最大Lyapunov指数法在电力系统短期负荷预测中的应用

研究最大Lyapunov指数的预测方法在电力系统短期负荷预测中的应用。针对最大Lyapunov指数的单步预报模式进行多步预测时存在严重的误差累积效应的缺点,文章提出了最大Lyapunov指数的多步预报模式。通过对山西省电网的实际负荷数据进行预测,结果表明多步预测时,基于最大Lyapunov指数的多步预报模式有更高的精度。     

最大Lyapunov指数法在电力系统短期负荷预测中的应用

研究最大Lyapunov指数的预测方法在电力系统短期负荷预测中的应用。针对最大Lyapunov指数的单步预报模式进行多步预测时存在严重的误差累积效应的缺点，文章提出了最大Lyapunov指数的多步预报模式。通过对山西省电网的实际负荷数据进行预测，结果表明多步预测时，基于最大Lyapunov指数的多步预报模式有更高的精度。     

短期负荷预测最大Lyapunov指数预报模式预测值的判定

首先分析了相空间中混沌吸引子邻近轨道间的平行、交叉、折叠3种拓扑关系,根据负荷吸引子的特点提出了负荷时序最大Lyapunov指数预报模式预测值的判定依据,并探讨了相空间中临近点(轨道)的选择方法。仿真试验表明改进的负荷预测建模策略避免了原有Lyapunov指数预报模式预测值选择的盲目性,吸引子临近点的选择符合电力负荷数据的特点,所建立的短期负荷预测模型提高了预测精度并达到了预期效果。     

电网短期负荷预测的混沌方法

通过计算四川全省电网小时负荷时间序列的混沌特征量：饱和关联维数、最大Lyapunov指数和Kolmogorov熵，论证了该小时负荷序列属于混沌时间序列。以负荷相空间重构为前提，分别应用混沌分析法的相似点模型、线性回归模型及Lyapunov指数模型对其短期负荷预测，并对比了三种模型预测的效果，预测结果表明了混沌预测方法的有效性。     

基于分时重构混沌相空间的电力系统负荷短期预测

为了实现高精度的电力系统负荷短期预测,该文对电力系统负荷时间序列数据分时段进行相空间重构,并计算分形维数和提取最大Lyapunov指数,经分析得出了系统负荷分时序列数据的演化具有混沌特征,由此提出了短期电力系统负荷的分时重构混沌相空间预测算法,相比目前通常采用的单一时间序列混沌预测算法,该算法具有相空间嵌入维数少和模型参数配置灵活的特点,通过电力系统负荷短期预测实例验证,结果表明该算法比单一时序混沌预测算法在预测精度上有显著提高。     

基于分时重构混沌相空间的电力系统负荷短期预测

为了实现高精度的电力系统负荷短期预测,该文对电力系统负荷时间序列数据分时段进行相空间重构,并计算分形维数和提取最大Lyapunov指数,经分析得出了系统负荷分时序列数据的演化具有混沌特征,由此提出了短期电力系统负荷的分时重构混沌相空间预测算法,相比目前通常采用的单一时间序列混沌预测算法,该算法具有相空间嵌入维数少和模型参数配置灵活的特点,通过电力系统负荷短期预测实例验证,结果表明该算法比单一时序混沌预测算法在预测精度上有显著提高.     

基于改进型遗传算法的混沌神经网络在电力负荷预测的应用

通过对陕西省省网历史负荷数据进行混沌特性分析,重构系统相空间,并计算最大Lyapunov指数,指出该时间序列具有混沌特性,从而采用混沌神经网络对该时间序列进行短期负荷预测。神经网络模型采用改进型遗传算法对权值和阈值进行学习和训练,优化神经网络权重,充分发挥遗传算法的全局寻优能力和神经网络的局部搜索性能。然后采用该网络进行预测,预测结果表明:该模型预测算法优于纯BP网络方法的预测结果,较大地提高了预测精度。     

