联合灰色模型和神经网络的短期电力负荷预测

电力负荷受温度、湿度等因素影响,因而呈现出典型的非线性和随机性特征,传统单一模型存在预测精度低,泛化能力弱等问题,为此提出一种联合灰色模型(Grey Model,GM)和BP神经网络的组合模型实现对短期电力负荷的高精度预测.GM在小样本、贫信息条件下具有较强的预测能力,但是面对非线性问题时表现不佳,而BP神经网络具有强...     

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。     

基于小波变换与支持向量机的短期电力负荷预测

利用多分辨分析的小波变换对短期电力负荷序列进行分解处理，将负荷序列投影到不同的尺度上，对各子负荷序列根据其特性采用不同的支持向量机进行训练和预测，最后把各预测的结果叠加得到完整的负荷预测结果。算例结果表明该方法同支持向量机的方法相比较具有较高的预测精度和较强的适应能力。     

变结构组合预测方法在短期电力负荷预测中的应用

采用变结构组合预测方法建立短期电力负荷预测模型。变结构组合预测对多种预测方法进行整合,使得在不同的预测阶段,最优的预测方法发挥的作用最大,使预测精度大大提高。     

基于VMD-GRU的电力短期负荷预测方法

针对电力短期负荷的非平稳性影响预测精度的问题,文中提出一种基于变分模态分解(VMD)和门控循环单元(GRU)的电力短期负荷预测方法。首先,利用VMD对电力负荷数据进行分解,得到一组比原始负荷数据更具有规律性的模态分量;然后,采用GRU网络学习每一模态分量动态变化特征,并对该分量进行预测;最后,将每一分量的预测结果叠加,得到最终的预测结果。采用LSTM、GRU、EMD-LSTM、EMD-GRU、VMD-LSTM、VMD-GRU预测模型进行对比实验,得出VMD-GRU模型的平均绝对百分误差仅为2.081%。实验结果表明,所提的基于VMD-GRU的方法可以有效地提升电力短期负荷预测精度。     

电力短期负荷预测模型与软件开发

本文应用模糊理论,人工神经网络等智能技术,确定了有效的电力负荷短期预测算法,其中着重考虑了天气因素对电网负荷的影响,并开发了实用化的负荷在线预测软件,该软件是基于Windows的应用程序的,具有开放式的结构和友好的人机接口。可用于每小时或每15分钟的负荷预测,测试结果表明,该方法具有良好的预测精度。     

基于灰色径向基神经网络模型的流量预测与分析

根据神经网络能有效修正灰色预测模型的思路,本文提出了基于灰色系统及径向基神经网络的组合预测模型。通过采集园区节点交换机的流量数据,在分析网络流量时间序列特性的基础上建立灰色GM（1,1）模型,并采用径向基神经网络对预测模型残差进行修正。实验结果和仿真实验表明,组合模型效果及预测精度远优于单一灰色预测模型。     

小波变换与PAR方法在负荷短期预测中的应用

小波变换具有很多良好的性质,它能任意提取负荷序列的细节。针对负荷序列以天、周、年为周期的变化特点,引用小波变换算法对负荷进行了不同频段上的分解,然后利用能够准确描述数据周期性变化的PAR模型对负荷进行短期预测,建立了基于小波变换的PAR模型。实验证明,这种预测方法非常有效。     

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。     

Short-term electric power load forecasting using feedforward neural networks

Abstract: This paper presents the results of a study on short‐term electric power load forecasting based on feedforward neural networks. The study investigates the design components that are critical in power load forecasting, which include the selection of the inputs and outputs from the data, the formation of the training and the testing sets, and the performance of the neural network models trained to forecast power load for the next hour and the next day. The experiments are used to identify the combination of the most significant parameters that can be used to form the inputs of the neural networks in order to reduce the prediction error. The prediction error is also reduced by predicting the difference between the power load of the next hour (day) and that of the present hour (day). This is a promising alternative to the commonly used approach of predicting the actual power load. The potential of the proposed method is revealed by its comparison with two existing approaches that utilize neural networks for electric power load forecasting.     

基于神经网络的电力负荷预测方法研究

电力负荷预测易受到高频、低频和超低频振荡干扰,导致预测准确性不高,提出基于神经网络的电力负荷预测方法。在无线ZigBee组网协议下进行电力负荷传感器信息组网,构建电网负荷数据采集模型并进行模型修正。根据电力负荷数据采集结果,去除高频、低频和超低频振荡干扰因子。进行神经网络样本数据训练,去除冗余数据,输出电网负荷数据集合。对获得的数据集采用神经网络分类器进行分类融合处理,根据电力负荷数据的融合结果实现电力负荷预测。仿真结果表明,采用该方法进行电力负荷预测的准确性较高,预测过程的抗干扰性较好,在电力负荷的实时监测和信息调度中具有很好的应用价值。     

基于灰色小波的网络流量组合预测模型

为了更准确的预测网络流量和刻画流量特性,提出了一种基于小波变换理论与灰色理论的组合预测方法.该方法拟合了小波分解的平稳化处理优点和灰色预测中的平移处理优点,根据提出的预测方法建立了基于灰色小波的网络流量预测模型.首先对分解后的时间序列分别进行平移预处理,然后对预处理后的序列数据进行预测并重构,从而得到原始时间序列的预测值.对实际的采集数据进行仿真实验,仿真结果表明,该方法预测效果良好,优于一般小波预测方法.     

