电力系统短期负荷预测的神经网络方法

本文构造了一种线性与非线性结合的神经网络,提出了短期负荷预测的神经网络方法。使用最近的观测资料对神经网络进行学习训练,调整神经元间的权值。然后对未来负荷进行预测。通过对华中电网的观测资料进行仿真,在正常情况下获得较好结果。     

负荷电量的灰色预测

针对负荷电量随机性大、影响因素多、各因素间的相互关系定量表达困难之特点,作者依据灰色系统理论原理与基本方法,从已知信息(原始数据)中挖掘出有用信息,建立灰色模型,从而得到精度较高的预测值.     

基于改进灰色理论的主动配电网中长期负荷预测

摘要： 中长期负荷预测是影响主动配电网规划和调度的重要方面。从柔性负荷、分布式电源及电动汽车等主动配电网中特殊负荷入手,分析提炼负荷长期发展的影响因素;将灰色理论引入主动配电网负荷预测,分析了多变量残差修正灰色模型在计及多因素影响作用和消除累积误差方面的作用。通过具体实例计算,证实了改进灰色方法在主动配电网中长期负荷预测中的有效性和实用性。     

改进灰色模型在电力负荷预测中的应用

灰色GM（1,1）模型是一种较有效的负荷预测模型,然而由于电力负荷具有多样性,导致对某些变化规律的负荷预测误差较大,精度不能满足要求,在实际应用中具有一定的局限陛。对灰色GM（1,1）模型进行必要的改进,利用等维新信息递推模型进行负荷预测,通过实例分析表明,可提高预测的精度。     

电力系统短期负荷预报

展示了从１小时至１周内电力系统短期负荷预报模型与方法的现状及最新发展，讨论了两类八种的主要特性，指出了负荷预报精度的途径，并给出了有关的结论。     

负荷预测的变权重灰色模型及其应用

针对传统灰色预测模型GM(1,1)在电力负荷预测中存在的局限性,提出了电力系统中期负荷预测的变权重灰色模型.以河北承德为例进行负荷预测,并与指教平滑法、动平均法、二项式预测模型和GM(1,1)模型四种方法的预测结果及实际用电量进行分析比较.结果表明,该模型预测精度较高、简捷、合理、实用,可作为中期电力负荷预测的工具之一.     

基于灰色关联分析与随机森林回归模型的短期负荷预测

针对人工神经网络和支持向量机存在的泛化误差大、具有局部最优以及参数选取困难等缺点,将随机森林回归模型引入电力系统短期负荷预测,提出了一种基于相似日与随机森林回归模型的短期负荷预测方法。利用灰色关联分析法计算原始训练样本与预测日各影响因素间的关联系数,选取相似度较高的历史样本构成相似日样本集,对随机森林回归模型进行训练。将预测日的特征向量输入训练好的模型中,取所有回归树输出结果的平均值作为最终的负荷预测结果。实际算例表明,与常规支持向量机法和常规随机森林回归法相比,该组合方法可以有效地提高短期负荷预测的精度。     

基于IFOA-GRNN的电力系统短期负荷预测

考虑到电网负荷与诸多因素有关,设计了一种带有温度、气象、日期类型的广义回归神经网络（GRNN）负荷预测模型。为了提高该模型的预测精度,提出了一种改进果蝇优化算法优化广义回归神经网络（IFOA-GRNN）的方法,即在利用果蝇优化算法（FOA）进入迭代寻优时,通过改进搜索距离优化该算法的性能和稳定性。利用改进的FOA优化GRNN的光滑参数,然后利用训练好的预测模型对甘肃省某地区进行了短期负荷预测,并与FOA-GRNN和误差反向传播神经网络(BPNN)模型结果进行了误差比较。结果表明, IFOA-GRNN具有较高的预测精度,能够满足电力系统短期负荷预测的要求。     

