电力系统负荷的分解建模及预报方法

本文依据电力系统负荷变化的非平稳性,提出分解建模及预报方法,推导出建模及预报公 式,并成功地应用于黑龙江省电力系统的负荷预报.     

基于BP神经网络的电力系统负荷预报

电力系统负荷变化易受多方面因素的影响,负荷曲线呈现出强烈的非线性。而BP神经网络具有较强的非线性映射特性,它只需输入输出样本数据而不需要做复杂的相关假定即可完成系统的建模。通过实验证明将该方法用于电力系统负荷的预报是有效可行的。     

自编码器融合极限学习机的广义负荷建模

随着各种分布式电源大规模并网,传统的负荷建模方法难以精确描述电力系统的负荷信息。为提高负荷区域的建模精度,广义负荷建模问题被提出。将机器学习理论引入广义负荷建模领域,提出一种基于自编码器融合极限学习机的广义负荷建模方法。首先,利用自编码器能降低输入数据维度的优势,提取特征值,通过其可最小化重构误差的特点,求得自编码器结构。然后,将此结构作为极限学习机的输入端结构,可得到已优化隐层节点数的极限学习机结构。最后,通过极限学习机的有监督学习方法,调整隐层至输出层的权值,保证网络收敛至最优值。搭建含有蓄电池和风力发电系统的广义负荷模型进行仿真测试。结果证明,该方法具有较高的建模精度,可以有效应用于含不同成分的电力系统广义负荷建模。     

基于粒子群的电力系统短期负荷预测

短期负荷预测是电力系统管理的一项重要方法，准确的负荷预测可以保证用户得到安全、经济、合理的供电。针对负荷预测方法的多样性。在传统的BP网络用于负荷预测的基础上，提出粒子群PSO（Particle　Swarm　Optimizer）优化神经网络权值的算法。并应用到电力系统短期负荷预测中。仿真结果表明PSO优化算法训练的神经网络不仅收敛速度明显加快，而且其预报精度也明显地得到提高。     

基于灰色理论的电力系统负荷预测模型

为方便并精确地预测电力系统负荷,采用灰色理论建立负荷预测模型.深入分析灰色生成方法和灰色建模过程,并用1组典型电力系统负荷数据和某电力市场实际数据分别构造相应的预测模型.预测结果表明采用灰色系统预测电力系统负荷是可行的.     

基于级联网络的电力系统短期负荷预测

电力系统短期负荷预测对电力系统运行设计具有十分重要的意义。因此，在分析了电力负荷运行曲线的基础上，提出了一种基于级联模糊神经网络的预测模型。该模型采用基于神经网路理论的模糊模型参数辨识方法，很适合于复杂系统的模糊预测和控制。详细地对输入量的选择和学习算法进行了分析。实例表明，此方法具有町靠、鲁棒性好和快速等特点，优于神经网络电力负荷预报方法。     

随机系统辨识在电力系统负荷预报中的应用

本文将随机系统状态模型辨识技术用于电力系统负荷预报。首先根据负荷的一系列历史数据建立负荷的状态空间模型,然后用滤波算法进行次日负荷预报,最后用电网实际数据在 PDP-11/23计算机上进行预报计算,得到比较满意的结果。     

基于粒子群的电力系统短期负荷预测

短期负荷预测是电力系统管理的一项重要方法,准确的负荷预测可以保证用户得到安全、经济、合理的供电。针对负荷预测方法的多样性,在传统的BP网络用于负荷预测的基础上,提出粒子群PSO(Particle Swarm Optimizer)优化神经网络权值的算法,并应用到电力系统短期负荷预测中。仿真结果表明PSO优化算法训练的神经网络不仅收敛速度明显加快,而且其预报精度也明显地得到提高。     

基于QPSO-WNN和模糊理论的电力系统短期负荷预测方法

电力系统的短期负荷预测是电力系统管理的一项重要方法,准确的负荷预测可以保证用户得到安全、经济的供电.针对负荷预测方法的多样性,在小波神经网络用于负荷预测的基础上,提出基于量子粒子群优化算法( QPSO)优化神经网络权值,并运用模糊理论进行修正.某电网负荷的拟合数据表明QPSO优化算法训练的神经网络不仅收敛速度明显加快,而且其预报精度也比较高.     

