混合粒子群优化的BP网络在电力负荷预测中的应用

提出了混合粒子群算法和BP算法相结合的短期负荷预测方法,有效地克服了人工神经网络学习速度慢、存在局部极小点的固有缺陷。与传统神经网络方法相比,该方法可加快网络学习速度和提高学习精度。用混合粒子群算法来训练网络参数,直到误差趋于一稳定值,然后将优化的权值用BP算法处理,实现短期负荷预测。     

采用信息转换及语言评判的负荷组合预测法

针对基于模糊评判的电力负荷组合预测法中考虑专家意见相对粗糙且繁琐的问题,提出一种采用信息转换及专家混合语言评判的电力负荷组合预测法,将模糊推理和语言决策引入负荷的组合预测中,通过选定定量及定性指标建立模型评价体系,采用模糊推理将单个预测模型的定量指标转换为语言评判条件下的定性量,并应用语言决策理论将该定性量同其他定性指标用于单个模型的评价中,得出预测模型的综合评价值,以此确定其权重、组合负荷预测并推荐结果。实际算例表明,该方法科学合理具有很好的实用价值。     

神经网络式电力负荷预测的混合计算

针对BP算法存在的缺陷 ,如训练速度慢 ,易收敛于局部极小点及全局搜索能力弱等 ,利用遗传算法能够进行全局最优化搜索这一特点 ,提出了一种新的用于BP网络训练的混合算法 ,即遗传算法与改进的BP算法相结合的混合训练方法 .将所提出的混合训练方法应用于神经网络式电力负荷预测中 ,结果表明 :所提出的算法与单一的BP算法相比 ,不仅可避免陷入局部极小点 ,而且提高了网络的训练速度和负荷预测精度     

短期电力负荷的智能预测方法研究

为了提高电力系统短期负荷预测的精度,提出将基于模拟退火思想的改进粒子群优化（SAPSO）算法和误差反向传播（BP）算法相结合构成SAPSO—BP混合算法用于训练人工神经网络,对短期电力负荷进行预测。经实际算例验证,该混合算法能有效克服常规BP和PSO算法独立训练神经网络的缺陷,其收敛速度快于BP及PSO—BP算法,并且具有较高的短期电力负荷预测精度。     

采用改进BP神经网络算法预测短期电力负荷

介绍了BP神经网络算法的原理以及对其采用非线性阻尼最小二乘法Levenberg-Marquardt进行优化的的方法。针对短期电力负荷的特点,设计了预测短期电力负荷的BP神经网络模型和预测流程,并结合具体实例,采用MATLAB神经网络工具箱编程。与实例结果的比较表明,此方法预测短期电力负荷具有实用价值。     

负荷密度法在城市远景负荷预测中的应用

简要介绍了目前常用的几种负荷预测方法。针对城市总体规划中电力专项规划的需要,具体介绍了负荷密度法进行空间电力负荷预测的原理和优点。结合广东江门市城区电力专项规划,阐述了用负荷密度法进行预测城市远景负荷的方法和步骤。预测结果表明该方法有较强的实用意义和推广价值,可为城市电力专项规划提供参考和借鉴。     

基于神经网络的短期电力负荷预测仿真研究

为了提高短期电力负荷预测精度,分别建立了基于BP神经网络和Elman神经网络的短期负荷预测模型。采用附加动量法优化BP神经网络以提高其收敛速度;针对Elman神经网络易陷入局部极值的缺点,改进其激励函数并采用LM算法优化学习算法。Matlab仿真结果表明,改进后的Elman神经网络模型比BP神经网络模型的预测精度高,收敛速度快,更适合处理动态问题。     

基于神经网络的电力负荷预测

近几年来,中国电力工业正在逐步进行电力体制改革,电力市场运营机制也逐步在我国建立。国内电力市场的逐步开放并投入运营,对电力系统负荷预测的研究也越来越引起人们的关注。负荷预测是从已知的用电需求量出发,在考虑经济、气候等相关因素的前提下,对未来的用电需求做出的合理预测。负荷预测包括两方面的含义：对未来需求量（功率）的预测和未来用电量（能量）的预测。电力需求量的预测决定发电、输电、配电系统新增容量的大小;电能预测决定发电设备的类型（如调峰机组、基荷机组等）。     

