基于改进粒子群神经网络短期负荷预测

在电力系统的发展过程中,电力负荷充当着非常重要的角色,电力负荷预测的精度显得尤为重要。为了提高短期电力负荷预测的精度,提出了改进的粒子群-BP神经网络混合优化算法。采用自适应惯性权重改进的粒子群算法,使得粒子群算法的收敛速度和收敛精度有所提高,改进后的算法优化神经网络的过程中,对BP神经网络的初始权值和阈值等参数进行改善,并建立基于IPSO-BP算法模型对短期电力负荷进行预测。以某地的历史负荷数据进行训练仿真,结果表明,该模型的收敛速度和预测精度优于传统粒子群-BP神经网络模型。模型改善了粒子群算法和神经网络各自的缺点,提高了BP神经网络的泛化能力。该模型提高了短期电力负荷预测精度,平均相对误差在1%左右,模型可用于电力系统的短期负荷预测。     

聚类分析和改进贝叶斯算法的短期负荷预测

为了提高短期负荷的预测准确度,提出一种聚类分析和改进贝叶斯算法的短期负荷预测模型。首先收集短期负荷的历史样本,并进行归一化处理,加快建模速度;然后采用模糊均值聚类算法对短期负荷历史样本进行分类,构建贝叶斯算法的学习样本;最后采用贝叶斯算法建立短期负荷预测模型,并针对贝叶斯算法的不足进行相应改进。采用具体短期负荷历史数据序列对模型的有效性进行仿真测试,结果表明,聚类分析和改进贝叶斯算法的短期负荷预测模型提高了短期电力负荷的预测准确度,加快了模型的训练速度,预测结果更加可靠,可以为电力管理部门科学决策提供参考。     

基于改进FC-IRKM的电力用户负荷分类研究

为了提升电力用户负荷分类精度,从而为电力企业有效掌握用户用电规律,制定电价,合理评估用电需求,进行了基于改进的FC-IRKM的电力用户负荷分类研究。首先,模糊聚类综合了模糊思想与聚类方法,粗糙集则解决了数据分类不清晰的情况,将两种方法的优点进行结合,提出了模糊粗糙K均值算法;其次,对IRKM算法记进行了理论分析,结合模糊粗糙算法,提出了一种FC-IRKM算法,并通过遗传算法对其参数进行优化,获得改进后的FC-IRKM算法;然后通过仿真对比实验,验证了在处理相同数据的时候,改进的FC-IRKM算法比其他常见传统算法的分类精度更高,适用性更广;最后将改进的FC-IRKM算法应用于电力用户负荷分类上,分类结果与预期结果相互印证,验证了该方法的适用性。该研究为电力企业把握电力用户的用电规律、合理规划供电计划提供了可靠的理论支持。     

考虑用电行为分析的电力用户用电预测研究

挖掘电力用户用电特征,有助于提高负荷预测精度,从而为制定合理的电力系统经济调度策略提供理论依据。针对传统的模糊C均值(fuzzy c-means algorithm, FCM)聚类算法的聚类数需要人工试凑的问题,提出了自适应FCM方法,以达到自动调整参数获得最佳聚类数的目的。针对核极限学习机(kernel extreme learning mechine, KELM)求逆过程计算量大的问题,采用cholesky分解法求解KELM的输出权值,降低了计算时间。采用自适应FCM对电力用户进行聚类,然后对每类用户采用改进的KELM算法进行负荷预测。实验结果表明,相同预测方法下,基于聚类的负荷预测精度高于不聚类时的负荷预测;实验结果验证了所提聚类方法与用户实际用电行为相符,具有准确性;相比于传统的KELM算法,改进KELM算法耗时更少精度更高。     

基于改进天牛须搜索算法优化LSSVM短期电力负荷预测方法研究

为提高短期电力负荷预测精度,提出了一种天牛须搜索算法优化的LSSVM短期电力负荷预测模型。引入模拟退火算法的蒙特卡洛法则对优化算法进行改进,提高了该算法的稳定性。将改进BAS算法优化后的LSSVM模型用于短期电力负荷预测问题。使用小波阈值去噪处理电力负荷数据,减少一些不确定性因素对负荷预测的影响,提高了预测精度。选择四川某地区电网实际历史负荷数据进行分析和预测,并与PSO-LSSVM、LSSVM预测模型进行对比分析。算例结果表明,所提出的IBAS-LSSVM预测模型与LSSVM相比预测精度提升了1.5%左右,与PSO-LSSVM相比算法运行时间缩短了70%,且算法稳定性更高,证明了该方法的实用性与有效性。     

基于改进的PSO-SVM的短期电力负荷预测

提出一种基于PSO-SVM电力负荷短期预测方法,在SVM学习过程中引入粒子群算法。通过选取组合核函数来改进SVM算法,这样可以充分保证计算速度和较高的预测精度。利用吉林地区的历史负荷数据作为训练样本,通过与传统的SVM预测模型进行对比,对预测结果与实际数据进行比较,证明基于组合核函数预测方法在一定程度上能够保证短期负荷预测的精度。     