基于双时间序列神经网络的短期电网负荷预测

短期电网负荷预测是电网安全运行和经济调度的基础。现有预测方法存在对节假日预测不准确,不利于系统化等问题。根据短期负荷周期性变化的特点,创造性地提出双时间序列神经网络模型。同时为了克服实际温度数据缺失问题,提出一种新的温度量化方法。在广东省某地区的实际应用表明,该方法对于普通日和特殊日都取得了有较好的预测精度。     

基于最大偏差相似性准则的BP神经网络短期电力负荷预测算法

针对企业电力负荷随机性强、稳定性低、预测精度不理想等问题,提出了一种基于最大偏差相似性准则的BP神经网络短期电力负荷预测算法。首先对最大偏差相似性准则算法进行修改,并提出使用预测日的负荷特征向量与最大偏差相似性准则算法聚类之后的类中心负荷特征的距离来确定预测日的相似日类别;然后将聚类后的相似日类别负荷数据作为BP网络的训练数据,输出预测日起始的连续三天96整点负荷值。实验表明,该方法提出的短期电力负荷预测方法在精度和网络训练时间上都有较大的提升,具有较高的有效性和实用性。     

改进GA-BPNN在短期电力负荷预测中的应用

为了避免传统方法预测短期电力负荷建模复杂性,将改进遗传算法（GA）和误差反向传播（BP）算法相结合构成的混合算法用于训练人工神经网络,结合电力负荷历史数据,对短期电力负荷进行仿真预测。仿真结果表明,该混合算法有效地解决了常规BP算法学习网络权值收敛速度慢、易陷入局部极小和GA算法独立训练神经网络速度缓慢等问题,具有较快的收敛速度和较高的预测精度。     

考虑广义需求侧资源的深度置信网络短期负荷预测方法

随着智能电网信息化水平的不断提高以及可控负荷、分布式电源和储能等广义需求侧资源的大量接入,将产生海量负荷数据集并改变负荷特性.为了提高负荷预测精度,提出了一种考虑广义需求侧资源的深度置信网络(DBN)负荷预测方法.首先,借助负荷聚合商确定了广义需求侧资源参与电力市场的机制,构建了基于合同的广义需求侧资源调度模型,并利用该模型求解广义需求侧资源参与电力市场的最优调度计划.其次,引入DBN结构,并将广义需求侧资源的最优调度计划作为其输入量,建立了短期负荷预测模型.最后,以实际数据进行仿真测试,结果表明,本文所提方法具有更高的预测精度.     

基于包容性检验和证据理论的短期负荷预测

为了提高短期负荷的预测精度,提出一种包容性检验和证据理论的短期负荷组合预测模型(ET-DS).分别采用多个单一模型对短期负荷进行预测,采用包容性检验选择最合适的单一模型,利用证据理论获取单一模型的权值,实现短期负荷的组合预测,并采用短期负荷数据对模型性能进行仿真测试.仿真结果表明,相对单一模型及其它组合模型,ET-DS组合模型更加准确刻画了短期负荷变化趋势,提高了短期负荷预测精度,预测结果可为电力规划提供有价值参考意见.     

最大Lyapunov指数短期电力负荷预测模型仿真

已有的研究工作表明,针对Lyapunov指数预报模式的预测时限受负荷吸引子最大Lyapunov指数的限制,已提出的k△t间隔采样混沌模型在短期电力负荷预测中能有效的提高负荷预测精度,增加预测时限.对k-△t间隔采样混沌模型中求解最大Lyapunov指数的方法进行了改进,对小数据量法产生的数据,引入数据间隔差方法求出最佳拟和数据段.利用VC6.0设计了仿真软件,对某实际电网进行了短期负荷预测,试验结果表明,能有效提高负荷预测精度.     

短期负荷预测Volterra滤波器模型

讨论依据相空间邻近轨道演化相似性的特点构造训练模式,建立短期负荷预测Ｖｏｌｔｅｒｒａ滤波器模型的问题．以距离相似度和趋势相似度来衡量电力负荷吸引子轨道的相似度,提出了电力负荷吸引子邻近轨道判别的新方法．从模型训练充分性的角度出发,探讨了模型训练集规模的选择依据．仿真结果表明该模型是有效的．