Hadoop架构下基于模式匹配的短期电力负荷预测方法

大数据处理技术充分利用海量动态数据,能有效提升电力负荷预测精度及计算效率。采用Hadoop架构提出了一种基于模式匹配的短期电力负荷预测方法,通过度量日负荷序列相似性挖掘得出典型日负荷模式,辨识出关键影响因素构建基于并行随机森林的决策树群从而建立模式匹配规则,实现待测日负荷模式的快速准确匹配;在典型负荷模式下建立多时刻点预测模型,采用Map Reduce计算框架进行负荷计算与预测分析,从而建立大量样本下的负荷预测模型。以某地市电网全年负荷数据为例进行负荷预测分析,并通过平均误差和方均根误差等指标对比局部加权线性回归(LWLR)算法的预测效果。仿真结果表明该方法用于短期负荷预测时具有更高的预测准确性和计算效率。     

基于BP神经网络的电力系统短期负荷预测

电力系统短期负荷预测直接影响电力企业的经济效益。对此,选择预测日前一天的电力负荷和阴晴、温度、湿度等气象特征数据作为网络的输入,预测日当天的电力负荷作为输出,建立了电力系统短期负荷BP神经网络模型。用历史负荷数据作为训练样本,对BP神经网络预测模型进行训练,用训练好的神经网络进行电力系统短期负荷预测。用真实历史数据对新疆某地区进行了电力系统负荷短期预测,结果表明,预测结果与实际值比较接近,1 d96个采样点的负荷预测平均准确率为98.45%。     

基于改进BP神经网络的短期电力负荷预测方法研究

针对短期负荷预测精度低、准确性差等问题,将猫群算法CSO和BP神经网络相结合用于短期负荷预测,模型的输入因子是负荷数据和气象信息等,利用猫群算法对BP神经网络的权值和阈值进行优化,得到BP神经网络预测模型的最优解,建立了短期预测模型。通过实例验证了预测模型的有效性和有效性,结果表明,改进模型能够有效降低BP神经网络模型的预测误差,提高预测精度,为我国电力系统短期负荷预测的发展提供了参考和借鉴。     

基于BP神经网络的电力短期日负荷预测

在分析了温度、降雨量、时间等因素对负荷的影响的基础上,应用BP神经网络建立负荷预测模型,对输入负荷值进行归一化处理,网络的训练应用Levenberg-Marquardt算法,很大程度上提高了神经网络的收敛速度和预测精度.通过实例验证该方法可行.     

基于KPCA和BP神经网络的短期负荷预测

为了提高电力系统短期负荷预测的精度,文中提出了一种基于核主成分分析(KPCA)和BP神经网络的负荷预测方法。影响负荷的因素作为神经网络的输入变量,太多输入变量会加大神经网络的训练负担,运用核主成分分析的方法对初始神经网络输入变量进行非线性降维,将降维后的数据作为神经网络新的输入变量,并对神经网络的训练算法进行改进,以加快收敛速度,最后在每一个时刻点上建立模型进行预测。采用文中提出的方法对甘肃某地区2014年的负荷进行预测,并与已有的BP神经网络方法和PCA-BP神经网络方法进行对比,结果表明该方法可提高负荷预测的精度。     

基于改进型BP神经网络的短期电力负荷预测

科学、准确的短期电力负荷预测有利于提高电力系统运行的经济性和安全性,向用户提供高质量的电力。提出一种基于改进型BP神经网络的短期负荷预测方法,并充分考虑建模时复杂气候敏感因素的影响,对输入校本的选取、预测模型的建立进行了论述。算例表明所提出方法具有较高的预测精度,负荷预测结果的相对误差小于3.63%。     

基于改进BP神经网络算法的短期负荷预测

分析了电力系统负荷的组成、分类及其周期性的变化规律,对神经网络基本理论方法进行了细致地研究。应用改进的BP神经网络,建立了充分考虑各种因素的电力系统短期负荷预测模型。最后通过实例仿真,比较三种改进的BP学习算法,结果表明在本模型中,Levenberg-Marquardt(LM)学习算法在收敛速度以及预测精度上要优于拟牛顿法和SCG算法。     

基于改进型BP神经网络的短期电力负荷预测

提出一种改进的 BP 神经网络学习算法,并将其应用于短期电力负荷预测中。研究 结果表明：基于改进的 BP 神经网络的短期电力负荷预测具有精度高的特点,负荷预测结果的相 对误差小于3．63%。     

基于BP神经网络的短期负荷预测建模仿真

通过BP神经网络与Matlab相结合,建立起三层四功能单元的BP神经网络短期负荷预测模型,并采用某条线路1年的历史负荷波动数据对模型进行“学习”训练。预测一日24小时负荷数据的Matlab仿真及误差分析结果表明,所构筑的BP神经网络模型具有较高的可靠性和准确性,误差率可以有效地控制在2％以内。BP神经网络模型大大提高了短期负荷预测数据的处理效率与可信性,是研究电力系统经济调度的一种新的非线性建模仿真模型。     

基于BP神经网络的短期负荷预测建模仿真

通过BP神经网络与Matlab相结合,建立起三层四功能单元的BP神经网络短期负荷预测模型,并采用某条线路1年的历史负荷波动数据对模型进行“学习”训练.预测日24 h负荷数据的Matlab仿真及误差分析结果表明,所构筑的BP神经网络模型具有较高的可靠性和准确性,误差率控制在2％以内.BP神经网络模型大大提高了短期负荷预测数据的处理效率与可信性,为研究电力系统经济调度提供了一种新的非线性仿真建模模型.     

