基于小波变换的混合神经网络短期负荷预测

准确的短期负荷预测是作出正确营销决策的依据。采用小波变换对负荷序列进行分解,对于每一分解序列,分别按照各自的特点选择出比较合适的影响因素,采用信息熵理论和主成份分析相结合的属性约简法对其进行约简,并利用动态聚类对各分解序列的样本归类,通过灰色关联分析找到与预测时刻负荷模式最接近的一些典型样本,训练各分解序列相应的神经网络预测模型,最后通过序列重构,得到完整的负荷预测结果。采用实际负荷数据进行测试,表明这一方法预测效果较好。     

考虑积温效应的短期负荷组合预测方法

给出了积温效应的量化公式,提出了考虑积温效应的小波变换与神经网络负荷组合预测方法.该方法首先通过小波变换,把负荷序列分解为不同频段的趋势性负荷子序列和细节性负荷子序列;采用BP神经网络对各子序列分别进行建模和预测,对趋势性负荷子序列加入了积温系数等特征参数;最后由小波重构得到负荷序列的最终预测结果.该方法考虑了积温效应...     

基于纵横交叉算法优化神经网络的负荷预测模型

为了解决传统BP神经网络对高频分量预测精度不高、泛化能力弱的缺点,提出了一种混合小波变换和纵横交叉算法(CSO)优化神经网络的短期负荷预测新方法。通过小波变换对负荷样本进行序列分解,对单支重构所得的负荷子序列采用纵横交叉算法优化的神经网络进行预测。最后叠加各子序列的预测值,得出实际预测结果。通过实际电网负荷预测表明,新模型能掌握冲击毛刺的变化规律,有效提高含大量冲击负荷地区的负荷预测精度,且预测模型具有较强泛化能力。     

基于小波分解和相同尺度序列的神经网络短期电价预测

基于小波分解的短期电价预测主要是对电价样本分解后的各个子序列进行预测,并重构各个预测结果得到最终预测电价。在这一基础上,对电价和负荷样本进行多分辨率小波分解至2尺度,然后剔除噪声信号,再将其中相同制度的电价和负荷子序列相结合,并根据该尺度的时频特征设计建立神经网络模型进行预测,最后将各个子序列的预测结果重构得到预测电价。在算例分析中采用PJM市场2007年3月至2008年2月的数据,并通过绘制误差持续曲线,测试对比本文提出的预测方法和其他预测模型,证明了该方法的有效性和可行性。     

基于正交小波和长短期记忆神经网络的用电负荷预测方法

用电负荷数据的波动性和周期性会影响电力负荷预测的准确性,针对此问题,文中提出了一种基于正交小波长短期记忆神经网络(orthogonal wavelet transform-long short-term memory, OWT-LSTM）的用电负荷预测方法。该方法对用电负荷序列进行正交小波分解,消除负荷数据的波动性,然后利用LSTM及其变种神经网络对正交小波分解后的各尺度负荷序列进行建模训练,通过各序列预测结果进行预测重构,获得最终的负荷预测结果。通过用户用电负荷数据集验证表明,该方法的预测性能优于其他模型,具有较高的预测精确性和稳定性。     

小波-LMBP网络在短期负荷预测中的研究与应用

为提高电力系统负荷预测精度,提出一种基于小波分析结合LMBP(Levenberg-Marquardt BP)神经网络的电力系统短期负荷预测方法.通过小波变换对负荷序列进行多尺度分析,得到具有不同特征和规律的频段子序列,再对这些子序列分别采用合适的人工神经网络模型进行训练预测,最后将各预测子序列进行重构,生成负荷序列的最终预测结果.在构造预测模型的过程中,对比传统的预测方法及预测模型,在小波函数及尺度选择、神经网络建模等方面进行细致探讨并予以相应的实例验证.结果表明该方法具有很高的预测精度和应用可行性.     

基于多因素小波分析的神经网络短期现货电价预测方法

一般采用小波分解的电价预测方法是将历史电价分解后分别预测,预测过程中没有引入其他电价影响因素,或者是直接引入未经小波分解的影响因素。提出一种小波分析与神经网络相结合的预测方法,将历史电价和历史负荷都进行小波多分辨率单尺度分解,分解成概貌电价、细节电价和概貌负荷、细节负荷。在此基础上,用历史概貌电价和概貌负荷序列训练BP神经网络,预测出未来的概貌电价;用历史细节电价和细节负荷序列训练BP神经网络,预测出未来的细节电价。将概貌电价和细节电价进行重构,得到最终的预测电价。对美国PJM电力市场的实际电价(LMP)进行预测,验证了该方法的有效性和可行性。     

基于EEMD-样本熵和Elman神经网络的短期电力负荷预测

针对电力负荷序列的非线性、非平稳性等特点,提出了一种基于集总经验模式分解EEMD-样本熵和El-man神经网络的短期负荷预测方法。为了减小电力负荷序列局部分析的计算规模以及提高负荷预测的精度,先利用EEMD-样本熵将原始电力负荷序列分解成一系列复杂度差异明显的子序列;然后在综合考虑温度及日期类型等因素对各子序列影响的基础上,根据各子序列的特点构造不同的Elman神经网络对各子序列分别进行预测;最后将各子序列的预测结果叠加得到最终预测值,并对EUNITE国际电力负荷预测竞赛公布的数据进行仿真实验。仿真结果表明该方法能有效地提高负荷预测的精度。     

基于小波变换和遗传算法优化神经网络负荷预测

提出了采用小波变换和遗传算法优化神经网络的混合模型对电力负荷进行短期预测。首先通过小波变换,将原始负荷序列分解到不同的尺度上,然后根据不同的子负荷序列的特性分别建立相匹配的神经网络模型,采用遗传算法优化各神经网络模型的初始权值,最后对各分量预测结果进行重构得到最终预测值。采用成都某地区2009年的实际负荷对所提方法进行验证,实验结果表明基于该方法的负荷预测系统具有较高的预测精度。     

