基于可加性模糊系统的负荷时间序列预测

本文依据可加性模糊系统理论，提出了一种新的预测方法，利用聚类方法与有监督学习相结合的训练方法，提高了系统的函数逼近能力。仿真结果表明，系统学习速度快、预测精度高，在电力负荷时间序列预测中获得相当满意的结果。     

一种电力系统短期负荷预测的新方法

依据模糊聚类理论,提出一种短期负荷预测的新方法,应用相应的隶属度来描述负荷与影响负荷因素之间的关系。实践表明：该方法可以较多的考虑各种影响因素,从而较大地提高了预测的精度。     

基于模糊聚类的神经网络短期负荷预测方法

针对电力负荷的特点，综合考虑天气、日类型、历史负荷等对未来负荷变化的影响，提出了一种新的短期负荷预测方法。通过模糊聚类选取学习样本，采用反向传播算法，对24点每点建立一个预测模型。该方法充分发挥了神经网络和模糊理论处理非线性问题的能力，提高了学习效能，在负荷平稳的季节和负荷波动较大的季节都具有较好的预测精度。     

一种基于模糊逻辑和神经网络的短期负荷预测的方法

应用模糊理论、人工神经网络等智能技术,确定了有效的电力系统短期负荷预测方法,其中着重考虑了天气因素对电网负荷的影响,采用了具有高度非线性映射能力的人工神经网络与具有较强结构性知识表达能力的模糊逻辑相结合的算法来预测负荷,经初步测试表明,该方法具有良好的预测精度。     

电力负荷短期预测的模糊专家系统修正方法

针对人工神经网络短期负荷预测方法的不足,考虑天气中的日平均气温,天气状况以及特殊事件等影响负荷变化的主要因素,利用专家经验,模仿专家处理问题的方法,设计了一个模糊专家系统,对负荷预测结果进行修正,以提高负荷预测精度,通过合理选择模糊推理规则的原因,有效地减少了规则的数目,使得人工总结专家经验并确定模糊推理规则成为可能,减少了计算量,提高了算法速度。     

电力系统短期负荷预测的模糊神经网络方法

针对电力系统短期负荷预测问题，考虑到气象因素对负荷的影响，提出了一种模糊神经网络的短期负荷预测方法，首先根据评价函数选取相似日学习样本，然后利用隶属函数对影响负荷的特征因素向蜈的分量进行模糊处理，采用反向传播算法，对24点每点建立一个预测模型。提高了学习效能，本方法适合在短期负荷预测中使用，具有较好的预测精度。     

电力系统短期负荷预测的模糊神经网络方法

针对电力系统短期负荷预测问题,考虑到气象因素对负荷的影响,提出了一种模糊神经网络的短期负荷预测方法,首先根据评价函数选取相似日学习样本,然后利用隶属函数对影响负荷的特征因素向量的分量进行模糊处理,采用反向传播算法,对24点每点建立一个预测模型,提高了学习效能,适合在短期负荷预测中使用,具有较好的预测精度。     

基于人工神经网络的短期负荷预测

通过仿真实验得出要提高电力系统负荷预测精度必须采用两个隐层的结论。为了避免由此而引起训练时间的增加，必须适当地限制ANN输入变量的数目，提出了一种类似于相似日方法的方法。采用某种差异评估函数，寻找最有可能与预测日负荷相似的某些天，再用ANN予以修正。     

基于模糊聚类识别及统计相关的短期负荷预测

应用模糊聚类理论，通过对负荷历史数据进行聚类和隶属度分析，依据模糊聚类和模糊模式识别、类别（或级别）变量特征值与概率统计相关分析等模型，根据模糊聚类参数与预测因子的前期特征值，确定相应的类别变量特征值，建立类别变量特征值与预测对象之间的相关关系，利用此相关关系进行负荷预测。应用隶属度来描述负荷与影响负荷因素之间的相关关系，可以同时考虑多种影响负荷因素，在算法上只是隶属度矩阵的阶数发生变化，预测过程简单明了。实践结果表明，此方法具有较高的预测精度，能较好地适应不同地区的负荷特性。     

智能化的短期负荷预测系统

应用模糊逻辑系统、人工神经网络和模糊专家系统等智能技术风云地某省电网设计出的具有自学习和自适应能力的短期负荷预测软件包,主要用于自负荷曲线的预测,指导生产计划制定和调度安排。该软件包是基于Ｗｉｎｄｏｗｓ的应用程序,具有开放式的结构和友好的人机界面。试用结果表明,该系统在进一步完善后,可望实际应用于地区和省网调度系统中。     

基于贝叶斯理论和在线学习支持向量机的短期负荷预测

该文将贝叶斯理论用于短期负荷预测(STLF)中输入特征的自适应选取。该理论将所有能够获得的信息，包括样本信息和先验知识结合在一起加以利用，不但避免了过拟合问题，而且简化了预测模型。文中同时建立了基于支持向量机(SVM)在线学习的短期负荷预测模型。在充分利用SVM解的稀疏性并结合KKT条件的基础上，以递增和递减算法可直接得到新的回归函数而无需重新训练，从而提高了一般SVM方法进行负荷预测的计算速度。多个实际系统的预测算例表明了该方法在预测精度和预测速度方面的有效性。     

