基于支持向量回归的短期负荷预测

对短期负荷特性进行分析,选取与负荷相关的气象因素、日期类型、前几日负荷作为最大(最小)负荷预测回归模型的输入。夏冬两季休息日的负荷特性与春秋两季不一致,根据气象因素修正日期类型对应的数值。采用最小二乘支持向量机(least squares support vector machine, LSSVM)建立气象因素和日期类型与最大(最小)负荷的映射关系。利用相似日法计算日负荷变化系数,在预测最大负荷和最小负荷基础上,计算预测日各点负荷。算例分析验证了本研究预测模型的有效性。     

两种基于相空间重构的电力系统短期负荷预测方法分析

短期负荷预测是电力系统调度运营部门一项重要的基础工作,预测精度的高低直接影响到电网运行的安全性、经济性以及电能质量。采用符合短期负荷特性的混沌理论对短期负荷进行预测,在相空间重构和混沌识别的基础上,建立短期负荷加权一阶局域多步预测模型和最大Lyapunov指数的预测模型,通过对一组实际的短期负荷数据进行预测,仿真结果表明:两种方法都能较准确地预测短期负荷,对于一周内的预测结果,最大Lyapunov指数预测模型的预测精度略高于加权一阶局域多步预测模型的预测精度。     

基于动态模糊神经网络的短期电力负荷预测

针对电力负荷受天气和日期影响特点,提出一种基于动态模糊神经网络的短期电力负荷预测的新方法.该算法最大的特点是模糊规则是动态变化的,通过系统误差、可容纳边界来判断系统是否需要新增一条模糊规则,使用误差下降率(ERR)修剪算法剔除对整个网络影响较小的模糊规则.该算法还使用了分级学习法让网络的学习速度大大提高.在分析了EUNITE网络提供的负荷数据基础上来进行仿真,该仿真将温度、星期、月份、节假日因素作为网络的输入向量,取日负荷峰值作为网络的输出向量.仿真结果显示取得了较好的预测准确率.     

基于统计理论的负荷特性分析及其预测

电力负荷受气象因素影响越来越大,如何准确确定气象因素是负荷预测研究的重要课题.首先采用统计学方法对影响负荷的气象因素进行分析,找到影响负荷的核心气象因索,再利用GRNN回归神经网络进行预测.经实际系统检验,证明该方法克服了传统气象负荷预测中的主观性,将气象影响因素过程量化,提高了预测结果的精度,是一种适用性很强的方法.     

基于改进K-means算法的电力短期负荷预测方法研究

现有方法预测电力短期负荷时忽略了对其进行聚类优化处理,导致预测耗时较长,短期负荷预测精度偏低.为此,提出一种基于改进K-means算法的电力短期负荷预测方法.该方法利用改进后的K-means算法聚类处理电力负荷大数据,使用聚类后获得的训练样本构建循环神经网络RNN拓扑结构,然后通过对RNN神经网络模型设置最优权值,实现...     

结合改进残差网络和Bi-LSTM的短期电力负荷预测

为充分挖掘电力负荷历史数据的潜在特征,提高短期负荷预测模型的预测精度,提出了一种由改进残差网络（ResNetPlus）、注意力机制（Attention mechanism,AM）和双向长短期记忆网络（Bi-directional long short-term memory,Bi-LSTM）结合而成的残差AM-Bi-LSTM预测模型。该模型将历史负荷、温度和所预测日期的特征作为输入,在Bi-LSTM模型基础上,引入多层改进残差网络提取输入数据的隐藏特征,有效克服了网络隐藏层数加深导致的网络退化问题,使模型的反向传播能力大幅提升;加入注意力机制,分析网络中输入信息与当前负荷的相关性并突出重要信息的影响,从而提高模型的速度与准确率;使用Snapshot策略集成收敛于不同局部极小值的多个模型,以提升模型的准确率和鲁棒性。最后,使用美国ISO-NE数据集进行模拟预测,测试结果表明:所提模型的平均预测精度达到98.27%;在连续的12个月中采用该模型的平均预测精度相比于LSTM模型提高了2.87%;在不同季节下采用该模型的平均预测精度相比于AM-Bi-LSTM和ResNetPlus模型分别提高了1.05%和1.16%。说明所提模型相较于对比模型具有较高的准确率、鲁棒性以及泛化能力。     

