混合属性约简方法在电力负荷预测中的应用

影响电力短期负荷预测精度的因素众多,为了找到负荷值与各种外在因素之间的关系,提出了一种基于粗糙集理论的混合属性约简算法,并对与预测日相似性数据进行快速约简,讨论了基于混合属性约简和BP神经网络相结合的预测模型。实验结果表明,这种方法提高了短期电力负荷预测精度。     

基于最大偏差相似性准则的交通流聚类算法

针对常用聚类算法对随机性强、波动频繁的交通流聚类效果不理想的问题,提出了一种新的交通流相似性度量准则——最大偏差相似性准则,并提出了一种基于最大偏差相似性准则的交通流聚类算法。最大偏差相似性准则能够有效刻画频繁波动交通流曲线的形态相似性,具有简明、合理、灵活等特点;聚类算法无需预先指定类别数,能够保证类间曲线的明显差异性和类内曲线的高度相似性。实验表明,所提出的算法聚类效果明显优于常用聚类算法,聚类结果能够较好地满足实际应用的需要。     

改进GA-BPNN在短期电力负荷预测中的应用

为了避免传统方法预测短期电力负荷建模复杂性,将改进遗传算法（GA）和误差反向传播（BP）算法相结合构成的混合算法用于训练人工神经网络,结合电力负荷历史数据,对短期电力负荷进行仿真预测。仿真结果表明,该混合算法有效地解决了常规BP算法学习网络权值收敛速度慢、易陷入局部极小和GA算法独立训练神经网络速度缓慢等问题,具有较快的收敛速度和较高的预测精度。     

一种短期电力负荷预测方法

针对短期电力负荷预测中影响因素多、变化随机、非线性等特点,提出一种相似日的优化BP神经网络短期电力负荷预测方法。考虑到短期负荷波动的影响因素较多,相似日的选取综合了气象因素、日期因素和时间距离因素。同时,在负荷预测中常用的BP神经网络预测方法的基础上,引入遗传算法对BP神经网络算法的初始权值和阈值寻优进行改进。仿真表明优化BP神经网络算法与相似日结合的方法预测时在稳定性和精确度方面得到较大的提高。     

基于SGOA神经网络的短期负荷预测

短期负荷预测的结果对电力系统的经济效益具有重要影响。针对多极值问题,首次提出了一种体现大融合思想的共享式全局寻优算法,将几种全局寻优算法有机组合,使它们共享优化信息,协同寻优,从而形成最丰富的寻优机制,达到最强的全局寻优能力。并且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SGOA算法和BP算法相结合的短期负荷预测方法,用SGOA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。在构建网络模型时,同时也考虑到了气候、温度等因素的影响,对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。     

基于离散Fréchet距离和SVM的短期负荷预测

针对支持向量机在电力系统短期负荷预测中,预测模型的精度易受训练样本数据的影响,且训练时间长的问题,本文提出1种基于离散Frechet距离和支持向量机相结合的预测方法,通过建立离散曲线相似性的数学模型,找出与基准日负荷曲线形状相似的历史日负荷曲线,以相似日的负荷数据及相应的气温、星期类型等影响因素作为训练样本对支持向量机进行训练,有效地减少了训练数据量,使得训练样本更具针对性。采用East-SlovakiaPowerDistributionCompany提供的负荷数据对提出的模型进行验证,并与标准支持向量机的预测结果对比,本文的方法能够科学合理地选取相似日,提高了支持向量机短期负荷预测的精度。     

改进的BP算法在短期电力负荷预测中的应用

利用标准BP神经网络建立短期电力负荷预测模型,其算法存在最终解过于依赖初值和过学习现象,并且训练过程中存在局部极小问题且预测精度低等缺点。为了提高电力负荷模型的预测精度,通过阅读相关文献,构建了基于改进BP神经网络的短期电力负荷预测模型,该模型采用遗传算法对权值和阈值进行初始化,以相对误差和附加动量法相结合的方式去计算权值修正量。比较改进后的BP算法和标准BP算法在短期电力负荷预测的效果,从实验仿真的效果表明改进后的模型提高了预测精度。     

模糊神经网络在电力市场短期负荷预测中的应用

在电力市场下的短期负荷预测问题中,考虑到天气和其它影响因素,将模糊系统与神经网络在负荷预测系统中按串联方式连接组成模糊神经网络(FNN),进行短期负荷预测.在负荷预测过程中,首先对负荷、天气、日期等数据进行模糊化处理,然后采用两种典型有效的改进BP算法对神经网络进行训练,并比较其速度与精度等.最后用训练好的网络进行预测,将预测结果与实际数据进行比较,证明其具有较好的预测效果.     

