基于广义回归神经网络的月度负荷预测

研究了月度负荷的特性，指出了其季节波动性和趋势增长性双重特性；介绍了广义回归神经网络的基本理论，提出以横向历史数据和纵向历史数据作为输入神经元，建立了月度负荷预测模型，并将其应用于我国某地区月度负荷预测，结果表明：该模型的预测精度明显高于一般的BP网络。     

基于改进广义回归神经网络的日负荷曲线预测

提出了基于改进广义回归神经网络(GRNN)的日负荷曲线预测模型。对GRNN模型的输入元素进行分析筛选,并同时输出一天48点的负荷预测值,在保证预测精度的基础上大大提高了预测速度。采用烟台某变电站实际负荷进行预测分析,结果证明了该方法的有效性。     

灰色Elman神经网络的电网中长期负荷预测

为了降低原始负荷数据突变对Elman神经网络预测精度的影响,考虑电网负荷预测样本时变性强、不确定因素影响多的特点,利用Elman神经网络计算和适应时变特性的能力强、误差可控以及灰色理论所需计算数据少、计算量小,在样本较少的情况下也能达到较高预测精度的优点,建立灰色Elman神经网络的负荷预测模型,首次将灰色Elman神经网络模型在中长期负荷预测中应用.实例结果表明,该预测方法提高了预测精度、取得了较快的收敛速度,说明该模型是可行而有效的.     

基于PCA和RBF神经网络的中长期负荷预测方法

针对电力系统负荷预测问题,利用径向基函数(RBF)神经网络补全历史负荷数据,然后在主成分分析(Principal Component Analysis,PCA)和RBF神经网络原理的基础上,结合PCA和RBF神经网络方法进行负荷预测。实例表明该方法能有效降低输入变量的维数,且具有较高的精度。     

基于面向对象的电力系统中长期负荷预测软件的开发

为了更方便、快捷、准确地进行中长期负荷预测,开发了基于Windows的电力系统中长期负荷预测软件。软件采用面向对象程序设计方法,使系统易扩充、易维护。该软件除具有一般负荷预测软件所具有的计算快速、模型库丰富等特点之外,还有原始数据输入简单方便、模型库扩充简易、具备饱和负荷预测以及考虑了与其它常用软件的接口等独特的地方。以华东某地区的供电量历史数据为例,选择了5种不同模型进行预测,并对结果进行了分析和比较,最后还对该地区进行了“s”型饱和负荷预测。分析表明该软件使用方便,预测精度满足电力负荷预测的精度要求,具有一定的实用性。     

电力系统中长期负荷及特性预测软件

叙述华中电力集团公司技术中心所开发的“电力系统中长期负荷及特性预测”软件以及其中有关负荷特性预测的部分预测方法。这些方法的采用,使得过去在预测实践中比较难以操作的负荷特性预测变得简单易行。这对全面开展负荷预测工作实践有着重要的意义。该负荷预测软件,功能齐全,操作灵活,使用方便,适用于各种不同类型的用户。     

基于Matlab的电力系统中长期负荷预测及应用

在中长期负荷预测理论和方法的基础上,利用Matlab强大的数据处理能力和Visual C++的灵活性,通过混合编程开发了电力系统中长期负荷预测软件。该软件实现了几种典型的负荷预测方法,包含一元线性回归模型、抛物线模型、Logistic回归、移动平均算法、灰色系统预测模型等。将该软件应用到江苏电网的中长期负荷预测中,在分析影响负荷预测的相关因素的基础上,提出考虑相关因素的分类专用的年度和月度预测方法。     

一种电力系统中长期负荷预测的新思路

近年来，全国大部分地区的电力需求情况发生了明显的变化，中长期负荷预测困难加大，传统的预测思路很难得到可信度较高的预测结果。文中首先阐述了传统预测思路的难点，并对人脑的预测过程进行了分析，进而提出了一种新的电力负荷成分划分方法，在此基础上提出一种简单、可靠、灵活的预测思路。具体算例表明，这种方法可以有效提高预测精度。     

基于粗糙集和多元线性回归的电力系统中长期负荷预测

基于粗糙集理论和多元线性回归模型,提出一种预测电力系统中长期负荷的新方法。首先采用一种完备的属性约简算法对影响电力负荷的诸多相关因素进行约简,得到与负荷关系最为密切的核心因素。在此基础上,建立多元线性回归模型来预测未来年的负荷。对一个实际电网的负荷进行预测,结果表明所提方法符合中长期负荷预测的特点并具有较高的预测精度。     

GMDH方法在中长期电力负荷预测中的应用

在时间序列预测法的基础上,将数据处理组合方法GMDH应用于中长期电力负荷预测。介绍了GMDH的基本原理,根据历史数据建立GMDH模型,通过某地区电力负荷预测实例,对电力负荷值进行了计算分析,结果表明该方法可获得较高的预测精度。     

基于混沌理论的电力短期负荷预测

采用基于混沌算法的自适应预测模型进行电力系统短期负荷预测,通过进化算法建立一种自适应机制,使得网络能够根据学习和训练的结果优化非线性反馈项.算例表明,该算法具有很强的自适应能力和鲁棒性,预测精度高.     