用神经网络建立非线性系统模型研究

本文针对多层网络结构，运用递推预报误差（ＲＰＥ）算法对离散非线性系统进行辨识研究，作为应用实例，本文对一个工业实际进行了神经网络动态建模，研究结果表明，神经网络方法是用于带有非线性特性工业过程建模的有效方法。     

电力系统短期负荷预测的一种模糊建模方法

预测问题在科学技术领域有着广泛的应用背景。本文介绍了一种短期负荷预测的模糊建模方法，基于三角形隶属函数和卡尔曼滤波器，辨识出电力系统的动态模型，并把辨识模型的仿真结果与系统实测值相比较，以检验模糊模型的可靠性。仿真结果表明，这种新的模糊建模方法具有较高的精度，为高度复杂的非线性电力系统模型化提供了一条新途经。此方法利用河北省某一地区具体的数据进行检验．得到了满意的结果。     

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。     

基于周期性截断灰色系统的电力负荷预测

电力负荷预测是电力系统调度和电力生产计划制定的重要依据;电力负荷时间序列有着明显的周期性特征;传统的电力负荷预测主要侧重于预测方法的研究,而忽略了电力负荷数据周期性特性的分析,影响了预测的准确性;针对电力负荷时间序列的周期性特征,提出了一种基于周期性截断的灰色系统模型来进行电力负荷预测;该模型利用周期性截断来反映负荷数据的周期性特征,提高了预测的精度;仿真采用EUNITE Network的公开负荷数据进行算法性能的测试,并与一些主流的电力负荷预测算法:BP神经网络、极限学习机、自回归模型以及传统的灰色系统模型做比较;仿真结果表明,周期性截断的灰色系统负荷预测的归一化均方误差和绝对平均误差是最小的;周期性截断的灰色系统为电力系统负荷预测提供了一种新的有效方法。     

ACOA-RBF网络模型在短期负荷预测中的应用

为了进一步提高RBF神经网络的性能,实现准确、快速预测短期电力负荷的目的,将蚁群优化算法（ACOA）作为RBF神经网络的学习算法,建立了一种新的蚁群优化算法的RBF（ACOA-RBF）网络预测模型,利用山西某地区电网的历史数据进行短期负荷预测。仿真表明,这一算法与传统的RBF神经网络预测方法相比,能达到更好的预测效果。该优化算法改善了径向基神经网络的泛化能力,提高了山西电网短期负荷预测的精度,可有效用于电力系统的短期负荷预测。     

短期负荷预测方法综述

电力系统为电力用户提供可靠、优质、经济、环保电能的前提条件是能对电力负荷进行精确的预测。电网中的调度部门要根据短期负荷的预测结果来安排发电和供电计划,从而优化资源配置,提高经济效益。因此,短期负荷预测具有重大意义。为了提高负荷预测的准确性,较为全面的综述了短期负荷预测方法的研究状况。首先简述了短期负荷预测的意义、特点以及影响因素,综合叙述了短期负荷预测方法的历史发展。然后分别从数据预处理和组合预测两个方面总结了各个方法的研究现状和存在的问题。最后指出了当前短期负荷预测研究的主要问题以及下一步可能的研究方向。 得出的结论是对历史数据进行预处理后结合时下流行的机器学习算法能提高电力系统短期负荷预测的精度。     

中长期电网负荷组合预测研究

中长期负荷预测是地区电网系统负荷预测的重要组成部分,对于电网运营成本的节约,电能质量的提高,系统安全稳定运行的保障等具有重要意义.文中采用基于IOWA算子的组合预测模型来研究地区电网中长期负荷预测模型和预测方法,该组合预测模型将RBF神经网络和灰色系统有机结合,既充分发挥单一预测模型的优点,又避免了单一预测模型所存在的...     

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。     

基于RBF神经网络的短期负荷预测

短期电力负荷预测是电力系统运行调度中一项重要的内容,传统的电力负荷预测方法都是建立在线性假设基础之上,由于预测精度低,难以满足现在电力部门的要求。人工神经网络己被应用在电力负荷预测中,并取得了较为理想的结果。主要基于神经网络的负荷预测模型,通过MATLAB仿真实验平台,构建RBF神经网络模型,并用历史电力负荷数据进行训练,成功的进行了电力系统的短期负荷预测,预测结果误差较小,取得了令人满意的结果。     

基于神经网络的负荷预测仿真研究

提高电力负荷预测精度有利于电力部门的安全生产,有利于合理安排电网运行方式和机组的检修计划,有利于系统的合理规划和经济运行。为了提高短期负荷预测的精度,把自相关函数的概念应用到反向传播(Back Propogation,BP)神经网络输入变量选择中,通过MATLAB仿真软件建立负荷预测模型。最后对某电力系统1d的负荷进行预测,仿真结果验证了该模型的可行性和有效性。