基于确定性退火聚类的LSSVM短期负荷预测

提出了确定性退火聚类和最小二乘支持向量机(Least square Support Vectormachine.LSSVM)相结合的电力系统短期负荷预测方法.考虑影响负荷变化的各种因素构造负荷样本数据,利用确定性退火聚类算法对样本数据进行分类,得到的分类样本数据作为最小二乘支持向量机的学习样本,保证最小二乘支持向量机具有较高的预测精度.利用某电力公司2007年负荷数据和气象数据进行仿真实验,仿真结果表明该方法具有较高的预测精度.     

基于LSTM-XGBoost的短期电力负荷预测研究

随着电力系统的快速发展,针对短期电力负荷预测的人工智能方法研究已经取得了显著成就。由于长短期记忆(LSTM)神经网络能够拟合电力负荷数据时序性和非线性的特点,基于LSTM的短期电力负荷预测效果显著。但基于LSTM的预测方法存在预测精度低、泛化能力差等问题。为此,利用贝叶斯优化后的极限梯度提升(XGBoost)集成学习方法训练得到多个LSTM的强预测模型,提出基于LSTM-XGBoost的短期电力负荷预测的方法,并采用宁夏地区的电力数据进行算例分析。试验结果表明,对比基于LSTM和基于粒子群优化(PSO)-反向传播(BP)的短期电力负荷预测方法,基于LSTM-XGBoost的短期电力负荷模型预测精度、稳定性更高。该方法对于电力系统智能化发展有一定的应用价值。     

A novel method of short-term load forecasting based on multiwavelet transform and multiple neural networks

This paper aims to develop a load forecasting method for short-term load forecasting based on multiwavelet transform and multiple neural networks. Firstly, a variable weight combination load forecasting model for power load is proposed and discussed. Secondly, the training data are extracted from power load data through multiwavelet transform. Lastly, the obtained data are trained through a variable weight combination model. BP network, RBF network and wavelet neural network are adopted as the training network, and the trained data from three neural networks are input to a three-layer feedforward neural network for the load forecasting. Simulation results show that accuracy of the combination load forecasting model proposed in the paper is higher than any one single network model and the combination forecast model of three neural networks without preprocessing method of multiwavelet transform.     

基于层次聚类和极限学习机的母线短期负荷预测

利用传统方法预测母线负荷时,通常选取离待测日相近的一段时间作为历史相似日进行模型训练,没有考虑其天气情况、星期类型、节假日等因素的影响,相似日与待测日特征相差较大。为解决以上问题,提出一种基于层次聚类（HC）和极限学习机（ELM）的母线负荷预测算法。首先使用层次聚类法将母线历史日负荷进行聚类,然后对层次聚类得出的聚类结果建立决策树,其次根据待测日的温度、湿度、星期和节假日类型等日属性在决策树中匹配出训练极限学习机预测模型的历史日负荷,最后建立极限学习机预测模型,对待测日母线日负荷进行预测。对两条不同母线的负荷进行了预测,与传统单一的极限学习机相比,所提算法的平均绝对百分比误差（MAPE）分别降低了1.4和0.8个百分点。实验结果表明,所提算法预测母线负荷具有更高的预测精度和稳定性。     

基于粒子群优化神经网络的“煤改电”地区短期负荷预测研究

为提高“煤改电”地区短期负荷预测水平,本文基于北京市大兴区“煤改电”工程,探索利用神经网络算法对“煤改电”地区短期负荷进行预测。本文首先研究了“煤改电”地区负荷的年周期、周周期以及日周期负荷特性,并对负荷预测进行分类,分析得出了负荷预测的主要影响因素,明确了负荷预测的步骤及误差分析方法。其次,本文研究了BP神经网络的构成和运算过程,分析了历史数据处理方法,建立了基于BP神经网络的“煤改电”地区短期负荷预测模型,并对短期负荷预测模型进行检验。最后,为进一步提高预测效果,本文研究利用粒子群算法和列文伯格-马夸尔特算法对神经网络进行优化改进,建立了基于粒子群算法优化的BP神经网络负荷预测模型,满足了预测目标精度要求。     

