基于自回归和神经网络算法加权组合的负荷预测

针对时间序列法的自回归动平均模型和神经网络算法在负荷预测中的不足,提出对这两种预测结果采用加权组合方法,在不同时期的负荷预测采用不同的加权值来提高预测结果的精确度.通过算例分析短期负荷预测和长期负荷预测,证明采用加权组合方法的预测结果比自回归动平均模型和神经网络算法分别预测要准确.     

短期负荷预测的组合数据挖掘算法

给出了一种短期电力负荷预测的组合数据挖掘算法.通过日负荷特性分析,在设定长度的最近历史日期中选择与预测日天气最相似的为基准日,通过该模式下天气相似日的相关影响因素差异与相应负荷变化率关联规则挖掘建模,挖掘模型算法采用C4.5和CART算法的基于BP网络加权组合,算法还基于范例推理给出节假日调整因子校正节假日的影响,设计出一种高精确度短期负荷预测系统.实际应用结果表明该组合算法预测精确度高、效果良好.     

基于递归等权组合模型的中长期电力负荷预测

针对电力负荷预测中单一模型不能充分利用数据信息和对其内在规律考虑不完全的问题,文中采用基于递归等权的组合预测模型,通过灰色关联度法对多个单一模型进行筛选,并确定参与组合的模型。再由递归等权法实现了对参与组合的各单一模型的变权重处理,有效地考虑各单一模型的预测好坏的变化。最后,通过对某地区最大负荷进行预测,对比单一模型与递归等权组合预测模型的预测误差。结果表明,递归等权组合预测模型比各单一预测模型的误差都小,从而验证了该模型能有效提高电力系统负荷预测能力,其精度高、结果可靠。     

电网负荷的组合预测

应用组合预测方法将自适应滤波模型、灰色模型、指数平滑模型、指数函数模型组合在一起进行电网负荷预测,得到了改善的结果。     

基于灰色Verhulst和灰色马尔科夫的电力负荷预测组合模型

本文提出了电力系统中长期负荷预测的线性组合模型,即基于灰色Verhulst和灰色马尔科夫的组合模型。针对中长期负荷日趋饱和的特点,采用具有S型预测曲线的灰色Verhulst模型进行预测;针对灰色模型预测随机波动较大的负荷时拟合性较差的缺点,采用马尔科夫理论对灰色模型进行修正,弥补了灰色模型固有缺陷,提高其预测精度。通过线性组合法将灰色Verhulst模型与灰色马尔科夫模型相结合,规避了单一算法模型产生较大误差的风险,进一步提高了预测准确性。算例表明,该组合模型精度较高,具有实用性与可行性。     

基于人工免疫算法的电力负荷预测综合模型

将电力负荷预测综合模型中各单一电力负荷预测模型的最优权重作为抗原,将权重的解作为抗体,通过模拟生物免疫系统的工作原理来搜索最优权重,提出了基于人工免疫算法的电力负荷预测综合模型。应用该模型于某地区负荷预测的实例中,并与基于遗传算法的综合模型和基于直接搜索寻优法的综合模型进行比较、分析。结果表明,该模型具有全局寻优能力好、预测精度高等优点。     

基于改进ABC算法的中长期电力负荷组合预测

将人工蜂群(ABC)算法应用到中长期电力负荷预测中,通过与组合预测模型相结合,对组合预测目标函数进行优化权重求解。另外针对该算法的早期收敛速度慢、后期容易陷入局部最优的缺点,通过引入扰动项,并进行最坏蜜源替代予以解决。实例分析证明该改进算法收敛速度快,全局寻优能力强。利用它求得的组合预测值,相对于单一模型的预测结果,精度有较大的提高,说明该改进算法应用到中长期电力负荷预测中是可行的。     

基于免疫聚类径向基函数网络模型的短期负荷预测

提出了一种免疫聚类径向基函数神经网络（ICRBFNN）模型来预测电力系统短期负荷。在ICRBFNN的设计中，根据共生进化和免疫规划原理，提出了共生进化免疫规划聚类算法，该算法可以自动确定RBF网络隐层中心的数量和位置，并采用递推最小二乘法确定网络输出层的权值。对华东某市进行的电力系统短期负荷预测表明，与传统的径向基函数神经网络（RBFNN）预测方法相比，ICRBFNN方法具有更高的预测精度和更短的训练时间。     

中长期电力负荷预测的改进免疫粒子群算法

针对免疫粒子群算法收敛速度慢,精确度相对较低的缺点,采用平衡理论和自适应调整两项策略加以改进,提出改进的免疫粒子群算法.一方面在新的粒子种群产生过程中引入扰动变量,使粒子群在遵守秩序和随机行为之间达到平衡;另一方面在粒子搜索复杂解空间过程中,通过计算个体适应值划分粒子的优劣等级,提出粒子速度自适应可调机制.实例证明,将...     

