基于神经网络的电力系统短期负荷预测

介绍了短期负荷的特点,深入分析了温度、降雨量、时间等因素对负荷的影响。应用BP神经网络,建立了充分考虑各种因素的日最高负荷预测和日平均负荷预测模型,最后通过贵阳城南分局历史负荷进行验证,表明本论文所建立的神经网络预测模型充分考虑了各种负荷因素影响,预测精度良好,具有较好的非线性映射能力,有进一步开发应用于实际预测的良好前景。     

基于神经网络的电力系统短期负荷预测研究

电力系统负荷预测是电力生产部门的重要工作之一，作者利用BP神经网络进行电力系统短期负荷预测，在保证有足够的训练样本的前提下，对预测模型进行合理分类，构造了相应于不同季节的周预测，日预测模型，并对输入变量的选择，特别是温度的选取问题，进行了讨论，在神经网络训练的过程中，往往会出现过拟合的现象，给预测的结果带来不利的影响，为此在训练过程中，将样本随机地分离为训练集和测试集来防止这个问题，典型算例的计算表明，该方法是有效的。     

基于神经网络的电力系统短期负荷预测

电力系统短期负荷预测是电力生产部门的重要工作之一,利用BP神经网络进行电力系统短期负荷预测时,根据影响因素确定了模型构成,并对输入变量选择进行了讨论,典型算例的计算表明该方法是有效的.     

基于BP神经网络的电力系统短期负荷预测

电力系统短期负荷预测直接影响电力企业的经济效益。对此,选择预测日前一天的电力负荷和阴晴、温度、湿度等气象特征数据作为网络的输入,预测日当天的电力负荷作为输出,建立了电力系统短期负荷BP神经网络模型。用历史负荷数据作为训练样本,对BP神经网络预测模型进行训练,用训练好的神经网络进行电力系统短期负荷预测。用真实历史数据对新疆某地区进行了电力系统负荷短期预测,结果表明,预测结果与实际值比较接近,1 d96个采样点的负荷预测平均准确率为98.45%。     

遗传神经网络在电力系统短期负荷预测中的应用

为了克服传统BP神经网络中存在的一些缺陷,实现准确、快速预测电力系统负荷的目的,作者通过将遗传算法与神经网络结合,构造了一种遗传神经网络来进行电力系统短期负荷预测,方法的思路是：首先,利用遗传算法有指导地计算神经隐层节点数,从而确定一个较合理的神经网络结构;其次,由遗传算法从初始权值的解群中选取出一个优秀的初始权值,克服初始权值选取的盲目性;最后,将得到的神经网络结构和优秀的初始权值结合起来,利用改进的BP算法进行电力系统短期负荷预测,仿真计算表明该方法达到了提高预测精度和改善网络性能的要求。     

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。     

基于遗传优化神经网络的电力系统短期负荷预测

电力系统短期负荷预测是电力系统运行管理和实时控制所必须的基本内容,预测结果的准确性对电力系统的安全、优质,经济运行具有重要意义。通过非参数预测法建立电力系统短期负荷预测模型,以此作为Elman神经网络训练的样本集,实现网络样本设计、结构设计与网络训练,充分发挥Elman神经网络动态特性,将改进的遗传算法和Elman神经网络相结合,通过选择,交叉、变异等遗传操作,实现了神经网络权值优化。采用基于遗传优化神经网络的电力系统短期负荷预测新算法,提高了负荷预报精度,具体算例证明了算法的可行性和有效性。     

基于遗传优化神经网络的电力系统短期负荷预测

电力系统短期负荷预测是电力系统运行管理和实时控制所必须的基本内容,预测结果的准确性对电力系统的安全、优质,经济运行具有重要意义.通过非参数预测法建立电力系统短期负荷预测模型,以此作为Elman神经网络训练的样本集,实现网络样本设计,结构设计与网络训练,充分发挥Elman神经网络动态特性,将改进的遗传算法和Elman神经网络相结合,通过选择,交叉、变异等遗传操作,实现了神经网络权值优化.采用基于遗传优化神经网络的电力系统短期负荷预测新算法,提高了负荷预报精度,具体算例证明了算法的可行性和有效性.     

基于人工鱼群算法神经网络的电力系统短期负荷预测

人工鱼群算法是一种新型的寻优策略,文中将人工鱼群算法用于RBF神经网络的训练过程,建立了相应的优化模型.依据人工鱼群算法的神经网络,提出一种短期负荷预测的新方法,实践表明:该方法具有预测精度高、误差小的优点,是值得广泛推广的好方法.     

