基于Elman网络的电力负荷预测研究

电力系统负荷与诸多影响因素之间是一种强耦合、多变量、严重非线性的关系,且这种关系具有动态性。传统预测方法精度不高,而采用动态回归神经网络(Elman)能更直接、更有效地反映系统的动态特性。该文建立了基于Elman神经网络的电力负荷预测模型,通过MATLAB仿真预测,对比Elman神经网络和BP神经网络的预测效果。仿真实验证明了Elman神经网络具有良好的动态特性、较快的训练速度、高精度等特点,表明Elman预测模型是一种新颖、可靠的负荷预测方法。     

基于Elman神经网络的电力负荷预测模型研究

针对传统的电力负荷预测的不足,利用Elman神经网络时变能力强、误差可控、预测精度高等优点,提出一种基于循环结构Elman神经网络的电力负荷预测模型。采用学校实习基地的某企业半个月的电力负荷历史数据作为原始数据,并通过MATLAB平台进行仿真,对提出的预测方法和模型进行了研究,分析检验所建立模型的实际预测能力。首先对负荷样本数据归一化运算,使Elman神经网络输入层变量集中在[0,1]区间内,再对所建立的网络模型进行训练,使系统具备适应时变能力,增强系统全局稳定性。仿真分析结果显示：基于Elman神经网络的电力负荷预测模型预测误差小、精度高,预测速度快,表明了所提出的预测模型具有一定的实用价值。     

两次拟合灰色模型在中长期电力负荷预测中的运用

针对普通灰色预测模型在预测过程中当历史数据有较大波动时预测精度较差的问题，对两次拟合等维灰色预测模型进行研究，并对其进行改进，通过对华北某地区用电量的建模预测验证其有效性。两次拟合灰色预测模型是利用一次拟合的结果重新建模，经研究发现当历史数据有较大波动时，利用两次拟合灰色预测模型进行预测可以提高模型的精度。     

综合型中长期电力负荷预测系统的实现

本文系统地阐述了用于电力系统中长期负荷预测的综合模型的具体实现方法,该模型基于多种预测方法,通过计算和评价,得到每个单一预测法应取的权重,从而提高预测精度;详尽地论述了综合型负荷预测软件的实现.经仿真实验表明该软件具有预测精度高、使用方便等优点,是一个理想的中长期电力负荷预测工具.     

基于Elman神经网络的短期天然气负荷预测建模与仿真

天然气负荷预测天然气负荷准确预测是天然气管网的优化的基础。短期天然气负荷变化呈现伪周期性和随机性。为了提高天然气负荷的预测精度,提出一种基于Elman神经网络天然气负荷预测模型,并采集某企业的天然气负荷数据进行仿真,并BP神经网络预测模型进行了对比分析,仿真结果验证所建立预测模型是可行且有效的,具有一定的应用价值。     

基于综合模型的中长期电力负荷预测系统的实现

详细地论述了负荷预测软件的设计思想和实现,并系统地阐述了用于电力系统中长期负荷预测的综合模型的具体实现方法,进行了仿真实验。     

基于VC++与MATLAB的电力负荷预测

本文在简要介绍Matlab和VC 的基础上,提出了Matlab和VC 混合编程的思想,并在构建基于神经网络的电力负荷预测模型的基础上,利用Matlab和VC 混合编程对电力负荷预测进行了软件开发,实际应用表明,此软件在短期预测中具有较高精度,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。     

灰色Elman神经网络的矿井瓦斯涌出量预测

为了准确预测矿井瓦斯涌出量,将灰色理论与Elman神经网络模型结合,建立矿井瓦斯涌出量预测模型。灰色系统能较好地预测变化的趋势,而Elman神经网络具有动态特性好、逼近速度快、精度高等特点。对于煤矿生产中瓦斯涌出量的预测,两者结合能够发挥各自的优势,以某煤矿矿井为例,影响瓦斯涌出量的因素为预测因子建立灰色理论与Elman神经网络融合的预测模型。结果表明,灰色Elman神经网络模型优于传统灰色预测模型,提高了预测精度,达到了很好的预测效果。     

中长期电力负荷神经网络预测方法的实现

本文应用含一个隐含层的BP网络对电力负荷做中长期预测,采用了优化算法,取得了满意的预测效果。     

基于PCA-BPNN方法的中长期电力负荷预测

针对基于反向传播神经网络(Back-Propagation Neural Network,BPNN)的中长期电力负荷预测算法中,预测模型的精度和泛化能力易受输入样本变量影响这一问题,利用主元分析(Principal Component Analysis,PCA)方法能消除变量间相关性的特,对BPNN的输入空间进行重构,消除重叠信息,提取主导因素,优化了网络结构,提高了预测精度.通过实例验证了该方法的有效性.此方法可以使用电计划部门实时、准确的预测电力负荷,以此最优的配比发电机组,也可减少由于预测不准确带来的电力系统各种故障的发生.     

