用自适应神经元网络进行短期电力负荷预测

本文提出了一个用来进行电力负荷预测的基于自适应卡尔曼滤波算法的人工神经元网络（ＡＮＮ）。给出了网络算法和它的改进形式。在预测过程中，权值按最近的负荷行为自适应改变。测试结果表明，该方法具有较高的精度和较快的速度。     

一种基于小波神经元网络的短期负荷预测方法

小波神经元网络比多层前馈神经网络具有更多自由度和更好的适应性.为更好地反映气象因素对负荷的影响及提高负荷预测的精度,文章选用Morlet小波构建小波神经元网络,采用误差反传学习算法来训练网络,采用自学习隶属度分析聚类的新方法选择训练样本.并应用武汉电网近年的负荷数据和气象资料进行了建模和预测,预测结果表明所建立的小波神经元网络预测模型具有较好的收敛性,采用自学习隶属度分析聚类方法选择训练样本能改善预测精度.     

基于改进回归法的电力负荷预测

提出了一种基于改进回归法的电力负荷预测方法,在对历史数据进行分析和参数估计的基础上,先用岭回归法剔除奇异值,再用主成分回归法提取影响负荷的主要因素,得出模型的解析形式。针对实际系统的应用验证了该方法不仅适用于短期负荷预测,也适用于超短期负荷预测。此外建立了一些特定因素的模糊函数,在超短期负荷预测过程中采用了聚类分析法提取负荷相似日。通过不同的简化,该方法可蜕化为传统的Kalman预测、相似日预测和神经网络预测,是一种比较全面的负荷预测方法,可得出高精度的预测结果。     

电力系统短期负荷预测的混合模型神经元网络方法

提出了一种将线性模型方法和神经元网络方法相结合的负荷预测方法－－混合模型神经元网络方法。该方法将一部分线性变化的负荷分量用线性模型描述,其它发量用神经元网络建立,国而同时具有线性模型的优点和神经元网络的优点。交过一方法用于江苏省连云港市超前２４小时负荷预测,取得了比单纯的神经元网络模型高的预测精度。     

最小概率最大化回归方法在电力负荷中期预测中的应用

提出使用最大化最小概率机器回归MPMR方法来解决电力负荷中期预测问题，结合EUNITE网络2001年举办的电力负荷预测比赛提供的数据进行相关数据分析，建立相应的电力负荷中期预测模型。在分析最大化最小概率机器MPM及用于回归的原理的基础上，使用MPMR方法对不同的训练样本集进行训练，并计算出预测期的预测值，取得了理想的预测结果。核函数形状参数p及回归管道宽度8的选取将直接影响MPMR回归技术的系统性能，试验中使用了交叉验证的方法确定这2个参数值。通过交叉验证求得，当核函数形状参数和回归管道宽度取值都为3时预测效果更为理想。文中对试验结果进行分析，并与相关向量机等其它方法比较，总结了MPMR预测方法的特点。     

基于负荷分类的短期负荷预测方法分析及应用

针对目前短期负荷预测准确率不高的情况,以秦皇岛电网为例,介绍典型日负荷曲线特点和分类,分析各类负荷曲线的特点及其适合的预测方法,提出基于负荷分类的短期负荷预测方法,并结合实例,验证了该方法的实用性.     

回归直线在电力中期负荷预测中的应用

电力负荷预报,是为电网规划、电网拓展、电源合理增长、最佳投资时间等提供决策依据,以获得最大的社会和经济效益。在社会主义市场经济条件下,配合回归直线对中期负荷预报提供了一种预测方法。     

基于改进模糊回归分析法的负荷预测

对电力系统的负荷预测问题进行了研究,并提出了一种改进后的模糊回归分析算法。该方法利用模糊预测法和回归分析法各自的优点,按不同情况下两种方法的重要程度,用区间层次分析法赋以灵活可调的权重值。通过算例验证,此方法适合于中长期电力系统负荷预测。     

用向前神经元网络进行短期负荷预测的方法

构造一个向前神经元网络，并以福建电网历史负荷数据为样本点，用反传学习法对网络进行学习训练，得到一个短期负荷预测的神经元网络，用该网络对未来２４小时的负荷进行预测，其预测值的平均百分比误差在２％以内，精度优于传统的负荷预测法。     

基于弹性系数的电力系统短期负荷预测方法

针对电力系统负荷变化具有明显的分形自相似性的特点，提出了一种新的基于弹性系数的短期负荷预测方法。运用此方法对实际负荷进行预测，通过对预测结果的各种性能指标的分析，表明此方法具有较高的预测精度，尤其是提高了双休日的预测精度，从而为特殊假日的负荷预测提供了新思路。     

免疫前馈神经网络在电力负荷预报中的应用

提出了用免疫算法优化前馈神经网络,将网络结构、激活函数和训练方法等编码作为个体,进行免疫操作,得到最优或次优解.克服了对网络结构、激活函数和训练方法的确定没有可循规则的问题,应用于电力系统负荷预报,取得了比由经验确定的前馈神经网络更好的效果.     