基于实际负荷曲线的电力用户分类技术研究

开展电力用户负荷特性分析可以帮助供电企业获得其负荷需求变化的知识,对于企业负荷预测、需求侧管理、以及改进电价目录都有重要意义。针对某电力公司大用户实际负荷曲线数据,使用模糊聚类中的典型算法模糊c均值(FCM)对其进行聚类分析,得到负荷簇和负荷代表曲线,然后分析了属于各行业和电价类的用户负荷聚类结果,显示了按负荷特性进行用户分类与现行按行业和电价的用户分类差异显著。并通过案例说明负荷分析可以帮助企业改善运营。     

基于改进PSO-PFCM聚类算法的电力大数据异常检测方法

针对传统电力大数据异常检测方法检测精度低、复杂度高等问题,提出了一种将可能性模糊C均值算法和改进的粒子群优化算法相结合的电力大数据异常检测方法。使用改进的粒子群优化算法和重新定义的聚类有效函数来优化可能性模糊C均值算法的初始中心和数目。通过仿真将该算法与改进前算法进行对比分析,验证该算法的优越性。实验结果表明,该算法能够准确地实现电力大数据异常值检测,改进后误检率从0.36%降低到0.05%。     

基于模糊C均值聚类算法的用电行为模式分类

通过对负荷数据的归类分析,可以得到电力用户的用电行为特征,为需求响应策略制定和效果评估提供支撑。首先,对负荷数据进行预处理,包括非正常数识别与处理,以及平滑处理去除毛刺数据;其次,针对模糊C均值聚类算法对初始聚类中心敏感、易陷入局部最优和受噪声影响大等问题,提出采用最短距离法聚类为模糊 C 聚类提供初始聚类中心、利用有效性分析类内样本相似程度和不同类之间独立程度来判别聚类结果优劣、以及通过数据密度识别并剔除噪声点等改进措施,提升了模糊 C 均值聚类算法性能;最后,通过对比其他方法以及对某纺织企业负荷聚类分析,验证了改进算法的正确性与有效性。     

需求侧响应下基于负荷特性的改进短期负荷预测方法

为了提高需求侧电力负荷预测精度,针对需求侧自身特点,提出了基于负荷特性的改进短期负荷预测方法。依据需求侧负荷特性与属性聚类算法结合的方法完成两级需求侧负荷分类,并使用优化改进粒子群优化径向基神经网络(MPSO-RBF)和最小二乘支持向量机回归模型(LS-SVM)等算法建立短期预测模型进行负荷预测。利用该方法对某工业园区用电负荷进行预测,并与实际用电负荷数据和利用传统预测模型以及单一模型预测方法进行了比较分析。预测结果平均相对误差表明,基于负荷特性的改进短期负荷预测方法是有效和实用的,既能得到准确的负荷预测结果,方便需求侧用户就地进行各类负荷针对性调控,又方便管理者宏观掌控需求侧用户负荷情况,有效推动能源互联网的发展。     

基于改进BP神经网络的短期电力负荷预测方法研究

针对短期负荷预测精度低、准确性差等问题,将猫群算法CSO和BP神经网络相结合用于短期负荷预测,模型的输入因子是负荷数据和气象信息等,利用猫群算法对BP神经网络的权值和阈值进行优化,得到BP神经网络预测模型的最优解,建立了短期预测模型。通过实例验证了预测模型的有效性和有效性,结果表明,改进模型能够有效降低BP神经网络模型的预测误差,提高预测精度,为我国电力系统短期负荷预测的发展提供了参考和借鉴。     

基于机器学习的短期电力负荷预测方法研究

针对短期电力负荷数据具有明显周期性的特点,将基于机器学习引入到短期电力负荷预测领域,提出一种基于岭回归估计的RBF神经网络短期电力负荷预测方法,该方法利用机器学习算法RBF在非线性拟合方面的优势,结合岭回归对RBF神经网络输出层权值进行参数估计,有效消除输入多重共线性问题,采用广义交叉验证法对构建的模型进行评估,寻找最优岭参数,提高了电力负荷预测精度。通过实际负荷预测案例,与传统BP神经网络负荷预测方法进行比对,验证了提出的电力负荷预测方法较传统方法具有较好的稳定性和较高的预测精度,为电力负荷预测提供了新思路。     

基于IFOA-GRNN的短期电力负荷预测方法研究

针对智能用电环境下负荷随机性强、短期电力负荷预测精度差、计算时间长等问题,提出了一种结合改进果蝇优化算法IFOA和广义回归神经网络GRNN的预测方法。模型的输入因子为负荷数据和气象信息等。通过改进果蝇优化算法的搜索距离,增强其搜索能力,优化广义回归神经网络GRNN的平滑因数,提高预测的网络性能和精度。通过仿真验证预测方法的准确性和有效性。结果表明,改进后的方法可以减小预测误差,提高算法的稳定性。该研究为我国电力负荷预测的发展提供了参考和借鉴。     

