小波包变换在冲击负荷地区短期负荷预测中的应用

针对大量冲击负荷接入系统给负荷预测造成困难,提出一种基于小波包变换的电力系统短期负荷预测新方法:通过小波包变换将负荷序列分解成不同频率的负荷子序列,根据负荷分量不同的变化特点,分别采用相匹配的模型进行预测,最后叠加各子序列的预测值,得出实际预测结果。选择广东某电网实测负荷数据作为算例,仿真结果表明该方法能有效提高冲击负荷地区的短期负荷预测精度。     

小波包变换在冲击负荷地区短期负荷预测中的应用

针对大量冲击负荷接入系统给负荷预测造成困难,提出一种基于小波包变换的电力系统短期负荷预测新方法:通过小波包分解将原始负荷序列分解成不同频率的子序列,根据各个子序列的变化特点,分别采用相匹配的模型进行预测,最后叠加各子序列的预测值,得出实际预测结果。选择广东某电网实测负荷数据作为算例,仿真结果表明该方法能有效提高冲击负荷地区的短期负荷预测精度。     

基于Mallat算法的日负荷预测实用方法研究

小波变换在时域和频域都具有良好的局部化性质,在电力系统负荷预测中得到了广泛应用。小波变换的实质是卷积运算,在负荷预测过程中存在边界效应,降低了预测的精度。本文采用阈值处理和差分补偿数据延拓方法对原始数据进行处理,然后采用Mallat分解算法对处理后的负荷序列进行分解,针对电力负荷为随机序列的特点,利用时间序列法的随机模型对小波子序列分别进行预测,最后采用Mallat重构算法对预测结果进行重构,提出了一种基于Mallat算法的负荷预测实用方法。算例结果表明该方法有效地减小了边界效应对预测结果的影响,针对具有随机序列特点的电力负荷的预测具有良好的计算精度。     

基于Mallat算法的日负荷预测实用方法研究

小波变换在时域和频域都具有良好的局部化性质,在电力系统负荷预测中得到了广泛应用.小波变换的实质是卷积运算,在负荷预测过程中存在边界效应,降低了预测的精度.本文采用阈值处理和差分补偿数据延拓方法对原始数据进行处理,然后采用Mallat分解算法对处理后的负荷序列进行分解,针对电力负荷为随机序列的特点,利用时间序列法的随机模型对小波子序列分别进行预测,最后采用Mallat重构算法对预测结果进行重构,提出了一种基于Mallat算法的负荷预测实用方法.算例结果表明该方法有效地减小了边界效应对预测结果的影响,针对具有随机序列特点的电力负荷的预测具有良好的计算精度.     

考虑积温效应的短期负荷组合预测方法

给出了积温效应的量化公式,提出了考虑积温效应的小波变换与神经网络负荷组合预测方法.该方法首先通过小波变换,把负荷序列分解为不同频段的趋势性负荷子序列和细节性负荷子序列;采用BP神经网络对各子序列分别进行建模和预测,对趋势性负荷子序列加入了积温系数等特征参数;最后由小波重构得到负荷序列的最终预测结果.该方法考虑了积温效应...     

基于à Trous小波变换与多核SVM的电力短期负荷预测方法

提出了一种基于à Trous小波变换与多核SVM的电力短期负荷预测方法.应用à Trous小波变换将负荷时间序列分解为近似分量和细节分量,并选择不同尺度核的SVM对分解后的数据进行预测,然后将预测后的数据进行合成,得到多尺度负荷预测结果.运用该方法对实际负荷数据进行了1步预测和2步预测,数据实验表明,最大的RMSE误差为1.82,与标准BP神经网络相比,文中所提方法具有更高的预测精度和更好的泛化能力.     

基于小波变换和遗传算法优化神经网络负荷预测

提出了采用小波变换和遗传算法优化神经网络的混合模型对电力负荷进行短期预测。首先通过小波变换,将原始负荷序列分解到不同的尺度上,然后根据不同的子负荷序列的特性分别建立相匹配的神经网络模型,采用遗传算法优化各神经网络模型的初始权值,最后对各分量预测结果进行重构得到最终预测值。采用成都某地区2009年的实际负荷对所提方法进行验证,实验结果表明基于该方法的负荷预测系统具有较高的预测精度。     

基于小波变换和支持向量机的电力系统短期负荷预测

提出一种改进的基于离散小波变换和支持向量机的短期负荷预测方法。运用离散小波变换将负荷时间序列分解为高低频子序列,采用目前较为成熟的支持向量机方法,选择适当的参数对每个序列进行滚动式的单支预测,最后将各分支预测结果相加最终实现负荷预测。实例中负荷数据采用四川省某地区的历史负荷,对该地区的日96点负荷进行全年预测,并将该算法与支持向量机算法进行比较,结果表明,该算法具有较高预测精确性。     

基于小波变换和支持向量机的电力系统短期负荷预测

提出一种改进的基于离散小波变换和支持向量机的短期负荷预测方法.运用离散小波变换将负荷时间序列分解为高低频子序列,采用目前较为成熟的支持向量机方法,选择适当的参数对每个序列进行滚动式的单支预测,最后将各分支预测结果相加最终实现负荷预测.实例中负荷数据采用四川省某地区的历史负荷,对该地区的日96点负荷进行全年预测,并将该算法与支持向量机算法进行比较,结果表明,该算法具有较高预测精确性.     

