出的预测误差看做一个新的时间序列,并仅用气象因素对其进行辨识,可以用回归模型表示该辨识模型,进而应用LS进行辨识。文中提出的STLF模糊建模策略主要贡献于受气象因素影响较大的夏季负荷。仿真部分对浙江省电力公司的实际负荷进行了预测,与其他方法的比较结果证明该方法具有良好的预测性能。     

基于多因素影响的母线负荷预测系统设计及应用

准确的母线负荷预测可为经济调度和节点电价计算提供可靠的保障,为此提出了基于多因素影响的母线负荷预测系统。基于对影响母线负荷预测准确率因素的研究,介绍了系统设计结构和数据库设计内容。预测系统在某地区电网中得到应用,并获得了可靠的预测结果,这表明系统具有易用性、实用性的特点。     

面向节能发电调度的母线负荷预测平台

根据节能发电调度对母线负荷预测提出的新要求,提出了建设母线负荷预测平台的总体方案.采用多层体系的B/S结构和J2EE技术,应用高性能网络数据库作为后台数据支持,建立了以母线负荷分析和预测为核心,集数据采集与管理、预测后评估分析和预测结果的上报考核管理一体化的信息管理和预测系统.提出了母线负荷建模方法、母线负荷预测模型方法库、自适应训练机制、预测过程控制等关键技术,为进行详尽的数据挖掘分析、高质量的需求预测和一体化的母线负荷管理提供灵活的网络化操作平台.该平台适应电网调度管理精益化的新要求,可为提高母线负荷预测精度、提升负荷预测工作的管理水平、保障电力系统安全经济运行提供有力的技术支持.     

基于多特征提取的Attention-BiGRU短期负荷预测方法

电力负荷预测在电力系统发展中起着重要的作用,为供电提供了重要的指导。短期电力负荷预测(STLF)可以在短时间内保证电网的安全和稳定。为解决预测精度不足且数据集单一缺乏参考因素的问题,提出一种基于多特征提取并结合注意力机制的双向门控循环单元(Attention-BiGRU)网络短期电力负荷预测方法。预测模型采用门控循环单元(GRU)的基本结构,在已有数据特征的基础上进行时间特征与数据分布特征提取,将所有特征作为负荷预测的影响因素,然后使用注意力机制对输入序列进行权重分配,使用双向门控循环单元(BiGRU)网络对特征进行学习并输出负荷预测值。仿真结果表明,基于多特征提取的Attention-BiGRU网络表现优于传统高斯回归预测方法、GRU网络、多特征提取的BiGRU网络和BiGRU网络。     

Short Term Load Forecast Using Wavelet Neural Network

This paper presents a wavelet neural network (WNN) model combining wavelet transform and artificial neural networks for short term load forecast (STLF). Both historical load and temperature data having important impacts on load level were used in the proposed forecasting model. The model used the three-layer feed forward network trained by the error back-propagation algorithm. To enhance the forecasting accuracy by neural networks, wavelet multi-resolution analysis method was introduced to pre-process these data and reconstruct the predicted output. The proposed model has been evaluated with actual data of electricity load and temperature of Hunan Province. The simulation results show that the model is capable of providine a reasonable forecasting accuracy in STLF.     

负荷预报中负荷规律性评价方法的研究

负荷预报是一个历久不衰的研究课题,以往的研究主要集中于预报方法,而缺乏对负荷自身变化规律的分析和评价。这不仅导致了难以公允地评价负荷预报方法,也使运行部门对负荷预报所提出的精度要求缺乏客观依据,该文阐述了评价负荷规律性的必要性,并建立了相应的评价方法,文中分析了负荷历史数据,负荷预报以及预报误差之间的关系,构建了一种基于统计分析的负荷规律性评价方法。在此基础上,建立了预估负荷预报误差极限的分析方法,运用所提出的方法对负荷变化的规律性进行评价,不仅可以客观地评价负荷预报方法的优劣,还可以根据不同负荷的规律性确定切实可行的负荷预报精度要求,文中给出的算例说明了方法的有效性。     

采用协整检验的电力系统组合预测建模条件判定方法

对组合预测方法应用于电力系统短期负荷预测的条件进行了探讨。为了提高电力系统短期负荷预测的精度，运用计量经济学中的协整理论，对组合预测方法进行了研究，并分析了实际的负荷数据，得出应用的条件是：每种预测方法得到的预测值序列与实际负荷值序列之间应该具有协整关系，这是在电力系统短期负荷预测中采用组合预测方法的必要条件。结合实际预测数据，对协整分析方法及相关检验的实现过程进行了详细的计算说明，并对此结论的适用范围进行了介绍。     

