模糊数与多指标灰靶决策理论相结合的小区负荷预测方法

将模糊数与多指标灰靶决策理论相结合应用于小区负荷预测：收集各类小区负荷密度及相关因素样本,通过模糊聚类方法分析样本形成模糊负荷密度等级;根据模糊负荷密度等级和待预测小区未来相关因素,采用基于熵权的多指标灰靶决策进行小区负荷密度预测;利用类内相似度法对小区负荷密度进行修正。算例结果表明将模糊数和多指标灰靶决策理论结合起来应用于小区负荷密度预测,准确度和可信度较高。该方法将预测过程科学量化,克服了以往简单类比法主观性大的缺点。     

中性点接地方式的加权多指标区间数灰靶决策算法

中性点接地方式对配电线路故障跳闸率和各项配电网可靠性指标影响很大,通过算例比较了中性点不接地、经消弧线圈、经小电阻、经可变电抗4种接地方式对配电网可靠性指标的影响,并给出了加权多指标区间数灰靶决策算法评价4种中性点接地方式在提高配电网可靠性方面的优劣。     

电力中长期负荷模糊优选组合预测方法的研究

传统中长期电力负荷组合预测方法在确定权系数时,由于没能充分考虑各单一预测模型拟合值与历史实际值之间的多种误差信息,而使预测结果不够理想.为此,选取多种误差作为评价单一模型优劣的指标,引入多目标系统模糊优选理论,结合熵权法客观分配各种误差指标的权重,在全面考虑多种误差信息的情况下,通过求取各单一模型预测精度对“优”的隶属...     

基于模糊识别与模糊聚类理论的短期负荷预测

依据模糊模式识别、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 ,该方法具有预测精度高、误差小的优点 ,是值得广泛推广的好方法。     

电力系统中长期负荷预测的最大模糊熵模型研究

根据模糊数学理论和熵的性质，建立了应用于电力系统中长期负荷预测的模糊熵模型。该模型采用最大模糊熵的高斯聚类算法，根据历史年各项经济和人口指标，将其进行分类，然后将预测年各项指标与各类的特征指标相比较，从而预测出该年的负荷增长率。实际算例表明建立在模糊熵基础上的这种模型是有效的。     

基于改进灰靶理论的油纸绝缘状态评估

文中将改进灰靶理论应用于变压器油纸绝缘老化状态研究。首先利用回复电压法测量数据以及基于ED等效电路模型辨识相关参数,将提取的参数作为评估油纸绝缘状态的特征量;其次,针对各项特征量对于油纸绝缘老化状态影响各有不同,采用改进层次分析法—熵权法组合算法分配各特征量权重;最后,收集若干台电力变压器数据并进行油纸绝缘状态分级计算,通过实例证明了该方法能有效、合理地评估变压器油纸绝缘老化状态,为变压器状态检修提供参考。     

用改进灰靶理论评价变压器状态

对运行中的变压器进行状态评价,可以判断变压器的健康状况,从而为变压器的检修提供决策依据。针对传统评价方法的多因素性及难以确定评价指标权重等问题,提出一种基于改进灰靶理论的变压器状态评价方法。将变压器划分为6个分部件构建状态评价体系,并根据历史试验数据及指标的变化趋势采用层次分析法和熵权法获得各指标的综合权重。通过构造改进灰靶评价模型计算靶心度,再结合状态分级策略得到变压器的健康状态。将该方法应用于实际案例,评价结果表明,该方法可以快速、准确地判断变压器的运行状态,进而提高变压器的安全、稳定及经济运行水平。     

基于模糊多目标多人决策的配电网空间负荷预测

提出了一种新的空间负荷预测方法,在进行空间负荷预测用地类型决策时引入了模糊多目标多人决策。考虑各个相关空间因素,采用模糊语言算子区分各因素的相对重要程度,引入层次分析法将语言算子转化为精确权重,多个专家各自独立决策,综合考虑多人决策得到最终用地类型。多人决策降低了以往空间负荷预测用地分析的主观性,提高了预测精度。     

基于决策理论的配电网负荷预测技术

负荷密度指标法是配电网中长期负荷预测的方法之一,是通过经验或简单类比来获取负荷密度指标,但在预测过程中需要考虑许多不确定因素,预测结果受预测人员直观判断的影响较大。介绍了一种基于模糊综合评价法的负荷密度指标模型,该模型采用模糊综合评价和层次分析法的决策理论,对负荷密度指标进行选取,使负荷预测的结果更加科学合理,为配电网负荷预测提供了一种新的思路。     

基于模糊贴近度理论的负荷密度指标求取新方法

现有负荷密度指标的求取方法通常采用经验法或简单类比法,难以满足精度要求.文中引入模糊贴近度理论分类求取负荷密度指标,采用加权海明贴近度算式计算不同等级标准样本及待测区对低水平样本的贴近度,获得负荷密度指标体系划分阈值,并给出待测区参考负荷密度指标值.实例表明,该方法构建合理,概念清晰,计算简便,实用性较强.     