基于小波分析的电力系统短期负荷预测方法

在分析电力负荷频谱特性时发现负荷信号的变化过程具有连续频谱的特性。该文在此基础上提出一种基于小波变换的电力系统短期负荷预测新方法：通过小波变换，将各序列分量分别投影到不同的尺度上，对不同的子负荷序列进行数据处理，并分别采用相匹配的模型进行预测，最后退过小波重构，得到完整的负荷预测结果。算例计算表明新方法具有较高的预测精度和较强的适应能力。     

基于小波变换的ARMA-LSSVM短期风速预测

对风电场风速的准确预测,可以有效减轻并网后风电对电网的影响,提高风电市场竞争力。提出将时间序列自回归滑动平均模型（Auto Regressive Moving Average, ARMA） 与最小二乘支持向量机模型（Least Square Support Vector Machine,LS-SVM）相结合的混合模型短期风速预测方法。采用小波变换（Wavelet Transform,WT）方法将历史风速序列分解成具有不同频率特征的序列。根据分解后各分量的特点,对于低频趋势分量选取LS-SVM方法进行预测,而高频波动分量则选取ARMA模型进行预测,采用小波重构得到最终预测结果。仿真实例表明,不同的预测方法整体的预测精度不同,而混合模型预测的均方根误差最低为11.5%,与单一预测方法相比,混合模型提高了预测精度。     

基于小波变换及最小二乘支持向量机的短期电力负荷预测

提出了采用小波变换和最小二乘支持向量机混合模型进行电力系统短期负荷预测的方法。首先基于小波多分辨率分析方法将负荷序列分解成具有不同频率特征的序列：然后根据分解后各分量的特点构造不同的支持向量机模型对各分量分别进行预测：最后对各分量预测信号进行重构得到最终预测结果。在构建支持向量机模型时考虑了气候因素的影响，并将其作为模型的一组输入点。实验结果表明基于该方法的负荷预测系统具有较高的预测精度。     

小波模糊神经网络在电力系统短期负荷预测中的应用

该文研究了基于小波模糊神经网络的电力系统短期负荷预测新方法。根据小波变换自适应可调时频窗的特点，利用小波分析对负荷样本做序列分解，对高尺度负荷分量采用常规预测方法，其他负荷分量则采用模糊神经网络处理技术，最后通过序列重构，得到完整的负荷预测结果。算例计算表明，新方法具有较高的预测精度和适应能力。     

应用于月度用电量预测的小波分析法

月度用电量预测是中期负荷预测的主要内容,也是制定月度发电规划的基础。文中以美国亚利桑那州为例,采用小波分析法,首先使用小波变换获得若干个采样点减少一半的小波系数;然后分别对各系数插零、重构,恢复到原数据的长度;最后采用RBF神经网络对恢复长度的各系数进行预测。该方法将月度用电量的时间序列分解成趋势项和波动项,分别进行预测,提高了预测精度。     

基于小波分解和人工神经网络的短期负荷预测

提出了一种基于小波分解和人工神经网络(ANN)的电力系统短期负荷预测方法.通过小波变换把负荷序列分解为不同频段的子序列,再对这些子序列分别采用相匹配的人工神经网络模型进行预测,最后综合得到负荷序列的最终预测结果.在所提出的方法中小波分解能够提取负荷的一些周期性和非线性特征,并对其进行进一步细分,根据其子序列各自所具有的规律采用相应的预测方法;而ANN对于处理非线性及无法显示明确规律的问题具有优势.经实例验证,与传统方法相比该方法具有很高的预测精度和较强的适应能力.     

基于二维小波变换的短期负荷预测

根据电力负荷的周期性与随机性,提出了基于二维小波变换和最小二乘支持向量机的电力系统短期负荷预测方法。首先构造负荷序列二维矩阵,利用二维小波变换将负荷矩阵分解为基荷低频、每天变化的高频、每个时刻变化的高频、随机干扰四个分量,根据重构后负荷分量的特点,构造不同的最小二乘支持向量机模型进行预测;最后将预测后的数据进行叠加得到预测结果。实际预测结果表明该方法具有较高的预测精度和较强的适应能力。     

基于功率谱分解和实时气象因素的短期负荷预测

提出了基于功率谱分解和实时气象因素的短期负荷预测方法,采用快速傅里叶变换(fast Fourier transform,FFT)对负荷序列进行变换得到功率谱,依据变换结果分析功率谱得出负荷基频、低频和高频分量的频率范围,采用有限脉冲响应(finite impulse response,FIR)滤波器从负荷中分离出各 个负荷分量。分析各个负荷分量的特点,针对各个负荷分量分别设计预测模型,对基频分量采用Elman回归神经网络进行预测,这部分较好地反映出基频分量的时间序列特性;对低频和高频分量分别采用自适应线性回归神经网络进行预测,在对这部分分量的预测中重点引入实时气象因素,以利用最新的气象信息提高预测精度。通过在某地区的实际应用证明了所提出方法的有效性。