ANFIS在短期负荷预测中的应用

为使负荷预测更精确,鉴于预测对象的不确定性和非线性,采用ANFIS预测电力系统短期负荷。ANFIS将模糊理论与神经网络融合,利用神经网络实现系统的模糊逻辑推理,采用混合学习算法调整前提参数和结论参数,自动产生模糊规则。该系统具有非线性映射和自学习能力,不基于数学模型,用独特的空间分层方法建立若干模糊推理系统,依靠专家经验获取控制信息,能用于负荷预测的非线性建模,获取负荷数据的最佳估计,克服数据处理过程中存在的不确定性和不完备性。所用ANFIS模型为2输出1输入5层1阶Sugeuo模糊系统。利用某局网负荷数据训练和检测ANFIS网络模型后预测负荷,结果表明该算法鲁棒性好,抗干扰能力强,能有效补偿对象的大纯滞后。     

电力系统短期负荷预测方法研究

采用混沌理论进行电力系统短期负荷预测 ,对利用Lyapunov指数算法进行负荷预测作了介绍 ,包括用混沌理论实现相空间的重构 ,以及通过计算关联维得到最优嵌入维数的方法、计算Lya punov指数的方法和利用Lyapunov指数得到预测负荷数值的过程 ,并给出了算法的简单实现步骤。实例预测结果 ,证明了算法的有效性 ,揭示了采用混沌理论进行短期负荷预测的优越性     

Short term load forecasting using wavelet transform combined with Holt–Winters and weighted nearest neighbor models

Short term load forecasting (STLF) is an integral part of power system operations as it is essential for ensuring supply of electrical energy with minimum expenses. This paper proposes a hybrid method based on wavelet transform, Triple Exponential Smoothing (TES) model and weighted nearest neighbor (WNN) model for STLF. The original demand series is decomposed, thresholded and reconstructed into deterministic and fluctuation series using Haar wavelet filters. The deterministic series that reflects the slow dynamics of load data is modeled using TES model while the fluctuation series that reflects the faster dynamics is fitted by WNN model. The forecasts of two subseries are composed to obtain the 24 h ahead load forecast. The performance of the proposed model is evaluated by applying it to forecast the day ahead load in the electricity markets of California and Spain. The results obtained demonstrate the forecast accuracy of the proposed technique.     

短期负荷预测相关因素的自适应训练

提高预测精度是短期负荷预测的基本目标。目前已提出了处理相关因素的规范策略和短期负荷预测的综合模型。在此基础上，将自适应训练的思想引入到短期负荷预测相关因素处理中，提出了相关因素自适应训练的若干概念，并分析了自适应训练中的基本问题，给出了短期负荷预测过程的抽象化模型，提出了两种训练负荷相关因素的算法：摄动算法和遗传算法，最后比较了这两种算法的优缺点。算例分析表明，通过自适应训练相关因素，实际预测的效果得到显著改善。     

广州电网负荷特性分析及短期预测模型设计

结合广州电网负荷短期预测系统的开发工作，设计了合理的预测模型。分析表明，该地区负荷表现出较强的以周为间隔和以日为间隔的周期性，民用负荷占据较大份额，日负荷分时段特性明显。的预测系统基于人工神经网络技术，针对性地分别建立了人工神经网络训练周模型和日模型，在对历史电网负荷和气象数据进行预筛选的基础上，结合对日负荷的分时段预测处理，开发短期预测系统。系统具有较高的预测效率和满意的预测准确度。针对该地区夏季高温季节出现的负荷饱和特性，设计了基于专家知识的预测检验环节，运行结果理想。     

基于小波软阈值的中长期电力负荷预测研究

由于中长期电力系统负荷数据相对较少，影响因素广泛，常用的负荷预测方法很难达到满意的精度，所以提出一种结合小波软阈值和广义回归神经网络的综合预测模型，该模型充分考虑了长期负荷数据相对较少和影响因素广泛的特点，把负荷预测看作一个信号序列，应用小波去噪原理，将信号与噪声分离，然后利用广义回归神经网络进行预测。实际应用证明，预测结果是令人满意的。