基于遗传算法优化神经网络的建筑物电力负荷预测

建立BP神经网络模型,解决了建筑物电力负荷预测由于强耦合性、滞后性和非线性而难于建立模型的问题。利用遗传算法的全局搜索能力对网络模型进行权值优化,解决了传统BP神经网络易陷入局部最优的困扰,使预测更为精准。通过MATLAB软件进行仿真试验,验证了此方法的可行性。     

基于粒子群模糊神经网络的短期电力负荷预测

为了从根本上提高短期电力负荷预测中神经网络的速度和预测精度,提出了将粒子群算法和BP算法相结合的短期负荷预测方法。用粒子群算法来训练网络参数,直到误差趋于一稳定值,然后用优化的权值进行BP算法,实现短期负荷预测。在构建网络模型时,考虑了气候、温度等因素的影响,并把它们进行模糊化处理后作为网络的输入。仿真结果表明基于这一方法的负荷预测系统具有较高的精度和实时性。     

基于同伦神经网络的短期负荷预测研究

将同伦方法引入到神经网络的学习训练中,提高了神经网络的学习效率,较好地解决了BP神经网络收敛速度慢和局部极小值等问题.同伦神经网络具有稳定性强,收敛性好的特点,用这种神经网络进行了电力系统短期负荷预测,算例表明了网络收敛快、预测精度高的优越性.     

聚类分析法在短期负荷预测中的应用

短期负荷预测是指预测未来24 h内的电力负荷需求,这是一项非常重要的工作。目前,负荷预测的实用计算方法有很多,线性回归法、时间序列法、人工神经网络法等等,但是,这些算法的预测精度欠佳。现根据相似日负荷的相似性,提出利用聚类分析法来进行短期负荷预测,为此,介绍聚类分析的步骤、方法及验证算例。实际运行结果表明:利用聚类分析法进行负荷短期预测,短期负荷预测的精度大大提高。     

考虑数据周期性及趋势性特征的长期电力负荷组合预测方法

为解决长期电力负荷预测精度不足及模型适用性不强等问题,考虑将区域经济发展、社会发展等多项宏观指标与区域用电负荷的时间序列数据进行因素耦合。利用BP神经网络与差分整合移动平均自回归方法(ARIMA)整合改进预测模型,提高年度负荷预测模型的趋势预测能力。采用函数型非参数方法预测月度负荷数据中周期性负荷数据,将年度负荷预测与月度负荷预测相结合以提高模型整体预测精度。最后通过灰色预测等模型数据比对及MAPE误差分析方法验证,考虑数据周期性与趋势性组合的模型方法预测精度显著提升,适用于区域电力负荷的长期性预测。     

基于BP神经网络群的中压配电网电压降落估算

对影响农村中压电网电压降落的因素进行了分析,利用神经网络具有自学习、联想记忆功能以及逼近任意非线性映射的能力,提出了基于BP神经网络群的中压电网电压降落估算方法。为解决由于样本多、分类空间复杂而易导致网络不容易收敛的问题,采用分层的BP网络群结构,将样本分类,由各BP子网进行单类样本训练,完成对样本的并行训练及测试。该方法依据电压降落影响因素及实际电网结构参数,确定神经网络输入输出特征量;按照线路负荷分布类型将样本分类,减小了BP网络训练复杂度;根据样本误差和误差变化调整学习率和冲量因子,提高了BP网络学习效率。实际算例结果验证了所提出方法的有效性和可行性。     

融合多源信息的电动汽车充电负荷预测及其对配电网的影响

电动汽车充电负荷具有时间和空间不确定性、随机性,提出一种融合路网、交通、电网、天气、车辆、充电设施等多源信息的考虑用户出行行为和充电需求的电动汽车充电负荷时空分布预测模型。由图论方法构建城市路网和电网信息模型及两者的耦合关系;引入出行链,以概率函数拟合车辆首次出行时间和行程目的地的驻留时间,采用Dijkstra算法规划车辆的出行路径以获得各段行程距离,由道路等级和各时段交通信息获得车辆的行驶速度,以计算行程行驶时间和荷电状态,再根据各行程目的地的充电需求判断条件,计算充电时长和充电负荷;采用蒙特卡洛方法对各功能区电动汽车出行的时间和空间充电负荷分布进行整体仿真;并根据耦合关系将充电负荷归算至对应电网节点,再通过时间序列潮流计算评估电动汽车接入电网后无序充电对电网负荷、电压和网损的影响。算例通过设置不同的场景预测了不同功能区和电网节点的充电负荷曲线,分析了不同因素对充电负荷分布及电网的影响,验证了所提模型的有效性。