基于遗传程序设计方法的短期电力负荷预测

对遗传程序设计算法进行介绍,尝试将其应用到短期电力负荷预测中。先对负荷样本进行常规和滤波处理,消除伪数据,然后运用遗传程序设计的复杂表达能力,把不同日同一时刻的负荷序列作为样本,对未来负荷进行分时短期预测。该遗传程序设计方法无需考虑如温度等因素,随机常数能自动平衡与负荷有关因素的影响,并自动生成相应的数学模型,通过模型可以计算出未来时刻的负荷,有效避免了人为造成的误差,简单可行。经过和时间序列方法的预测结果进行比较,表明该方法效果较好。     

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．     

基于混沌蚁群算法的电力短期负荷预测

通过对电力负荷变化规律和影响因素的分析,提出了一种新的短期电力负荷预测模型。首先利用混沌理论将杂乱无章的历史数据进行相空间重构,找出其中的潜在规律,并粗选预测参考点;然后利用蚁群优化算法,考虑距离因素和相点演化的相关性因素,对粗选的预测参考点作进一步精选,提高其质量;最后采用GM（1,1）灰色模型得到预测日的负荷数据。实际算例验证了提出的方法具有较好的预测精度。     

Short-term load forecasting based on fuzzy neural network

The fuzzy neural network is applied to the short-term load forecasting. The fuzzy rules and fuzzy membership functions of the network are obtained through fuzzy neural network learming. Three inference algorithms, i.e. themultiplicative inference, the maximum inference and the minimum inference, are used for comparison. The learningalgorithms corresponding to the inference methods are derived from back-propagation algorithm. To validate the fuzzyneural network model, the network is used to Predict short-term load by compaing the network output against the realload data from a local power system supplying electricity to a large steel manufacturer. The experimental results aresatisfactory.     

智能组合预测法在短期电力负荷预测中的应用研究

提出将Kohonen网络、Elman神经网络和遗传算法结合起来建立一种智能组合预测模型,此模型能够综合各种单一预测模型的优点,内在结构随时间的推移不断变化,符合电力负荷的特点,提高了负荷预测的精度.文中给出了三种网络模型进行短期电力负荷预测的仿真结果比较,从而验证了智能组合预测模型的合理性和良好的应用前景.     

基于模拟退火的Gauss-Newton算法神经网络在短期负荷预测中的应用

针对一般BP网络存在的一些缺陷,首次提出了利用基于模拟退火的Gauss-Newton算法的神经网络预测电力系统短期负荷,并编制了通用程序.在相同的初始条件下,用基于模拟退火的Gauss-Newton算法的神经网络和自适应学习率附加动量法神经网络进行了比较,得出前者的特点和优点:一次性求解权值和偏差,收敛快,精度高,收敛于全局最优解.在算例中,基于人工神经网络的非线性特点进行了负荷预测,通过和真实值的比较说明本方法预测结果精度很高,从而更进一步验证了该方法应用于短期负荷预测的可靠性和优势.     

基于多尺度卷积神经网络的短期电力负荷预测

In order to improve the accuracy of short-term load forecasting of power system, a multi-scale information fusion convolutional neural network(MS-ConvNet)model based on deep learning technology was proposed. A full convolution network structure and causal logic constraints were introduced to enhance the expression of time series features; a multi-scale convolution was utilized to extract the relationship among time domain data of different lengths for obtaining more abundant series features; a residual network structure was designed to increase the network depth, which increased the acceptance domain of outputneurons and enhanced the prediction accuracy. The results show that the accuracy and stability of MS-ConvNet model is better than those of multi-layer perceptron machine, long-short term memory network and gated recurrent unit network, indicating that the as-proposed model has a good application prospect in power load forecasting.     