神经网络短期负荷预报模糊化改进

提出了一种简洁实用的基于模糊集的神经网络电力系统短期负荷预报方法 ,计及了天气和日期特征量 ,具有较高的预测精度。采用两种学习算法 ,用实际数据对ANN进行了训练 ,通过比较得出了优化模型。计算实例表明用该方法是可行的、有效的     

天气敏感型神经网络在电网短期负荷预测中的应用

针对运城地区电网易受气象影响的特点，应用了一种具有天气敏感性的基于快速反应BP算法的神经网络预测模型，模型中合理地考虑了影响负荷变化的气温和降水量等主要气象因素，使其能够适应天气的变化。对运城地区的实际负荷进行预测，结果较好地满足了现场要求．从而验证了该模型和算法的有效性。     

基于GRU-NN模型的短期负荷预测方法

目前基于统计分析和机器学习的预测方法难以同时兼顾负荷数据的时序性和非线性特点。文中提出了一种基于GRU-NN模型的短期电力负荷预测方法。该方法基于深度学习思想处理不同类型的负荷影响因素,引入门控循环单元(GRU)网络处理具有时序性特点的历史负荷序列,建模学习负荷数据内部动态变化规律,其输出结果与其他外部影响因素(天气、日类型等)融合为新的输入特征,使用深度神经网络进行处理,整体分析特征与负荷变化的内在联系,最后完成负荷预测。以美国某公共事业部门提供的公开数据集和中国某地区的负荷数据作为实际算例,该方法预测精度分别达到了97.30%和97.12%,并与长短期记忆神经网络、多层感知机以及GRU神经网络方法进行对比,实验结果表明所提方法具有更高的预测精度和更快的预测速度。     

基于RBF神经网络的短期负荷预测

针对BP网络的缺陷,提出了一种基于RBF神经网络的短期负荷预测方法,利用遗传算法训练神经网络,使神经网络以较快的收敛速度和较大的概率得到了最优解。实例研究结果表明该方法可以取得较高的预测精度。     

基于Dropout-ILSTM网络的短期电力负荷预测

针对传统BP神经网络难以处理电力负荷数据间关联的问题,提出了一种基于Dropout的改进的长短期记忆神经网络结构用于短期电力负荷预测.这种改进的长短期记忆神经网络(Improved LSTM,ILSTM),通过将长短期记忆网络的多个时间步输入与输出矢量进行全连接,增强了对目标系统中线性成分的表征;使用Dropout 对...     

基于局部均值分解与神经网络的短期负荷预测

短期负荷预测是电力系统调度和运行的基础,为了提高电力系统短期负荷预测的精度,提出了基于局部均值分解和人工神经网络的电力系统短期负荷预测方法。该方法首先对负荷序列进行局部均值分解,针对分解后具有不同特点的各PF分量设定具体的神经网络参数进行预测,将各分量的预测结果进行重构得到最终的预测结果。仿真实验表明,LMD-BP神经网络的预测方法与传统的EMD-BP神经网络方法相比具有更高的预测精度,同时也验证了该方法的实用性和有效性。     

基于CNN-LSTM混合神经网络模型的短期负荷预测方法

为了更好地挖掘海量数据中蕴含的有效信息,提高短期负荷预测精度,针对负荷数据时序性和非线性的特点,提出了一种基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合模型短期负荷预测方法,将海量的历史负荷数据、气象数据、日期信息以及峰谷电价数据按时间滑动窗口构造连续特征图作为输入,先采用CNN提取特征向量,将特征向量以时序序列方式构造并作为LSTM网络输入数据,再采用LSTM网络进行短期负荷预测。使用所提方法对江苏省某地区电力负荷数据进行预测实验,实验结果表明,文中所提出的预测方法比传统负荷预测方法、随机森林模型负荷预测模型方法和标准LSTM网络负荷预测方法具有更高的预测精度。     

神经网络在电力系统短期负荷预测中的应用综述

神经网络是目前研究最多的短期负荷预测方法。详细综述了BP网络、RBF网络以及小波神经网络在电力负荷预测领域的研究和应用现状。简单介绍了神经网络中常用的BP算法以及改进的BP算法。综述了神经网络在组合预测中的应用，并指出目前神经网络还存在的一些问题。     

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。