带扩展记忆的粒子群优化最小二乘支持向量机在中长期电力负荷预测中的应用

针对中长期电力负荷预测,考虑了影响中长期电力负荷的各种因素,提出了一种带扩展记忆的粒子群优化算法(PSOEM)与最小二乘支持向量机(LSSVM)相结合的中长期负荷预测方法。PSOEM比传统PS0收敛速度更快,精度更高,具有更强的寻优能力,因此利用PSOEM算法对LSSVM参数进行优化选择,获得了较优的PSOEM-LSSVM预测模型。通过实例仿真表明,该方法与其他几种方法相比具有更高的预测精度和速度。     

基于BP网的中长期负荷预测因素优化选择

基于人工神经网络原理,设计一个由输入层、隐含层和输出层组成的三层BP网络模型,利用神经网络高度非线性建模能力,选取影响电力负荷的一些经济因素作为BP人工神经网络的输入变量,采用新定义的方差贡献法对输入变量进行优化选择,对预测精度的影响进行探讨。仿真结果证明,采用方差贡献法对影响中长期电力负荷预测的相关因素进行优化选择是可行有效的。     

基于改良灰色理论的电网短期负荷预测算法

在分析传统灰色负荷预测理论与GM（1,n）模型的基础上,再次对GM（1,n）模型进行改进,以解决由于传统的灰色理论对原始数据要求的严格造成预测结果误差较大的问题。实验表明,用此方法建立的负荷预测模型,在预测精度上有较大的提高,为今后灰色理论模型的改进提供了一定的依据。     

基于混合模型的中长期降水量预测

针对中长期降水量预测精度较低的问题,提出了由改进集合经验模态分解方法、最小二乘法、核极限学习机和改进的果蝇优化算法构成的混合模型来对区域年度降水量序列进行预测。首先,通过改进集合经验模态分解方法将非平稳降水量时间序列分解为多个分解项。然后,根据不同分解项的特性分别采用最小二乘法和核极限学习机对其进行预测。由于核极限学习机均存在一定的参数敏感特性,因此提出使用改进的果蝇优化算法来对核极限学习机的相关参数搜索寻优,以提高其预测精度。最后,将各分解项的预测结果叠加,从而形成最终预测结果。以广东省7个地市1951－2015年的年度降水量为例,对所提方法进行了验证,结果表明:相比于自回归移动平均模型和核极限学习机模型,混合模型预测具有更高的预测精度。     

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。     

基于小波神经网络的电网负荷预测

为提高负荷预测的精度及反映天气因素对负荷的影响.选用小波理论中的Malht算法进行多尺度分析.应用新疆塔北电网近年的负荷数据和气象资料进行了预测,预测结果表明其具有较好的性能.     

基于超短期功率预测的配电网调度模型

提出了一种基于超短期风电功率预测的滚动配电调度模型。在配电调度过程中,模型不仅可以同时修正传统机组的功率输出,还可以修正风力发电的功率。利用二阶马尔可夫(Markov)链模型对风电预测误差状态(WPPES)进行修正,并更新剩余时段的风电风力发电预测结果。该模型考虑了多时段功率平衡、机组输出调节、上旋备用和下旋备用的约束条件,并结合素数对偶仿射尺度内点法进行求解。最后的仿真验证了该方法的经济性和有效性。     

基于BP神经网络电力负荷短期预测研究

电力负荷预测是电力系统一项重要的工作。本文应用了BP神经网络对南方某地区短期电力负荷进行了预测。首先介绍了BP神经网络结构,其次是利用BP神经网络结合南方某地区电力负荷数据进行实证研究,并且在设计BP神经网络结构时考虑了气象因素对负荷的影响。     

基于改进的灰色模型的煤矿电力短期负荷预测

为了提高煤矿电力负荷预测的精度,解决传统灰色模型的缺陷,建立了改进的灰色模型。将背景值进行优化生成权重系数,通过人工蜂群算法找出合适的背景值生成权重系数,以误差最小为目标,得到了负荷预测值。通过Matlab R2012a仿真,与传统的灰色模型相比,该模型的预测精度更高,证明该方法是有效的。