基于粒子群优化鲁棒支持向量回归机的中长期负荷预测

持向量机(SVM)已经成功地应用于解决非线性回归和时间序列问题,并且已经开始用于中长期负荷预测.提出了一种基于鲁棒支持向量回归机RSVR(Robust Support Vector Regression)的中长期负荷预测的新方法.给出利用粒子群优化算法对鲁棒支持向量机系数优化选择的方法.建立基于此原理的中长期负荷预测模型,算例分析比较验证本文方法具有预测精度高、计算量小等特点和优势.     

考虑城市土地功能变化与负荷特性的城市电力负荷预测模型

城市经济发展呈现出一定的阶段性特点,城市产业结构能够很好地反映这些特点,将城市产业结构的变化反映到城市电力需求预测当中对提高城市电力需求预测精度具有重要意义。城市用地性质的变化可以间接地反映出城市产业结构的变化。引进元胞自动机方法,从预测城市用地性质的变化入手,结合城市经济与电力发展周期关系、电力负荷密度、同时率等,建立了城市电力需求预测模型,并进行了实证分析,通过实证研究证明了该方法的可行性。     

基于蚁群元胞自动机理论的城市饱和负荷预测

随着中国经济的不断发展,城市饱和负荷的研究对未来电网发展的规划具有重大意义。介绍蚁群算法与元胞自动机的基本原理,通过组合两者的优点,建立蚁群元胞自动机的饱和负荷预测模型。该模型从土地性质转移角度出发,基于元胞自动机理论,提出土地性质元胞的转换规则,结合蚁群优化算法,得出土地性质转移率。并且通过S曲线法分析不同土地性质下饱和密度的状况。通过对某城市现状进行案例分析,论证了该方法的科学性。     

基于灰色支持向量机的季节型负荷预测方法

季节型负荷具有增长性和波动性的二重趋势,并且呈现出复杂的非线性特征,同时又受到多种随机干扰因素的影响,难以用单一的预测模型做出准确的预测.提出一种基于粗糙集的灰色支持向量机预测系统,将该系统应用于季节型负荷预测中,与单一的GM(1,1)方法和BP神经网络法相比,得到了较高的预测精度.     

基于D-S证据理论的短期负荷预测模型融合

在各种预测模型融合时确定各种模型的权重直接影响到预测精度.对3种不同的神经网络负荷预测模型分别建立了权重提取和权重融合的数学模型,并运用证据理论对3种预测模型的权重进行融合.通过对历史预测数据的分析,提取了证据理论的融合样本,并将信度函数的多重融合结果作为负荷预测模型权重,得到权重融合后待预测日的负荷预测结果.将权重融合模型的预测结果与单一模型的预测结果进行比较,结果表明权重融合后的模型具有更高的预测精度,提高了负荷预测的准确性.     

基于模糊支持向量机方法的短期负荷预测

考虑气象因素对负荷的影响,提出了一种模糊支持向量机SVM(Support Vector Machine)的短期负荷预测方法。首先选取预测日前4星期中差异评价函数小于给定经验值的已知日作为相似日学习样本．然后利用隶属度函数对影响负荷特征因素向量的分量进行模糊处理,得到SVM的训练样本集．拟合负荷和影响因素之间的非线性关系。对24点每点建立一个SVM预测模型,采用改进的序列极小优化算法实现对SVM的快速训练。算例数据包括每天的气象数据和24点负荷数据．以最大相对误差和平均误差评价预测结果,表明所提方法简便快速且实用有效。     

基于LSSVM和马尔可夫链的母线负荷短期预测

提出了一种母线负荷短期预测混合算法.采用最小二乘支持向量回归方法(LSSVM)进行短期母线负荷预测,并提出一种广义网格搜索算法对模型参数进行优化;由历史预测误差组成误差序列,将历史预测误差序列看作是一个符合马尔可夫过程的时间序列,采用马尔可夫链方法对未来的预测误差进行估计,采用误差估计结果对上一步LSSVM的预测结果进行修正,得出最终预测结果.经算例分析证明,所提方法能显著提高预测精度.     

基于数据挖掘的电力系统中长期负荷预测新方法

中长期电力系统负荷预测受大量不确定因素的影响,研究表明聚类方法能够将各种影响因素综合引入预测模型。所提出的改进聚类算法结合了层次方法中的变色龙(Chameleon)法与基于密度算法的优点,实现了最优聚类,同时还弥补了单纯层次法无法对复杂形状数据聚类和算法不可逆的缺点。算法在进行聚类前以不完备数据分析补全法算法(ROUSTIDA)为数据处理前导．确保了聚类所需历史数据的准确性和完备性。实践证明该算法具有计算速度快、预测精度高、预测误差变化小等优点。尤其在影响因素繁多、历史数据不完整或不准确时,改进算法更能体现出优越性。     

基于卡尔曼滤波的电力系统短期负荷预测

介绍了卡尔曼滤波的算法,给出了一套递推计算公式,将此算法应用于短期负荷预测,并针对负荷预测本身的特点对算法进行了改进,用两种算法进行了实际的负荷预测计算,取得了比较准确的预测结果。