基于随机分布式嵌入框架及BP神经网络的超短期电力负荷预测

电力系统超短期负荷预测易受到气象、假日等多种因素共同作用的影响,因此,实现其精准预测较为困难。为提高预测精度,往往需要大量的历史数据进行训练。针对历史数据较少的新建初期电力系统,提出了一种基于随机分布式嵌入框架及BP神经网络的超短期电力负荷预测方法。首先,将电力系统中电力负荷变量、气象变量等各种状态变量的延迟变量视为独立的影响因素,采用BP神经网络算法针对不同组延迟变量分别进行训练和预测,得到多个预测值。然后,采用核密度估计法拟合多个预测值形成分布的概率密度函数。最后,通过期望估计法或聚合估计法计算得出电力负荷的最终预测值。选取实际负荷数据进行算例分析,结果表明,所提方法适用于训练数据较少的超短期负荷预测,且相较于几种常规预测算法具有更高的预测精度以及较强的稳定性。     

基于BP神经网络的电网短期负荷预测模型研究

为了获得能够反映短期负荷波动的自动预测模型,将BP神经网络运算逻辑与Matlab神经网络工具箱相结合,利用供电系统的气象条件、供电日的日期类型等函数干扰因素作为BP网络神经元的约束"权值",结合自适应控制中的节假日、供电限制等"外部干预项",通过模型对系统历史运行短期负荷数据进行自动"学习",获得一个具有自适应学习速率...     

基于多重局部回归Elman神经网络的短期负荷预测

针对传统静态前馈神经网络动态性能较差的缺点,提出了多重局部回归的Elman神经网络,建立了网络的基本结构,并设计了相应的学习算法和学习过程。通过对负荷原始数据的归一化处理,提出将训练数据分段的思想,并利用分段数据对多重局部回归的Elman网络进行训练,通过对收敛曲线和训练误差的分析,确定合适的网络神经元个数和网络训练步数,最后利用实际负荷数据对网络进行了检验。结果表明,改进多重局部回归Elman神经网络比传统Elman神经网络具有更高的预测精度。     

基于级联神经网络的短期负荷预测方法

针对常和BP算法预测速度慢、易陷入局部最优解的缺点，提出了基于RBF网络和BP网络的级联神经网络预测方法，把天气因素和历史负荷对负荷预测值的影响分开考虑，其中RBF子网络用于描述历史负荷的影响，BP子网络则对在RBF子网络中难以考虑的天气因素给出了较好的映射关系，最终将两个子网络组合为一个级联神经网络，一系列的研究算例证明该方法是快速，准确的。     

基于遗传优化的BP神经网络算法的短期负荷预测

采用BP神经网络算法进行短期电力负荷预测存在缺点,需要进行完善和改进。介绍了BP神经网络算法进行短期负荷预测的原理,以及遗传算法的基本原理。具体叙述遗传算法对BP神经网络算法进行优化的实现步骤。优化后的算法避免了原来初始权值和阈值选择的盲目性,提高了BP神经网络算法短期负荷预测的精度和效率。通过具体算例,证明了此算法的可行性和有效性。     

基于神经网络的短期负荷预测

针对电力系统短期负荷的变化与影响因素间的复杂非线性关系,首先,提出用BP神经网络进行负荷预测,接着,在输入变量的选择上引入了负荷日期和气象温度,对于日期变量分为工作日和休息日,对于气温变量进行分段处理。最后通过实例仿真表明该方法可以取得较高的预测精度。     

基于萤火虫算法与BP神经网络的电力系统短期负荷预测

随着社会生活的不断发展,人们日常生活质量的不断提高,电力的使用在日常生活中愈发广泛,在用电需求不断增大的同时,对于电力系统的稳定性和电力调度的精确性也提出更高的要求.在此背景下,精确的电力系统短期负荷预测方式具有重要的实际意义,可以合理地为电力调度提供保障.在实际情形下,许多变量因素也会对发电量产生影响,因此仅使用历年同期发电量数据作为原数据进行预测难以保证预测结果的精确性.本项目创新地将主成分分析运用于数据预处理,并将萤火虫算法与BP神经网络相结合,将温度、湿度、空气质量等重要影响因素纳入负荷预测的考虑范畴并进行预测.根据均方误差结果可知,运用主成分分析将重要变量因素(如温度、湿度)纳入预测范畴能够有效提升负荷预测的准确性.     

基于花朵授粉算法和BP神经网络的短期负荷预测

为了提高短期电力负荷预测的准确性,降低因预测精度不高带来的电能损失,提出将花朵授粉算法（flower pollination algorithm,FPA）与BP神经网络相结合,利用FPA算法具有收敛速度快、全局搜索能力强的特点,对BP神经网络的权值和阈值进行优化,改善传统BP神经网络因权值和阈值的选择具有随机性而陷入局部最优和收敛速度慢的缺点。最后,通过某地区实际负荷数据验证了优化后的BP神经网络的预测精度得到了提高。     

基于小波系数和BP神经网络的电力系统短期负荷预测

提出了一种基于小波系数和BP神经网络相结合的电力系统短期负荷预测新方法.把过去直接对负荷序列的预测替代为对小波系数的预测,并对小波细节系数作分层软阈值处理.详细介绍了小波系数结合BP神经网络进行预测的新方法,并给出算例验证.