基于人工神经网络和模糊推理的短期负荷预测方法

电力系统短期负荷预测是电力系统调度部门制定发电运行计划的依据，也是制定电力市场交易计划的基础。人们提出了许多种短期负荷预测方法，如时间序列法、状态空间法、人工神经网络法等，但是这些方法都无法精确地描述电力负荷模型。在对大量历史负荷数据进行统计分析的基础上，作者提出了一种基于人工神经网络和模糊推理的预测新方法，其中首先根据实际经验将负荷日类型划分为周一、工作日、周六、周日和节假日5种类型；然后根据不同的类型日建立相应的人工神经网络模型用以预测负荷归一化系数，最后通过模糊推理策略预测日最大负荷和日最小负荷。实际算例表明，所提出的方法能够提高短期负荷预测的精度。     

基于负荷趋势的新型超短期负荷预测法

结合浙江电力发电市场超短期负荷预测的需求,在充分分析电网负荷特性的基础上,提出了基于负荷趋势的新型超短期负荷预测法.该方法简单实用,并将负荷伪数据的判别和加工修改融合在预测过程中.算例分析表明,该方法预测结果误差分析指标优于浙江发电市场中现行的各种超短期预测方法,是一种工程实用性较强的方法.     

基于确定性退火方法的短期负荷预测

首次将确定性退火方法用于短期负荷预测领域。该方法利用分片回归模型逼近预测函数,并通过引入“熵函数”限制模型规模。其优点是模型简洁灵活、预测能力强并具有良好的全局最优性能,从而克服了目前正 在使用的前向网、径向基函数网、分类回归树及多重自适应样条和模糊逻辑方法分别欠灵活且易于陷入局部极值点的缺陷。实际算例表明,对于短期负荷预测问题,确定性退火方法的预测精度高于前向网和径向基函数网等方法。     

一种实用的超短期负荷预测曲线外推方法

超短期负荷预测对电网功率平衡控制具有重要作用。文中针对超短期负荷预测特点,提出一种基于曲线模式分析的曲线外推方法,并讨论了历史坏数据处理以及对当前负荷水平的特殊处理等实用性问题,以保证预测结果的稳定性。通过对几个实际系统的应用结果表明,该方法速度快,精度高,运行稳定可靠,同时具有较强的适应性。     

基于遗传算法的短期负荷组合预测模型

给出电力系统短期负荷的固定权系数组合预测模型－－基于遗传算法的组合预测模型。为增加样本的多样性、避免陷入局部极小,中对遗传算法每代的相同或相近个体作等适应值变换,改进后的遗传算法具有更好的全局优化特性。利用改进的遗传算法确定组合预测模型的权系数,然后进行负荷预测。计算结果表明,该方法是实用和有效的。     

短期负荷预测最大李亚普诺夫指数法的改进

现有采用最大李亚普诺夫指数法进行负荷预测的3种改进技术为:应用待预测点对应的时间窗口上的最大李亚普诺夫指数估计(变化的数值),可以获得更高的准确率;应用"气温-负荷"相关系数等,改进"取舍规则":应用多个"邻近矢量"预测增加抗噪声能力.以此构造的2类改进预测方法是:采用"变最大李亚普诺夫指数、改进的取舍规则以及多邻近矢量"预测法;采用"多邻近矢量对应的1步负荷加权"预测法.后者还可用于非混沌序列预测.数值计算还表明,将原始负荷按照素数间隔抽样,可以进一步提高预测准确率.     

基于最大信息熵原理的短期负荷预测综合模型

引入了信息理论来研究和处理负荷变化的不确定性，提出了基于最大信息熵原理的短期负荷预测综合模型，该模型将各种单一预测模型的预测结果以及历史预测误差分布作为约束信息，利用最大熵原理得到预测结果的分布。文中阐述了新模型的应用背景、思路和理论，给出了具体的实现方案和算法，并在实际电网中得到了应用。针对实际电网的算例研究表明，对于随机性较大的电网负荷，传统综合预测模型存在明显的过拟合现象，而新模型则有效地提高了预测精度。     

短期负荷预测的综合模型

进行实际短期负荷预测时,对某个固定的地区,用不同预测方法可能得到不同的预测结果。文中基于对这些不同的预测结果的分析,提出了以得到一个唯一的综合预测曲线为目标的优化模型。根据模式识别的基本原理,这个新型以待预测民历史日绵最佳匹配为原则,通过虚拟预测结果与实际负荷曲线数据的误差平方和的最小化,可以得到综合模型中各种单一预测结果所占的权重值大小。实际算例研究表明,综合模型的预测结果优于各种单一方法的预测     

基于模糊推理系统的多因素电力负荷预测

在多因素负荷预测的建模中，模糊推理系统是一种较为有效的方法。输入变量选择和输入空间划分是模糊建模的基础，也是难点所在。数据挖掘中的分类思想有助于解决此问题。文中采用分类和回归树(CART)算法对解决这一问题进行了尝试，并构造ANFIS网络进行参数辨识。建模过程几乎完全基于数据进行，不需要人工的过多干预，保证了模型能客观地反映相关变量与负荷值之间的复杂关系。用该方法与普通BP算法分别对浙江省多地区进行了一个月的日负荷预测实例分析，该方法较好的收敛性和预测精度说明，CART算法与ANFIS相结合，是基于数值的模糊建模的一种有效方法。