模糊集理论在电力系统短期负荷预测中的应用

由于模糊系统能够在任意精度上一致逼近任何定义在致密集上的非线性函数,具有从大量数据中提取相似性的强大能力,且能同时利用数据信息和语言信息,因此模糊集理论在电力系统短期负荷预测中得到了越来越广泛的应用。文中对模糊集理论应用于电力系统短期负荷预测中的研究现状进行了综述,包括模糊集理论分别与专家系统、传统的预测技术、人工神经网络相结合在短期负荷预测中的应用,以及模糊逻辑系统在短期负荷预测中的应用,并指出     

基于混合神经网络的短期电力负荷预测方法

电力负荷预测对电网的经济运行至关重要,为提高短期负荷预测精度并降低混合神经网络模型的训练时间,提出了一种基于多层感知器（MLP）的基础子网、简单循环单元（SRU）与主成分分析（PCA）的短期电力负荷预测模型。首先,考虑影响电力负荷变化的各种因素,建立负荷预测输入特征集;其次,利用PCA对输入网络的部分特征进行变换并降维;最后,将经过PCA处理后得到的全新数据信息作为模型的输入,并结合Adam梯度下降算法进行训练,输出负荷预测的结果。通过仿真实验结果表明,包含SRU的混合模型在全部测试集样本上的MAPE为2.126%,远低于仅有子网的单一模型与包含DNN的混合模型,而与包含LSTM的混合模型相比,训练时间却降低了22.74%,同时PCA的应用也使得模型的收敛速度加快,极大地减小了训练轮数。     

基于RBF神经网络的短期负荷预测模型设计

在分析了某地区日平均负荷曲线的年周期性、周周期性、日周期性的基础上提出了每日24个整点负荷值的分段预测模型。根据该模型建立相应的RBF神经网络进行预测。并将预测结果与实际负荷值、由传统的BP网络模型得到的结果分别进行了对比分析,表明这种模型结合RBF神经网络的预测效果具有较高的精度,具备了一定的实用价值。     

基于多神经网络融合的短期负荷预测方法

为了利用不同深度神经网络的优势,提高深度学习算法对短期负荷的预测能力,提出一种基于多神经网络融合的短期负荷预测方法。以电力系统历史有功负荷、季节、日期类型和气象数据为输入特征,并行架构的深度神经网络和注意力机制网络为核心网络;以并行架构中的卷积神经网络通道提取静态特征,门控循环单元网络通道挖掘动态时序特征,采用注意力机制网络融合提取的特征并动态调整网络对不同特征的依赖程度;使用Maxout网络增强网络整体的非线性映射能力,通过全连接网络输出预测结果。与支持向量机、长短期记忆网络的算例结果对比表明,所提方法具有更高的预测平稳性和准确性。     

基于神经网络-模糊推理综合模型的短期负荷预测

针对由于神经元网络泛化能力不足等原因造成的预测精度不高甚至出现坏数据从而难以适用于负荷波动厉害的电网情况，提出一种基于神经网络-模糊推理综合模型的短期负荷预测方法。该方法结合了神经网络和模糊推理的优点，通过模糊推理来修正神经网络输出的预测结果，能有效地提高预测精度。特别是对于受天气影响比较明显而天气变化又比较剧烈的电网，能有效防止不合理预测结果的出现。在武汉电网的实际运行情况说明了本算法的有效性。     

基于CNN-SAEDN-Res的短期电力负荷预测方法

基于深度学习的序列模型难以处理混有非时序因素的负荷数据,这导致预测精度不足。提出一种基于卷积神经网络(CNN)、自注意力编码解码网络(SAEDN)和残差优化(Res)的短期电力负荷预测方法。特征提取模块由二维卷积神经网络组成,用于挖掘数据间的局部相关性,获取高维特征。初始负荷预测模块由自注意力编码解码网络和前馈神经网络构成,利用自注意力机制对高维特征进行自注意力编码,获取数据间的全局相关性,从而模型能根据数据间的耦合关系保留混有非时序因素数据中的重要信息,通过解码模块进行自注意力解码,并利用前馈神经网络回归初始负荷。引入残差机制构建负荷优化模块,生成负荷残差,优化初始负荷。算例结果表明,所提方法在预测精度和预测稳定性方面具有优势。     

基于同伦神经网络的短期负荷预测研究

将同伦方法引入到神经网络的学习训练中,提高了神经网络的学习效率,较好地解决了BP神经网络收敛速度慢和局部极小值等问题.同伦神经网络具有稳定性强,收敛性好的特点,用这种神经网络进行了电力系统短期负荷预测,算例表明了网络收敛快、预测精度高的优越性.     

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 2 4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。     

一种基于RAN和专家系统的短期负荷预测方法

结合神经网络和专家库系统对地区电网进行短期负荷预测,利用神经网络的非线性函数逼近能力进行基本负荷预测,在此基础上结合天气专家库系统再进行负荷调整。此方法已用于地区电网负荷预测,预测结果表明此方法是实用有效的,精度满足实用要求。     

基于改进粒子群算法优化LSTM的短期电力负荷预测

电力负荷数据具备时序性和非线性特征,长短时记忆神经网络(LSTM,long short-term memory)可以有效处理上述数据特性。然而LSTM算法性能对预置参数具有极大的依赖性,依靠经验设定的参数会使模型具有较低的泛化性能,降低了预测效果。为解决上述问题,提出非线性动态调整惯性权重粒子群算法(NIWPSO,nonlinear dynamic inertia weight strategy particle swarm optimization)与LSTM相结合的预测模型NIWPSO-LSTM。利用非线性动态调整惯性权重的方法来提升PSO的全局寻优能力,再通过NIWPSO对LSTM的参数进行优化。实验结果表明,NIWPSO-LSTM预测精度要远高于其他模型,验证了所提方案的可行性。