基于小波分解模糊灰色聚类和BP神经网络的短期负荷预测

提出基于小波分解、模糊灰色聚类和BP神经网络的短期负荷预测方法.通过小波分解将负荷序列分解成低频分量和高频分量,找出负荷各频率分量的规律;通过模糊灰色关联聚类方法选取待预测日的负荷相似日;针对不同频段负荷的规律采用相对应的神经网络模型进行负荷预测,获得不同频段的待预测日负荷各分量,将各分量的预测结果叠加得到负荷预测值.采用所提方法对某地区2010年实际负荷进行预测,并与已有的负荷预测方法比较,结果表明所提方法可提高负荷预测的精度.     

基于haar小波编码和改进K-medoids算法聚合的用户负荷典型区间场景挖掘

针对单一典型曲线无法满足负荷不确定性分析需求的问题,提出一种基于haar小波编码和改进K-medoids算法聚合的用户负荷典型区间场景挖掘方法。将原始负荷曲线经haar小波变换得到低维负荷近似序列;对负荷近似序列每个维度的特征集分别进行聚类,提取类簇所包含特征的边界值,得到数值区间并进行编码;根据特征占比剔除非显著数值区间,并组合不同维度的显著数值区间得到字符串表征的负荷区间序列;定义字符串差异度衡量负荷区间序列的相似性,利用改进K-medoids算法聚合得到负荷区间序列类簇,并提取类簇所包含的负荷近似序列的边界值以得到典型区间场景;设置差异度阈值实现典型区间场景的粒度调节。使用爱尔兰地区某用户实测负荷数据进行验证,实验结果表明所提方法可以实现不同粒度负荷典型区间场景的挖掘。     

基于负荷频谱分析的电力系统短期负荷预测

电力系统短期负荷具有非常大的不确定性,而其日负荷信号的频谱具有连续变化的特性。从信号频谱分析角度,对日负荷信息进行建模分析,并通过小波变换,将日负荷数据分解为不同尺度上的投影子序列,用子序列作为小波神经网络的训练样本,然后用训练好的神经网络模型对电力系统的短期负荷进行预测。在Matlab仿真软件中,采用某市某线路的某日负荷数据对算法进行仿真验证,取得了较好的预测结果。     

考虑多重周期性的短期电价预测

考虑到电价各时段变化以及周末与工作日变化的差异,提出了区分周末的分时段短期电价预测模型。该模型首先将各日中同一时段的电价形成该时段的电价序列,再将各时段电价序列分为工作日电价序列和周末电价序列。这样形成了多个消除了日周期性和星期周期性的子电价序列,分别对各子电价序列进行预测以得到预测日电价。采用基于小波分析的广义回归神经网络对这些子电价序列分别进行提前一天的预测,各子电价序列的预测电价就形成了下一天的预测电价。采用该方法对西班牙电力市场电价进行了长时间的连续预测,并与已有的预测方法进行了详细的比较分析,研究表明该方法能够提供更准确的预测电价。     

小波分析在电力系统不良数据辨识中的应用

历史负荷受各种因素的共同作用可能造成数据失真,为了能够给EMS或DMS的高级应用软件提供良好的数据基础,首先必须对历史负荷数据进行处理,去除其中的错误数据。实际上,不良数据可以看成是负荷曲线中的奇异点及不规则的突变部分,而离散二进小波变换系数的模极大值的位置和幅度同信号的局部奇异性密切相关。在此基础上提出了一种基于小波奇异性检测和小波除噪的电力系统不良数据辨识方法。通过对大量实际的负荷数据分析,证明了所提出方法的正确性和有效性。     

智能电网环境下基于大数据挖掘的居民负荷设备识别与负荷建模

利用数据挖掘技术对用户负荷大数据进行处理,既可以通过识别用电负荷设备来分析用户的用电行为习惯,又可以辅助进行负荷精确建模,实现精确而有目标性的需求侧管理或制定具有针对性的零售商售电策略。在此背景下,基于动态时间弯曲(dynamic time warping,DTW)的时间序列匹配方法,提出了一种低频负荷数据下的居民电器设备识别方法。首先,将负荷数据分割成单负荷设备运行和多负荷设备同时运行2种情况下的负荷子序列;然后,依据待识别子序列的时间长度,参照实测的电器设备耗电功率数据,生成与其时间长度一致的电器设备耗电功率参考序列,其中包含了从电器设备启动前一时刻至设备关闭后一时刻的功率变化情形;最后,以DTW距离作为相似性度量指标确定识别结果。对于由多负荷设备运行产生的负荷序列,提出了一种剔除已识别设备后将序列再次分割,如此交替进行的识别策略。在获得识别结果后,构建了居民负荷统计模型。借助于高效数据分析软件R语言平台,实现了所提出的算法,并使用500组负荷数据进行了数据实验。结果表明,在对负荷数据每min采样1次的情况下,所提出的负荷设备识别方法对单设备负荷序列识别的准确率超过93%,对多设备负荷序列识别的准确率接近83%。     

小波软阈值技术在电力负荷预测中的应用

电力系统中长期电力负荷数据相对较少,影响因素多且很难预测,其主要由随机性因素和确定性因素决定。根据这些信息中隐藏频率的不同,可利用小波变换原理将其分解到若干频率段上,即得到若干"近似"项和"细节"项,在各项上附加不同的阈值后,应用小波原理对经过阈值处理的各项进行重构,从而达到对原始数据降噪的目的,将去噪后的长期负荷数据作为神经网络的输入进行预测。算例表明,该方法预测结果准确、可靠。