基于改进LS-SVM的短期电力负荷预测方法研究

针对电力负荷随机性强、稳定性差、预测精度不理想等问题,提出了一种基于粒子群优化PSO和最小二乘支持向量机LS-SVM的短期负荷预测方法。模型的输入因子是负荷数据和气象信息等。粒子群优化算法用于实现支持向量机参数的自动优化,建立了基于粒子群优化的最小二乘支持向量机短期负荷预测模型。通过仿真验证了改进前后预测模型的准确性和有效性,结果表明,改进的预测方法具有收敛性好、预测精度高、训练速度快的优点。本研究为我国短期负荷预测方法的发展提供了参考和借鉴。     

基于神经网络和模糊理论的短期负荷预测

电力系统负荷预测是能量管理系统(EMS)的重要组成部分,它对电力系统的运行、控制和计划都有着非常重要的影响,提高电力系统负荷预测的准确度既能增强电力系统运行的安全性,又能改善电力系统运行的经济性,但负荷预测的复杂性、不确定性使传统的基于解析模型和数值算法的模型难以获得精确的预测负荷。为提高电力系统短期负荷预测准确度,构建了一种新型的负荷预测模型。该模型首先采用多层前馈神经网络,以与预报点负荷相关性最大的几种因素作为输入因子,以改进BP算法作为预测算法,来获得预报日相似日负荷曲线;然后引入自适应模糊神经网络,用于预测预报日的最大、最小负荷;针对模糊神经元的权值更新问题,采用一种新的权值更新算法———一步搜索寻优法,在获得预报日相似日各点负荷和最大、最小负荷的基础上,通过纵向变换,对预报日的负荷修正,进一步减小预测误差。用上述模型和算法预测某地区电网的短期负荷,取得了良好的预测效果。     

模糊聚类分析和代数算法结合的短期负荷预测

为了提高短期负荷预测速度和精度,提出了将模糊聚类分析和神经网络代数算法相结合的短期负荷预测方法.综合考虑天气、日类型、历史负荷等对未来负荷变化的影响,通过模糊聚类分析选取学习样本,找出同预测目相符的预测类别,采用神经网络代数算法训练样本,对24小时负荷(24点)每点建立一个预测模型.该方法充分发挥了神经网络和模糊理论处...     

结合受限玻尔兹曼机的递归神经网络电力系统短期负荷预测

短期负荷预测的重要性随着电力企业的发展不断提高。传统的负荷预测虽然已经发展相对成熟,但现阶段对负荷预测的准确性要求逐渐提高。为满足发展需要,则要对现有的方法进行改进或建立新的预测方法。通过分析负荷预测数据周期性及周期内的特征,结合递归神经网络在分析时间序列数据的独特优势和受限玻尔兹曼机的强大的无监督学习能力,对结合受限玻尔兹曼机的递归神经网络的工作原理及训练过程进行了阐述。利用该网络进行了电力负荷数据预测实验验证并与其他神经网络进行了比较性实验。结果表明,所提出的神经网络较其他网络在电力短期负荷预测实验中有更高的准确性。     

基于改进Apriori关联分析及MFOLSTM算法的短期负荷预测

电力负荷预测结果的准确性对电力系统安全稳定运行具有重要意义。针对多气象因素影响下的短期负荷预测任务,提出改进Apriori关联度分析及飞蛾火焰优化的长短时记忆神经网络算法的电力负荷短期预测新方法。首先,提出改进Apriori算法分析气象因素与负荷之间的关联程度。依据分析结果除去非必要气象影响因素,并在此基础上引入人体舒适度评价指标。其次,将降维后气象数据结合地区负荷数据作为模型输入。最后,基于长短时记忆神经网络进行短期负荷预测建模,并结合飞蛾火焰优化算法的全局寻优能力来优化模型。通过对某地区负荷数据协同气象数据进行对比预测试验,测试结果表明该负荷预测模型能有效提升地区电网短期负荷预测性能。     

负荷聚合商模式下考虑需求响应的超短期负荷预测

为更好地管理用户侧需求响应资源,减小超短期负荷预测误差,提出了一种在负荷聚合商模式下考虑需求响应的超短期负荷预测方法。首先,分析负荷聚合商的需求响应机制,考虑用户用能习惯、自建光伏、储能行为以及电热耦合,分别对每一类需求响应资源建立优化模型,并通过模糊参数表达用户参与需求响应的不确定性,以改善优化模型;调用CPLEX求解器求解得到综合各类资源后的需求响应信号。然后,在考虑历史负荷数据的基础上引入该需求响应信号,建立迭代预测的长短期记忆网络模型。算例通过3种预测场景的对比,验证了计及需求响应信号能够有效减小预测误差,且考虑需求响应不确定性能够进一步提高预测精度。