基于灰色关联-神经网络模型的城市电力负荷短期预测的研究与应用

利用灰色理论和神经网络技术,提出了基于灰色关联度分析的灰色神经网络短期负荷预测短期分析新方法并建立了灰色关联-神经网络模型应用到电力短期负荷预测分析中,由于该模型优化了输入层因子,并克服了BP算法确定隐含层节点数的困难,所以提高了学习效率.最后结合某市电网负荷特点,在输入因子中重点考虑了某些扰动因子来进行优化,最后的预测结果以及与其他方法的预测误差进行比较,表明了该预测方法的正确性、高效性和实用性.     

基于小波分解与二阶灰色神经网络模型结合ADF检验的短期负荷预测方法

增强电力系统负荷预测的精度可以提高经济预测的准确性,但是由于负荷序列为波动的,故难以实现精准预测.该文提出了一种基于小波分解(WD)与二阶灰色神经网络相结合用以增强迪基-富勒(ADF)检验的负荷预测方法以实现对负荷的精准预测.首先,利用WD对负载序列进行分解,减少非平稳负载序列;然后,采用ADF检验作为各分解分量静载序列的检验方法,检验结果确定最佳WD水平;最后,为了准确预测小波,利用二阶灰色预测模型分别对WD后各分量进行预测.此外,为了得到二阶灰色预测模型的最优参数,采用神经网络映射法建立了二阶灰色神经网络预测模型,通过一个真实负荷序列的仿真结果证明所提方法能显著提高负荷预测精度.     

基于灰色关联-神经网络模型的城市电力负荷短期预测的研究与应用

利用灰色理论和神经网络技术,提出了基于灰色关联度分析的灰色神经网络短期负荷预测短期分析新方法并建立了灰色关联—神经网络模型应用到电力短期负荷预测分析中,由于该模型优化了输入层因子,并克服了BP算法确定隐含层节点数的困难,所以提高了学习效率。最后结合某市电网负荷特点,在输入因子中重点考虑了某些扰动因子来进行优化,最后的预测结果以及与其他方法的预测误差进行比较,表明了该预测方法的正确性、高效性和实用性。     

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.     

关联分析在电力负荷灰色神经网络预测中的应用

针对电力负荷预测序列存在随机增长特性和非线性波动性,灰色神经网络模型能够有效地反映序列增长特性和对非线性关系进行拟合.引入灰色关联度作为确定组合预测权重的依据,以序列整体拟合优化为目标,从而找到能够代表序列内在变化规律性的组合权重,使总体预测精度得到提高.     

基于GM(1，1)与BP神经网络的综合负荷预测

针对电力负荷预测中的单一预测模型存在的局限性,提出基于BP神经网络和GM(1,1)的残差修正组合模型。通过算法组合的方式进行系统建模,从而提高负荷预测模型的精度。首先通过GM(1,1)模型进行预测,得到灰色残差序列,利用灰色残差序列建立BP残差修正模型,利用该模型进行残差预测,最后将残差修正值和GM(1,1)模型预测值进行叠加得到最终所需的负荷预测值。利用该模型对某地区进行仿真实验,结果表明该修正模型具有较高的预测精度和实用性。     

基于灰色模型和Kalman平滑器的多母线短期负荷预测

提出一种基于灰色模型和Kalman平滑器的多母线短期负荷预测方法。首先利用频域分解消去母线负荷序列的周周期分量,建立序列的灰色模型;利用系统负荷预测方法得到系统负荷预测值。然后基于灰色模型,将各母线负荷的累加序列作为状态,系统负荷的累加序列作为观测,建立线性离散随机系统模型,利用Kalman平滑器计算各母线负荷累加序列的最优估计值,最后经过累减还原并加上周周期分量得到母线负荷的预测值。Kalman平滑器利用高准确率的系统负荷预测结果对母线负荷预测进行调整,降低预测误差。在实际系统中进行了仿真验证,证明了该方法的有效性。     

基于GRU神经网络的电力负荷预测∗

针对人工提取电力负荷特征困难,传统电力负荷预测方法预测时间序列效果较差等问题,提出了利用门控循环单元 (GatedRecurrentUnit,GRU)神经网络预测电力负荷的方法.利用Python编程语言在 TensorFlow 框架下 搭建 GRU 神经网络,利用第九届电工大赛电力负荷数据集,将清洗好的数据输入搭建的神经网络进行训练.对比 GRU 神经网络模型和循环神经网络 (RecurrentNeuralNetwork,RNN)模型,得出 GRU 神经网络模型的效果优于 RNN 神经网络模型的结论.     

粗糙集信息熵与自适应神经网络模糊系统相结合的电力短期负荷预测模型及方法

电力系统短期负荷预测不仅要考虑负荷本身的历史时间序列,而且与气象因素密切相关,自适应神经网络模糊系统(Adaptive Neuro-Fuzzy Inference Sysrem,ANFIS)模型是一种有效的预测方法,而系统输入变量的合理性选择是影响预测效果的关键所在.作者通过粗糙集理论中的信息熵概念对解决这一问题进行了尝试,选取与待预测量相关性大的参数作为输入.所构造ANFIS系统是基于数据进行建模并进行参数辨识的,这样有效地避免了模糊推理系统(Fuzzy Inference System,FIS)中人为主观因素对预测的负面影响,客观地反映了相关变量与负荷值之间的复杂关系.用该方法与常用BP神经网络及常用FIS分别对重庆市某区进行了一周的日负荷预测,通过对实例的对比分析表明了该方法具有较好的收敛性和预测精度.     

基于小波包负荷特征提取和径向基网络的短期负荷预测新方法

准确的负荷预测是电力系统做出合理调度的重要依据.提出基于小波包能量和神经网络理论的短期负荷预测新方法,将负荷序列进行小波包分解,提取小波包能量作为径向基神经网络负荷序列的输入特征量.大量的预测实例分析表明,所提出的预测方法具有稳定性和准确性.