基于混沌支持向量机的河川径流预测研究

以黄河上游兰州站月径流序列为研究对象,在介绍相空间重构原理的基础上,探讨了混沌分析的主要定量指标:饱和关联维数d,最大Lyapunov指数λ和Kolmogorov熵k。得到该时间序列的最佳嵌入滞时τ=3个月,饱和关联维数d=3.230,最小嵌入维数m=12和最大Lyapunov指数λ=0.241,Kolmogorov熵k=0.14,指出该序列的预测时限为4个月。在此基础上建立了基于混沌特性的支持向量机径流预测模型,用1995~2004年的月径流数据进行仿真试验后,用2005年1~12月的径流数据作为预测检验,结果表明,该模型可用于混沌时间序列的月径流预测,并验证了由最大Lyapunov指数所确定的可预报时限为4个月的结论。     

改进的时变非线性负荷预测组合算法

为了提高超短期负荷预测精度,提出了一种改进的基于学习的时变非线性组合预测算法,该算法在基预测器中增加了基于最大Lyapunov指数的混沌时间序列预测模型,其中最大Lyapunov指数为序列特征属性,在进行组合预测时将序列的特征属性和基预测器预测的结果形成元知识,作为元预测器的输入,从而发现并且纠正基预测器的系统偏差.在...     

基于混沌时间序列法的微网短期负荷预测

针对微网中居民小区用电量较低、负荷波动大的特点,提出了结合混沌理论重构相空间并建立最大Lyapunov指数模型的方法。该方法不直接考虑影响负荷的气候、电价等因素,输入数据参数较少,采用C-C方法求延迟时间与嵌入维,运用改进的最大Lyapunov指数方法进行预测。将此方法用于安徽某一小区的实际负荷数据预测,预测结果表明该算法的预测精度较高,可以为微网的优化运行提供负荷依据,仿真结果验证了算法的有效性和实用性。     

电力系统短期负荷预测的非线性混沌改进模型

改进了文「１」中负荷数据序列的Ｌｙａｐｕｎｏｖ指数计算方法,提高了Ｌｙａｐｕｎｏｖ指数的计算精度并增强了可靠性,这种建立在非线性混沌改进模型基础上的预测方法不仅对小数据组可靠,而且计算量小,相对容易操作,通过对华东某电网实际负荷数据进行的预测,精度明显优于文「１」中的方法,且具有较强的自适应能力和通用性。     

电力短期负荷时间序列混沌特性分析的技术改进

电力短期负荷具有混沌特性。通过深入研究其混沌吸引子的形状、关联维数及最大Lyapunov指数,发现这些混沌特征数对电力短期负荷预测具有重要意义。在相空间重构的基础上,经研究发现电力短期负荷二维相图两坐标间延迟时间为8时,其混沌吸引子能得到最好的再现;对计算关联维数的G-P算法中关键参数的选取提出了简单易行的方法,使该算法更易于操作;对计算最大Lyapunov指数的小数据量方法做进一步改进,提出了一套固定参数,并用Henon系统数据验证了该方法的有效性。用上述改进方法进一步分析了电力短期负荷的混沌特性。     

短期负荷预测Volterra滤波器间隔采样模型

针对现有Volterra滤波器模型按混沌轨道逐点训练的模式易发生训练不充分或过拟合现象并最终影响短期负荷预测效果的问题,提出了依据相空间邻近轨道演化相似性特点,建立基于高阶非线性Volterra滤波器(HONFIR)的短期负荷预测多步预测模型(MSF-HONFIR).通过定义距离相似度、趋势相似度来衡量轨道演化相似性,提出了负荷吸引子邻近轨道判别的新方法.在MSF-HONFIR模型基础上将原始负荷序列分解为多个子序列并分别对各个子序列建立预测模型,显著削弱了系统累积误差.短期负荷预测仿真结果表明MSF-HONFIR模型的多步预测性能优于原有HONFIR模型.     

短期负荷可预报天数的初步研究

只依据历史数据的短期负荷预报，预报准确率会随预报时间的增大而明显降低。这种现象来源于负荷记录的混沌特性。通过傅里叶级数展开，以及吸引子的相关维数、最大李雅普诺夫指数等分析，发现某地的负荷是双周期行为和混沌行为的合成。双周期成分是可以精确预报的，负荷预报的误差主要来自混沌成分。混沌成分的可预报天数约为15 d。按混沌成分占负荷的比重折算后，得到的负荷可预报天数约为3 d。