模糊聚类分析在分区负荷预测中的应用

分区负荷预测通常直接按行政区域划分预测区域,没有考虑同一行政区内可能存在电力负荷增长规律有较大差异的情况。通过模糊聚类的方法,按下一级行政区域中负荷变化规律的近似程度,实现新的分区,有利于改善分区负荷预测的预测效果。针对聚类过程中各项聚类指标对用电量水平影响力不同的问题,引入了加权标定方法。以苏南5市为例进行了聚类分析,其结果和实际情况相符。     

基于灰色理论负荷预测的应用研究

灰色预测系统GM(1,1)模型用于负荷按指数增长态势变化时,预测精度较高,但当影响负荷的因素较多、模型灰度较大时,精确度就不够理想。在分析灰色负荷预测模型GM(1,1)的基础上,对模型中的α参数和负荷预测差值建立了修正模型,进而修正负荷预测值,使预测精度得以提高。通过算例进行验证,说明了灰色GM(1,1)模型在某些情况下精度不高的原因,通过修正使预测精度得到较大的提高。     

改进灰色模型在中长期电力负荷预测中的应用

由于中长期负荷预测历史数据较少,而且受外界因素影响较大,因此选取合理的预测模型十分关键.灰色模型是一种比较好的预测方法,但传统的灰色预测精度不理想,为此,提出了一种改进方法,即通过对原始数据进行开次方处理来降低预测模型的模型系数,对数据进行平滑处理来削弱原始数据中异常值的影响,对灰色建模预测后作残差修正和等维新息递补处理,以进一步提高预测精度.经过对重庆地区的农村用电量预测分析表明,提出的改进方法是合理适用的,其中改进GM(1,1)模型开二次方精度最高,预测精度满足实际应用需要.     

Development of peak load forecasting system using neural networks and fuzzy theory

This paper presents a peak load forecasting system using multilayer neural networks and fuzzy theory. Electric load forecasting in power systems is a very important task from the perspective of reliability and economic operation. Daily peak load forecasting is one of the basic operations of generation scheduling for the following day. Therefore, many statistical methods have been developed and used for such forecasting even though it has been difficult to construct a proper functional model. The developed system is applied by neural network and fuzzy theory to forecast for daily, weekly and monthly peak load. The system consists of an engineering workstation (EWS) and a personal computer (PC). The EWS is for learning and data-bases, and the PC is for man-machine interface such as forecasting operation. The system has been used since June 1993. The result evaluated with an absolute mean error is 1.63 percent for 10 months. From the results shown here, the system applied by neural network and fuzzy theory has high validity.     

基于模糊神经网络的空间负荷预测小区用地分析

对配电网的空间负荷预测方法进行改进,重点研究小区用地分析的模糊推理模型,把人工神经网络技术与模糊推理系统相结合的方法应用于小区用地分析。该方法采用人工神经网络技术提取模糊规则,形成一类具有学习功能的模糊智能系统,具有自适应能力强、推理效率高及知识表达能力较强等特点。以实例验证了该方法的有效性。     

Application of fuzzy neural networks and artificial intelligence for load forecasting

An integrated evolving fuzzy neural network and simulated annealing (AIFNN) for load forecasting method is presented in this paper. First we used fuzzy hyper-rectangular composite neural networks (FHRCNNs) for the initial load forecasting. Then we used evolutionary programming (EP) and simulated annealing (SA) to find the optimal solution of the parameters of FHRCNNs (including parameters such as synaptic weights, biases, membership functions, sensitivity factor in membership functions and adjustable synaptic weights). We knew that the EP has a good capability for searching for globe optimal value, but a poor capability for searching for the local optimal value. And, the SA only had a good capability for searching for a local optimal value. Therefore, we combined both methods to obtain both advantages, and so improve the shortcoming of the traditional ANN training where the weights and biases are always trapped into a local optimum. Finally, we use the AIFNN to see if we could improve the solution quality, and if we actually could reduce the error of load forecasting. The proposed AIFNN load forecasting scheme was tested using data obtained from a sample study including 1 year, 1 month and 24 h time periods. The result demonstrated the accuracy of the proposed load forecasting scheme.     

GMDH和变结构协整理论在电力负荷预测中的应用

鉴于未考虑时间序列的非平稳性所得到的拟合方程可能出现"伪回归"而失去准确预测的能力,引入了协整理论与误差修正模型.考虑地区产业结构发生变化将导致地区用电量时间序列发生结构突变,影响平稳性检验结果的可信度,又引入了GMDH理论,自动搜索并确定结构突变点,以改进经典结构突变理论需要事先获知一些重大波动信息等主观性影响.结合上述两点,构建了基于GMDH理论的参数变结构协整模型.算例证明了该模型在电力系统的负荷预测中的适用性以及在处理"伪回归"和"样本数据结构突变"问题方面的有效性.     

灰色关联度组合权在电力负荷预测中的应用

电力负荷预测的复杂性、不确定性使传统的单一预测模型难以获得精确的结果.为提高电力负荷预测准确度,构建了一种组合预测模型.该模型综合灰色递阶模型、"S"曲线模型和逐步回归模型预测结果的过程中引入灰色关联度作为确定组合预测权重的依据,综合协调各个结果,得到更为合理的预测值.     

基于灰色和偏最小二乘方法的年度负荷预测

将偏最小二乘方法应用于年度负荷预测,可以利用有限容量样本剔除冗余信息,建立线性回归方程,但其对随机因素影响的相对重要性提升会降低预测精度.根据年度负荷以及主要影响因素的趋势变化特点,采用灰色模型对其进行模拟,以经验风险最小的预测值代替原始数据进行偏最小二乘建模,从而削弱随机因素的影响,提高预测精度.试验证明该方法有效可行.