基于优化权重的卡尔曼滤波与无偏灰色组合模型的短期负荷预测

本文针对短期负荷预测动态、随机的特点,提出了一种基于优化权重的卡尔曼滤波与无偏灰色组合预测模型。该模型充分发挥了卡尔曼滤波准确估计动态系统的优势,并合理利用无偏灰色模型挖掘随机数据潜在规律的特点。首先根据卡尔曼滤波预测中出现特殊日收敛不足的缺陷,利用趋势稳定,规律性强,消除固有偏差的无偏灰色理论加以弥补。根据无偏灰色理论趋势稳定向上,在短期负荷预测中某些下降趋势数据点误差较大的缺陷,利用卡尔曼滤波依据大量数据最优估计的平均思想加以弥补。并且采用线性组合法进行结合进一步规避了预测风险。算例结果表明,该预测模型精度较高,具有实用性。     

基于元学习的时变非线性负荷预测组合算法

单一的预测算法或多或少存在着归纳偏置,由此导致了系统偏差的普遍性。提出了一种基于元学习的时变非线性组合预测算法,该算法在进行组合预测时将序列的特征属性和基预测器预测的结果形成元知识,作为元预测器的输入,从而发现并且纠正基预测器的系统偏差。在元预测器中,通过门控网络确定各基预测器的权重,保证了权重的时变性和非负性。将该算法应用于电力负荷超短期预测,预测结果表明,该算法的预测精度高于单一预测算法和常用的线性和非线性组合算法。     

基于灰色-周期外延组合模型的电力负荷预测

提出了灰色–周期外延组合模型,即在一般灰色模型GM(1,1)的基础上建立残差周期外延模型,并提取优势周期以重新构造新的数据序列,再将不同周期同一时刻的值叠加。该模型兼顾了电力负荷的增长性和周期波动性二重趋势,较好地克服了上述二重趋势引起的负荷变化非线性组合特征给精确负荷预测带来的困难。实例计算结果表明该模型明显地提高了电力负荷预测精度。     

基于小生境混沌免疫算法的PID参数优化

在人工免疫算法的基础上,提出了一种小生境混沌免疫算法。通过在免疫算法中引入小生境机制和混沌细搜索,增强了算法保持种群多样性的能力和局部搜索能力;此外,通过对小生境机制与解空间关系的分析,提出了一种小生境距离选取依据。应用于PID参数的优化,并与遗传算法(Genetic Algorithm,GA)、人工免疫算法(Artificial Immune Algorithm,AIA)进行比较。仿真结果表明,设计的PID控制器控制效果优于GA和AIA。     

基于有效度遴选和纵横交叉算法的负荷组合预测

针对单一模型预测精度不高的问题,提出了基于有效度遴选和纵横交叉算法的组合负荷预测,新方法有效解决了选择单一模型的随机性和权重难以确定的问题。新方法根据预测有效度筛选组合预测单项模型,然后利用组合模型对小波包分解所得各个负荷子序列进行预测,并采用纵横交叉算法求取各单一模型的权值,最后叠加各子序列预测值得到完整预测结果。实例分析中,以广东省某电网实测负荷数据为例,研究结果表明:基于有效度遴选和纵横交叉算法的组合预测方法可操作性强、通用性好,并明显优于各单项预测模型、等权重组合模型和方差倒数组合模型的预测精度。     

基于特征选择和组合模型的短期电力负荷预测

提出基于特征选择和组合模型的短期电力负荷预测方法。首先将特征向量按特点分为2类,分别使用斯皮尔曼相关系数、最大相关最小冗余算法进行选择,依据贝叶斯信息量准则确定最优特征向量维度。然后使用3个不同的核函数建立单核递归支持向量回归模型并完成预测。最后构建神经网络,进行实验分析。仿真结果表明所提方法具有较高的预测精度与鲁棒性。     

基于负荷预测模型特性的组合预测新方法

提高短期负荷预测精度和计算速度一直是研究的热点问题之一.针对不同负荷预测方法的预测特性,提出了特性互补的组合预测新思路,建立了基于二阶自适应系数法和移动样本倒指数法的组合预测模型,采用最优组合预测与递归等权组合预测相结合的方法确定组合系数,并进行实时监测修正.结合甘肃电网的实际进行了短期负荷预测,结果表明,该方法计算速度快、预测精度高,具有一定的工程实用价值.     

基于免疫加权支持向量机方法的短期负荷预测

在对支持向量机（SVM）方法进行分析的基础上，提出了一种免疫加权支持向量机（IWSVM）方法来预测电力系统短期负荷。其中根据各样本重要性的不同，引入了加权支持向量机方法，然后利用免疫规划算法对其进行参数优化。免疫规划算法利用浓度和个体多样性保持机制进行免疫调节，有效地克服了未成熟收敛现象，提高了群体的多样性。电力系统短期负荷预测的实际算例表明，与支持向量机方法相比，所提免疫加权支持向量机方法具有更高的预测精度。     

基于灰关联加权组合模型的电力负荷预测研究

针对灰色系统理论中的预测模型(简称GM(1,1)模型)不太适于中长期负荷预测的不足,以及由历史负荷数据的不同时段建模形成预测灰区间的特点,提出了灰关联加权组合修正方法。从历史负荷与其拟合数值的灰关联度挖掘出负荷发展的“远、近”趋势,对灰区间值进行加权组合,大大提高了GM(1,1)模型的预测精度。使用该方法对某一地区未来几年的负荷预测得到了较为理想的结果,说明该方法对中长期负荷预测非常有效,弥补了GM(1,1)模型在该领域内使用的缺陷,具有一定的理论价值和实际应用价值。     

基于人工神经元网络及模型算法的空间负荷预测

改进了配电网的空间负荷预测方法,将其研究重点 放在对各类负荷的负荷密的预测上,在原始数据不充分的条件下,引入模糊隶属度分析和人工神经元网络中的聚类分析,对负荷进行分类和简化,从而得到环境因素相适应的负荷,预测取得了满意的效果。