短期负荷预测的支持向量机方法研究

提出了一种基于支持向量机(SVM)理论的电力系统短期负荷预测方法。该方法采用结构风险最小化原则(SRM)，与采用经验风险最小化原则（ERM)的传统神经网络方法相比，具有更好的泛化性能和精度，减少了对经验的依赖。SVM算法以统计学习理论作为其理论基础，它的训练等价于解决一个二次规划问题。为了提高负荷预测精度，文中在训练数据集中采用了负荷数据和温度数据。通过和多层BP神经网络进行比较的试验，结果证明了其在短期负荷预测中的有效性。  

基于小波分析的电力系统短期负荷预测方法

在分析电力负荷频谱特性时发现负荷信号的变化过程具有连续频谱的特性。该文在此基础上提出一种基于小波变换的电力系统短期负荷预测新方法：通过小波变换，将各序列分量分别投影到不同的尺度上，对不同的子负荷序列进行数据处理，并分别采用相匹配的模型进行预测，最后退过小波重构，得到完整的负荷预测结果。算例计算表明新方法具有较高的预测精度和较强的适应能力。  

基于支撑向量机方法的短期负荷预测

首次将支撑向量机（SVM）方法及改进的序列极小化（SMO）学习算法引入短期负荷预测领域。该方法具有预测能力强、全局最优及收敛速度快等显著特点。实际算例表明，对于短期负荷预测问题，支撑向量机方法在预测精度和运算时间方面都优于前向网络、径向基网络等方法。  

基于神经网络的电力系统短期负荷预测研究

电力系统负荷预测是电力生产部门的重要工作之一，作者利用BP神经网络进行电力系统短期负荷预测，在保证有足够的训练样本的前提下，对预测模型进行合理分类，构造了相应于不同季节的周预测，日预测模型，并对输入变量的选择，特别是温度的选取问题，进行了讨论，在神经网络训练的过程中，往往会出现过拟合的现象，给预测的结果带来不利的影响，为此在训练过程中，将样本随机地分离为训练集和测试集来防止这个问题，典型算例的计算表明，该方法是有效的。  

一种规范化的处理相关因素的短期负荷预测新策略

提出了一种规范化的可以直接考虑各种相关因素的短期负荷预测新策略。这种策略不仅可以 考虑已经被详细研究过的气象因素，而且可以同时考虑一般性的分类指标，如工作日/休息 日，正常日/节假日等。设计了一个规范化的相关因素映射数据库，用以反映不同影响因素 在映射函数上的差异。根据模式识别的基本原理，应用聚类分析方法描述由于相关因素的不 同而导致的待预测日与历史日之间的差异程度。作为这种预测策略的一个应用，实现了一种 基于相关因素匹配的短期预测方法。实际算例表明，应用这种新的规范化的预测策略可以得 到更加精确的预测结果。  

电力系统短期负荷预测的非线性混沌改进模型

改进了文「１」中负荷数据序列的Ｌｙａｐｕｎｏｖ指数计算方法，提高了Ｌｙａｐｕｎｏｖ指数的计算精度并增强了可靠性，这种建立在非线性混沌改进模型基础上的预测方法不仅对小数据组可靠，而且计算量小，相对容易操作，通过对华东某电网实际负荷数据进行的预测，精度明显优于文「１」中的方法，且具有较强的自适应能力和通用性。  

小波模糊神经网络在电力系统短期负荷预测中的应用

该文研究了基于小波模糊神经网络的电力系统短期负荷预测新方法。根据小波变换自适应可调时频窗的特点，利用小波分析对负荷样本做序列分解，对高尺度负荷分量采用常规预测方法，其他负荷分量则采用模糊神经网络处理技术，最后通过序列重构，得到完整的负荷预测结果。算例计算表明，新方法具有较高的预测精度和适应能力。  

基于Lyapunov指数的电力系统短期负荷预测

采用非线性系统理论对电力系统历史负荷数据序列进行了特征分析，计算出Ｌｙａｐｕｎｏｖ指数，并利用该Ｌｙａｐｕｎｏｖ指数模式进行短期负荷预测，进而提出短期负荷预测的时间尺度的概念，这种方法不复气候和气温等数据，只利用电力系统一维峰值负荷历史数据计算出过去的变动模式进行负荷预测，就可以得到较高的预测精度，对东北电网实际负荷数据进行了预测，结果令人满意，从而为电力系统短期负荷预测提供了一种新的预测方法。  

基于小波分解和人工神经网络的短期负荷预测

提出了一种基于小波分解和人工神经网络(ANN)的电力系统短期负荷预测方法.通过小波变换把负荷序列分解为不同频段的子序列,再对这些子序列分别采用相匹配的人工神经网络模型进行预测,最后综合得到负荷序列的最终预测结果.在所提出的方法中小波分解能够提取负荷的一些周期性和非线性特征,并对其进行进一步细分,根据其子序列各自所具有的规律采用相应的预测方法;而ANN对于处理非线性及无法显示明确规律的问题具有优势.经实例验证,与传统方法相比该方法具有很高的预测精度和较强的适应能力.  

基于人工神经网络和模糊推理的短期负荷预测方法

电力系统短期负荷预测是电力系统调度部门制定发电运行计划的依据，也是制定电力市场交易计划的基础。人们提出了许多种短期负荷预测方法，如时间序列法、状态空间法、人工神经网络法等，但是这些方法都无法精确地描述电力负荷模型。在对大量历史负荷数据进行统计分析的基础上，作者提出了一种基于人工神经网络和模糊推理的预测新方法，其中首先根据实际经验将负荷日类型划分为周一、工作日、周六、周日和节假日5种类型；然后根据不同的类型日建立相应的人工神经网络模型用以预测负荷归一化系数，最后通过模糊推理策略预测日最大负荷和日最小负荷。实际算例表明，所提出的方法能够提高短期负荷预测的精度。