基于卡尔曼滤波预测节假日逐点增长率的电力系统短期负荷预测

节假日电力系统负荷打破了正常日电力负荷周期性的规律,且节假日负荷样本数据较少,用常规正常日电力负荷模型进行短期预测时,往往效果不佳。为此,提出一种基于卡尔曼滤波预测节假日逐点增长率的电力系统短期负荷预测模型,改善了由于样本数据缺少、预测时间跨度大以及与正常日负荷特性差异较大等原因导致的预测精度不理想的现象。通过对节假日负荷特性进行分析,针对不同类型的节假日建立卡尔曼滤波预测模型,在考虑各类影响负荷变化的外部因素的基础上选择节前相关日,通过预测节假日逐点增长率提高预测精度。将提出的预测模型应用于某市节假日短期负荷预测,得到的结果显示预测精度能够满足实际需要,可为相关电力部门对节假日负荷预测提供一定的参考价值。     

基于模糊组合权重的BA-SVM短期负荷预测

针对支持向量机(SVM)内部参数优化和输入量大、时间长效率低和相似日选取的问题,提出一种模糊组合权重下相似日选取的蝙蝠算法(BA)优化的支持向量机(SVM)短期负荷预测模型。相似日的选取上主要利用熵权法和加权欧氏距离的k-均值算法对影响负荷变化的因素、负荷各时刻的变化特性进行区别对待,求取二者在相似日下集合的交集,从而得到与待预测日相似度高的相似日。同时,利用BA优化后的SVM进行负荷预测,提高内部参数的选取精度和效率。将该模型与常用的PSO-SVM、GA-SVM进行比较,证明了该模型能有效提高预测精度和计算效率。 更多还原     

层次匹配范例推理在短期负荷预测中的应用

提出了一个改进的范例推理系统来解决电力系统短期负荷预测问题,该系统将范例推理、自组织映射以及模糊粗糙集方法进行了有效的结合.使用模糊粗糙集方法确定了范例的表示、组织方法，并通过自组织映射对历史范例进行聚类.将新问题所对应的范例与各个聚类中心进行匹配，得到最相似聚类，再在该聚类中进行二次匹配，对得到的最相似范例集进行重用、修正，从而得到最终预测结果.使用模糊粗糙集方法可以进行范例属性和匹配权重的合理选择，同时使用自组织映射对历史范例进行聚类，可以减少范例匹配次数和匹配时间.使用该方法不仅可以合理利用历史范例，而且可以通过属性选取、聚类来获取附加知识.实例验证和比较结果表明该负荷预测方法是有效可行的.     

基于人工神经网络的鲁棒短期负荷预测方法

提出一种用神经网络设计提前一天的短期负荷预测系统的方法.在对神经网络进行训练前,先通过一种简单的方法对数据进行了预处理,以使设计的系统具有处理由于突发事件等因素引起负荷突然变化的能力.用山东省电网2003年的负荷数据进行试验,试验结果表明方法的适用性.     

基于分段多目标相似日选取法的短期负荷预测

提出了一种基于分段多目标相似日选取算法.该方法将负荷进行分段处理,将一天的负荷根据负荷波动规律分为5段,每段分别选取相似日,可以很好地克服选择的相似日只有部分相似的情况,并提出了虚拟相似日的概念.采用负荷曲线形状相似度最大和曲线差异度最小的多目标粒子群算法,可以保证选择的相似日的负荷曲线与预测日的负荷曲线在形状上和数量上的差别最小,从而可以提高负荷预测的精度,根据该算法得到的特征系数可以很好地判断出影响该段负荷变化的主导因素.将该相似日选择算法结合改进灰色预测算法应用到某地实际负荷预测中,结果表明该算法在相似日选择和负荷预测中均具有较高的精度.     

基于K-折交叉验证和Stacking融合的短期负荷预测

短期负荷预测对于电力系统的经济调度和稳定运行具有重要意义.为了提升短期负荷预测的精度,提出基于K-折交叉验证和Stacking融合的短期负荷预测方法.首先,基于皮尔逊相关系数对影响短期负荷的多个特征进行筛选,剔除冗余特征.其次,利用K-折交叉验证法训练第一层的各个子模型,并将各个子模型的预测结果作为新特征用于训练第二层...     

基于粗糙集和主成分分析结合的短期负荷预测

采用神经网络进行负荷预测,为了进一步减少输入变量的个数,减小网络结构,在基于粗糙集理论约简的基础上,采用能消除变量间相关性的主成分分析法对负荷影响因素约简,并且通过实例研究证明了此法的有效性。