基于进化神经网络的短期电网负荷预测算法

本文提出了一种基于进化神经网络的短期电网负荷预测算法。该算法使用改进的人工蜂群算法与BP神经网络融合生成进化神经网络,然后使用改进的人工蜂群算法对进化神经网络的偏置和权重进行优化。该算法将火电历史负荷数据作为输入,使用进化神经网络训练预测模型,预测未来一段时间内的电网负荷。首先,获取历史负荷数据。然后,将获取到的数据输入到进化神经网络模型中进行训练。在训练过程中,采用了改进的人工蜂群算法对进化神经网络对神经网络的权重和偏置进行优化,提高模型的预测精度。人工蜂群算法作为一种全局搜索算法,可以有效地探索模型参数空间,找到最优的模型参数组合,从而提高模型的预测精度。为了验证所提出的负荷预测方法的有效性,我们使用了火电网负荷数据进行了测试。实验结果表明本文提出的进化神经网络在短期电网负荷预测方面表现出了良好的预测精度和实用性。与传统的预测方法相比,该算法的预测误差更小,预测结果更加准确可靠。     

改进Pi-sigma神经网络及其算法在短期负荷预测中的应用

针对电力负荷的特点,综合考虑历史负荷、天气、日类型等因素的影响,将模糊逻辑和神经网络的长处融合在一起,构建了基于改进Pi-sigma神经网络及其算法的短期负荷预测模型,用于预测预报日的各小时负荷,其中在学习速率的选择、隶属度函数参数的更新等多处进行了改进,进一步减小了预测误差.地区电网的实际应用证明了该算法的有效性.     

结合HS算法与ESN算法的光伏发电短期出力预测

为提高光伏发电系统短期出力预测的精度,提出了一种和声搜索(Harmony Search,HS)算法与回声状态网络(Echo State Network,ESN)算法相结合的预测模型。该模型以光伏电站的历史发电量数据和气象数据为基础。首先通过相似日选择算法挑选出预测日的相似日,将相似日的气象特征向量和预测日的气象特征向量的差值作为预测模型的输入变量;然后选择训练样本,并用和声搜索算法优化后的回声状态网络模型(HS-ESN)对样本进行训练和预测;最后以甘肃某光伏电站为例进行实例验证。实证分析表明,利用和声搜索算法优化回声状态网络预测模型的储备池参数可有效提高回声状态网络的预测精度,因此该模型具有较好的实用价值。     

自适应变系数粒子群—径向基神经网络模型在负荷预测中的应用

为了提高短期电力负荷预测精度,提出了一种自适应变系数粒子群-径向基函数神经网络混合优化算法(AVCPSO-RBF).实现了径向基神经网络参数优化.建立了基于该优化算法的短期负荷预测模型,利用贵州电网历史数据进行短期负荷预测.仿真表明,该方法的收敛速度和预测精度优于传统径向基神经网络方法和粒子群-RBF神经网络方法及基于混沌理论的神经网络模型,该优化算法克服了径向基神经网络和传统的粒子群优化方法的缺点,改善了径向基神经网络的泛化能力,提高了贵州电网短期负荷预测的精度,各日预测负荷的平均百分比误差可控制在1.7%以内.该算法可有效用于电力系统的短期负荷预测.     

基于大数据的分布式光伏接入配电网影响分析与功率预测研究

为提高分布式光伏发电功率预测的精度,满足电网调度和规划的高精度要求,本文利用光伏运行、电能量采集、电网调度等业务系统的海量数据,利用大数据分析方法研究大量分布式光伏接入对配电网负荷特性的影响,并提出基于气象相似日和粒子群算法优化BP神经网络的光伏电站功率预测方法。通过分析光伏发电功率随天气类型、温度、光照强度等气象因素变化规律,运用模糊聚类算法计算确定待预测日的气象相似日序列,选取气象相似日历史数据作为BP神经网络预测模型的输入变量,并采用粒子群算法方法优化BP神经网络的初始值,最终输出分布式光伏各时段发电功率的预测值。实验结果表明该方法可有效提高光伏电站功率预测模型的收敛能力和学习能力,具有较高的预测精度。     

基于遗传算法和BP神经网络的城区中长期电力负荷预测与分析

由于产业结构的调整、居民消费能力消费结构的变化和市场化等因素的影响,城区中长期电力负荷预测具有相当的难度。建立一个基于遗传算法和BP算法相结合的神经网络预测模型,以南昌市为例做实证,并与传统BP神经网络和模拟退火预测结果做对比,验证了该模型的准确性。最后对城区未来十几年的基本用电负荷进行了预测和分析。