基于VMD-GRU的电力短期负荷预测方法

针对电力短期负荷的非平稳性影响预测精度的问题,文中提出一种基于变分模态分解(VMD)和门控循环单元(GRU)的电力短期负荷预测方法。首先,利用VMD对电力负荷数据进行分解,得到一组比原始负荷数据更具有规律性的模态分量;然后,采用GRU网络学习每一模态分量动态变化特征,并对该分量进行预测;最后,将每一分量的预测结果叠加,得到最终的预测结果。采用LSTM、GRU、EMD-LSTM、EMD-GRU、VMD-LSTM、VMD-GRU预测模型进行对比实验,得出VMD-GRU模型的平均绝对百分误差仅为2.081%。实验结果表明,所提的基于VMD-GRU的方法可以有效地提升电力短期负荷预测精度。     

基于优化决策树的短期电力负荷预测

电力负荷预测是一项重要和具有挑战性的工作.从寻求准确预测电力系统负荷的目的出发,提出了基于优化决策树的短期负荷预测新方法,有效地考虑了非负荷因素对短期负荷预测的影响.文中先将样本数据进行预处理,利用粗糙集理论对决策树的测试属性进行优化约简,然后建立了短期负荷预测的决策树模型.良好的实例分析效果说明,该方法可提高短期负荷预测的精度,具有实用性和优越性.     

基于DA聚类的多支持向量机负荷预测

针对负荷序列是有噪声的非平稳时间序列的问题,首先利用确定性退火聚类方法(DA)对负荷数据进行全局最优分类。分类考虑了负荷、温度及温度变化等各种因素的影响。然后对分类后的每一个子序列建立相匹配的支持向量机模型进行预测。用所提出的方法对负荷数据进行建模预测,用所得结果同单个支持向量机预测结果进行比较,表明了该方法能改善预测精度,提高学习速度。     

基于MATLAB的用电负荷和价格预测仿真

电力的生产与利用具备不能储存的特殊性质,这样就要求发电量要紧随着用电量的变化而变化,因此需要进行负荷预测。目前国内外学者都热衷于研究如何对未来负荷进行精确的预测,但是其中的研究都没有考虑到电价的变化。为此我们总结了负荷预测的相关研究实践,并着重分析了基于电价的负荷预测方法,最终选择利用 MATLAB来建立短期电力负荷与价格预测的模型。本文应用BP神经网络,并利用温度值、假日信息和历史负荷数据等来预测未来负荷。本文选择某地区2013年到2016年间的每小时的历史数据对模型进行训练,并应用2017年的样本数据进行测试。仿真结果表明该模型的预测结果准确,平均误差约为 1%～2%。     

基于深度神经网络的电力负荷预测方法研究

电力负荷预测的准确性对于电力系统的安全经济运行具有重要的意义，但负荷的强随机性和气象相关性给负荷的预测带来了很大的困难。针对传统负荷预测方法存在效果不理想的问题，文章提出了基于改进深度神经网络的负荷预测方法。首先利用F-score特征评价准则选择出合适有效的特征量，再利用深度神经网络建立特征量与负荷之间的非线性映射预测模型。通过电力负荷预测实例的对比分析，结果表明本文方法在电力负荷预测中具有很好的预测精度和时效性。本文研究成果可为电力负荷的预测提供有效的技术参考和指导。     

电力系统负荷预测综述

负荷预测对电力系统非常重要,是电力系统进行规划、调度的基础,也是电力系统安全、稳定和经济运行的保障。精确的负荷预测是电力系统一直追求的目标,各种现代的新兴算法、方法运用到负荷预测之中,不同的预测方法由于自身的特点对于负荷预测的适用性也不尽相同,对于不同方法在负荷预测中的综述就显得很有必要。讨论了国内外的负荷预测的研究现状,分析了进行电力系统负荷预测的多种传统方法和现代智能方法,并总结出各种预测方法的优缺点和适用性,对于电力系统在选择负荷预测方法时具有一定参考价值。最后,对智能电网下的几种特定负荷预测场景进行了介绍,以这些角度去看待负荷预测问题,得出适用于这些场景的负荷预测方法,对于未来的负荷预测的发展也进行了展望。     

改进神经网络的短期负荷预测模型及仿真

在电力负荷准确预测问题的研究中,电力负荷具有周期性、随机性和非线性的特点,而传统方法存在负荷预测精度低的难题,为了提高负荷的预测精度,提出一种改进神经网络的短期负荷预测模型(CPSO-BPNN).首先利用非线性预测能力强的BP神经网络对短期负荷建模;然后结合混沌粒子群优化算法挖掘短期负荷的变化规律以提高短期负荷预测精度;最后对模型性能进行仿真.仿真结果表明,CPSO-BPNN解决了传统方法存在的难题,提高了短期负荷的预测精度,为非线性负荷预测提供了依据.     

基于宽度学习系统的短期电力负荷预测方法研究

电力负荷预测已成为电力调度的一项重要工作,也是评估电力企业是否实现现代化的重要指标之一。精准可靠的电力负荷预测数据对合理安排电力企业发电机组启停、降低电力损失、保障社会用电安全和提高电力企业经济效益等方面具有重要意义。短期电力负荷预测是针对短期负荷变化、甚至实时负荷变化,但由于短期负荷变化较为突然,预测难度大。为了提高短期电力负荷预测精确度,本文提出了一种基于宽度学习系统的短期电力负荷预测方法,通过采用邻域粗糙集分类算法,对输入参数进行特征提取,然后采用宽度学习系统对电力负荷历史数据进行离线训练,利用已训练完成的模型实现24h短期负荷预测。研究结果表明,使用本方法可以有效降低MAPE和RMSE,也有效减少了训练时间,提高了模型训练速度,具有优异的预测能力。     

电力负荷的预测方法的建模与仿真

研究电力负荷预测准确性问题,电力负荷与天气、经济、假期等多种因素密切相关,变化规律具有周期性和随机性,单一预测方法不能全面进行准确预测,导致电力负荷预测精度低.为了提高电力负荷预测精度,提出一种ARMA和BP神经网络的组合预测方法.首先采用ARMA模型对电力负荷的周期性变化规律进行预测,然后结合BP神经网络方法对电力负荷的随机变化规律进行预测,最后将2种预测结果进行相加,得到组合模型的电力负荷预测结果.采用某市电力负荷数据对组合模型预测性能进行验证,实验结果表明,组合模型充分利用了单一模型优势,使电力负荷的预测提高了精度,为电力负荷的预测提供了有效手段.     

基于BP神经网络的电路负荷预测研究

基于电力负荷预测在电力系统中的重要性,提出了电路负荷分析方法,并通过对某市负荷数据的分析,建立了神经网络短期负荷预测模型,并进行实验验证,模型具有较高的精度,且具有很强的稳定性,适合多种不同的预测环境。