证据理论融合蚁群神经网络的短期负荷组合预测

为提高短期负荷预测的精度,引入了证据理论融合蚁群神经网络的组合预测方法,根据重庆市负荷的实际数据,采用蚁群神经网络作为单一模型对其进行初步预测,由BP神经网络对预测误差及主要外界影响因素进行分析建模,获得了每个模型的可信度,并用证据理论对可信度进行合成得到组合权值,进而实现对短期电力负荷的组合预测。结果表明,该方法拟合误差小、预测精度高,具有一定的应用价值。     

混沌粒子群优化算法在短期负荷预测中的应用

针对短期负荷预测受气象因素影响大、传统参数辨识方法易陷入局部最优导致预测精度不高,采用外源自回归动平均(ARMAX)时间序列模型和混沌惯性权值粒子群优化算法进行模型识别.算例表明,该算法在短期负荷预测中预测精度较高,可供类似工程借鉴.     

基于粗糙集理论和遗传程序设计的短期负荷预测模型研究

利用粗糙集理论处理大数据量、消除冗余信息等方面的优势,找到了与负荷直接相关的因素。以利用遗传程序设计进行演化建模对贵州电网日96点负荷实例进行了预测,与BP神经网络法相比,本模型预测精度高,在短期负荷预测中具有有效性和可行性。     

基于改进混沌搜索的AMPSO-BP短期负荷预测

为了精准预测微电网短期负荷,采用模糊聚类方法选择相似日粗集,用灰色关联分析法选取相似日,并针对神经网络易陷入局部极小值的缺点,提出基于混沌搜索的自适应变异粒子群优化算法(AMPSO)获得神经网络最佳参数,建立AMPSO-BP神经网络短期负荷预测模型。对收集的电网数据进行试验仿真结果显示,所提方法有很高的预测精度和稳定性,在实际中有一定的应用价值。     

对灰色预测模型的分析与评价

分析了GM（1．1）模型的基本特性分析,结合电力系统负荷预报实例,对该模型作出了客观地评价．     

正交设计灰色模型在年电力负荷预测中的应用

基于正交设计和灰色系统理论．提出一种预测年电力负荷的新方法。采用新陈代谢技术和加权最小二乘参数辨识法对标准GM（1,1）模型进行改进。以背景值系数OL、建模所需数据个数m和加权参数q作为可控因素,根据专家经验设计了三因素三水平正交表。以平均绝对百分比误差为输出目标,通过信噪比分析,得出最优参数水平组合,并通过方差分析,进一步得出各可控因素对预测效果的影响程度。对2个电网的负荷进行预测,结果验证了所提方法的可行性和有效性。     

基于PSO聚类分析与BP网络的短期电力负荷预测

针对短期负荷预测特点, 提出一种基于PSO聚类分析和BP网络的短期负荷预测方法, 通过PSO聚类分析将负荷历史数据分成若干类对输入数据预处理,建立了相应BP网络模型,采用附加动量和变学习速率法预测每小时负荷.以华东某地区实际负荷预测为例,分析结果表明,该方法适应性强、预测精度高、结果满意.     

灰色理论在污垢热阻预测中的应用

由于影响换热器污垢热阻的因素较为复杂,对其预测比较困难。针对这种情况,提出了利用灰色理论对污垢热阻进行预测。通过实验表明,预测的结果和实测值能较好吻合,可以较准确地预测污垢热阻随时间的变化趋势。     

模糊划分线性回归模型在电力负荷预测中的应用

针对电力负荷中长期预测中存在大量的不确定性因素及待预测的负荷变量与关联因素无法很好地满足整个样本序列上预测变量与解释变量间的线性相关性问题,引入了模糊划分理论,构建了基于模糊有序划分的线性回归预测模型。算例应用结果表明,该模型能在较少样本数据基础上实现对电力负荷较为准确的预测,且预测精度较高。     

电力负荷灰色预测模型及性能分析（英）

本文将灰色模型GM（1,1）应用于电力负荷预测中,并对GM（1,1）模型的混沌特性进行了研究,指出了GM（1,1）模型的适用范围．