电力负荷预测的一种综合方法

在电力负荷预测的数学方法中，有多种预测模型，因而有多个预测结果．目前还没有令人满意的方法，用来确定出其中最接近实际的结果．另外，大多数的预测样本中都存在着数据失真，直接导致预测结果失真．这些都较大地影响了预测的准确性．本文提出了一种筛选方法，对模型和样本数据进行过滤．     

基于人工神经网络的自适应电力系统短期负荷预测

基于人工神经网络的自适应电力系统短期负荷预测梁志珊，陈建华，刘哲（电力科学研究所）１引言电力系统短期负荷预测是调度部门每日必须进行的重要工作之一。日负荷预测的精度越高，越可以降低系统备用容量，减少或避免计划外开停机组。因此，负荷预测的精度将直接影响电...     

基于进化规划的电力负荷预测

讨论了模拟进化优化方法中的进化规划（ＥＰ）在电力负荷预测中的应用问题，在基因编码，适合度函数和变异量取值方面进行了研究，引入了优化组合预测模型，进一步拓展了经规划在电力系统中的应用前景，经实例计算表明，该方法不仅克服了梯度寻优可能陷于局部最优解或在接近最优解时难以收敛的缺点，上去了常规方法大量、复杂、繁琐的计算，具有全局寻优，并行处理特性、通过性好、稳定性强等优点，因而是行之有效的。     

电力负荷综合预测方法的研究

提出用自适应进化规划方法进行电力负荷综合预测，引入了优化综合模型，同时采用某地用电量进行预测分析．对进化规划的变异操作、适应度计算及竞争选择方案进行了研究．结果表明，该方法具有全局寻优、自适应性强、通用性好等优点，预测精度有了很大的提高．     

电力负荷预测技术的发展动态

在制定发电计划和电力系统发展规划过程中需要将电力负荷预测作为前提条件,若能够保证负荷预测的准确性,将会给电力系统经济、安全、可靠运行带来重要的作用.科学技术的进步和发展带来了各种形式的负荷预测方法的不断更新.基于此,本文首先阐述了电力负荷预测方法的分类,进而对电力负荷预测技术的发展动态做探讨.     

趋势外推法在电力负荷预测中的应用

研究了电力系统负荷预测的趋势外推预测技术，采用二次指数平滑技术和二阶自适应系数法进行发电量预测，并运用C语言编程，通过实际算例进行了比较分析．     

不确定输入对电力负荷预测的影响

有关天气的输入变量不确定性会造成较大的预测偏差．新方法比使用多层感知器的网络有更；住确的预测均值，这个新方法包括传统的训练后的神经网络和用来计算预测负荷的均值及置信区间的一组方程。     

趋势外推法在电力负荷预测中的应用

研究了电力系统负荷预测的趋势外推预测技术,采用二次指数平滑技术和二阶自适应系数法进行发电量预测, 并运用 C 语言编程,通过实际算例进行了比较分析．     

趋势外推法在电力负荷预测中的应用

研究了电力系统负荷预测的趋势外推预测技术,采用二次指数平滑技术和二阶自适应系数法进行发电量预测,并运用C语言编程,通过实际算例进行了比较分析.     

合肥地区短期负荷预测及误差分析

电力系统规划和运行调度都应以对未来电力负荷的预测为依据。电力的生产和消费是同时进行的，任意时刻都必须保持二者之间的平衡。负荷预测偏低会引起电力供应紧张，电能频率下降，供电可靠性下降；负荷预测过高将会导致发电过剩，系统频率上升，并造成发输电设备不能充分利用，影响系统的经济发展。因此，电力系统负荷预测是电力系统规划和运行调度的重要组成部分。     

优化灰色模型在中长期电力负荷预测中的应用

论述了用优化灰色理论进行电力系统中长期负荷预测的建模过程。通过对原始负荷数据的预处理,把有起伏特性的原始数据序列,变成性强的序列,再利用改进的ＧＭ（１,１）模型进行预测,可以大大提高预测精度和灰色方法的适应范围,而且简捷实用。经实验算例校核证明,该方法可以作为中长期电力经实际算例校核证明,该方法可以作为中长期电力负荷预测的理想工具。     

一种电力系统短期负荷预测的RBF优化算法

针对径向基函数网络在电力系统短期负荷预测中的应用，将神经网络训练的冲量改进算法运用到径向基函数网络的训练中，提高了训练收敛速度和精度，详细介绍了短期负荷预测的建模过程，实验表明该优化算法能有效改善预测性能。     

一种计及横向误差校正的短期负荷预测方法

负荷预报模型由于只能对负荷规律性进行有限描述而在建模域中存在建模误差,在预报域中,与建模误差具有相同统计特性的误差分量就会延续到预报误差中。将频谱分析预测方法与基于灰色理论横向误差校正方法相结合,由频谱分析预测方法进行纵向预测,利用预测时刻之前的整点时刻负荷预测的误差来建立灰色理论模型进行负荷预测的横向误差校正,并对灰色校正模型分点的判断方法作了改进,所提方案在短期负荷预测中的性能良好。     

采用神经网络进行电力系统短期负荷预测的一种降维方法

提出一种采用神经网络进行电力系统短期负荷预测的降维方法。该方法将每天的L个时刻负荷数据降维处理为少数几个持征参数，利用人工神经网络预测待测日的这些参数，以及参照日负荷为依据进行负荷预测。该方法提高了预测精度和速度，预测实例表明该方法的有效性。     

基于CEMD-CNN-LSTM的中长期电力负荷预测

针对诸多复杂因素影响电力负荷在中长期运行阶段中的预测准确度的问题,提出一种卷积神经网络（CNN）与长短期记忆网络（LSTM）混合的预测算法,从而达到优化负荷预测性能的目的。CNN-LSTM混合预测算法利用模态分解法将负荷数据进行分解,并将其转化为本征模态分量IMF及残差两个部分。同时,引入k均值聚类方法,确定最优聚类标签,搭建神经网络并完成数据输入。在形成特征向量的过程中,运用神经网络挖掘数据间的各类特征并进行预测。最后,采用线性相加的形式处理预测结果,获取预测负荷。仿真结果表明了CNNLSTM混合预测算法在预测速度与精度上的性能更为优越。     

采用神经网络与模糊曲线相结合的短期电力负荷预测方法

文章提出了一种神经网络(ANN)与模糊曲线(Fuzzy Curve)有机结合的短期负荷预测方法,该方法采用ANN作为基本负荷预测,再用模糊曲线考虑影响负荷变化的因素(如天气的迅速变化、重大节假日等),对基本负荷预测做出修正,从而得到最终的负荷预测值。同时,针对传统BP学习算法的缺点,将BP算法和模拟退火算法的优点相结合以提高网络的学习性能。实例表明,该ANN—FC模型实用有效、精度高。     

不确定输入对电力负荷预测的影响

有关天气的输入变量不确定性会造成较大的预测偏差 .新方法比使用多层感知器的网络有更准确的预测均值 ,这个新方法包括传统的训练后的神经网络和用来计算预测负荷的均值及置信区间的一组方程 .     

短期电力负荷组合预测方法研究

为了解决短期电力负荷不同预测方法的预测角度片面性、预测精度差等问题,提出了基于小波神经网络(WNN)的组合预测模型.首先用小波神经网络预测模型和历史平均模型分别进行预测,然后再通过小波神经网络对两单一模型的预测值进行组合.相比BP神经网络组合模型,该组合预测模型的预测精度大大提高.该模型同时引入模糊聚类分析的方法选取组合模型的训练样本,减少了训练样本的冗余性,提高了预测模型的精度.