基于ART算法的电力负荷预测

为了有效支持用电管理决策及负荷预测,在分析用电管理及智能辅助决策支持技术发展现状的基础上,提出了一种基于自动回归树(ART)算法的电力负荷预测方法.利用该预测方法对电力远程自动抄表系统所采集的历史数据进行了处理分析.针对实际系统应用,验证了该方法适用于短期负荷预测,也适用于时未来电力负荷的准确快速预测.因此它是一种行之有效的方法.     

基于高斯过程回归的电力负荷预测算法

针对基于传统算法的电力负荷预测方法误差大的问题,本文提出一种基于高斯过程回归的负荷预测算法。算法首先利用电量数据当作高斯过程回归的学习样本,并构建电力负荷预测模型,然后采用遗传算法对超参数进行优化,避免用共轭梯度法优化超参数的缺点。最后,利用测试集对该模型性能进行实验测试。基于某地区的电网数据的仿真显示,基于高斯过程回归的负荷预测算法比神经网络和支撑向量机算法的预测精度更高。     

基于模糊集理论的短期电力负荷预测

利用BP神经网络进行电力系统短期负荷预测，应用模糊集理论将天气、温度等敏感因素模糊化后作为BP神经网络的一部分输入进行训练，构造了相应于不同季节的预测模型，预测未来一天12小时负荷。典型算例的计算表明，该方法是有效的。     

空间电力负荷预测方法综述与展望

随着社会的发展,科技的进步,电力企业开始对电力系统实施精细化管理,而电力系统精细化管理的规划工作主要是依靠空间电力负荷预测来进行,所以空间电力负荷预测问题成为当中重要的研究课题。本文结合该领域当中的研究成果,针对空间电力负荷预测进行了更深层次的探索,对如今现有的各种空间电力负荷预测方法进行分析,并提出几点意见以供参考。     

基于Attention-LSTM的电力负荷自动预测方法

电力负荷预测方法异常数据筛选能力较差,导致预测精度较低,为此,基于Attention-LSTM研究一种新的电力负荷自动预测方法,构建ZigBee组网协议下的数据采集信息组网,采集电力负荷原始数据,建立自动预测模型,将电力负荷数据输入到数据处理模块中,构建模态序列,将各个子序列中的模态分量结果重组叠加,得到电力负荷功率的预测结果。实验结果表明,该方法能够筛选出绝大部分异常数据,异常数据筛选率在90%以上,预测精度在99%以上,预测时间低于15 s。     

一种基于GRU神经网络的电力负荷预测

针对电力负荷序列不稳定且传统的神经网络在电力负荷预测中预测精度较低等问题,提出了门控循环单元神经网络(Gated Recurrent Unit Neural Network,GRU)负荷预测的方法.利用python编程语言在Tensorflow框架在搭建门控循环单元神经网络,将影响电力负荷的特征数据输入模型中进行训练....     

基于粗糙特征量的短期电力负荷预测

针对负荷特征一直是实际电力负荷预测中的重大问题。提出了基于粗糙特征量的约简算法。通过对天气及负荷历史数据进行挖掘,找到负荷的关键特征,并与径向基网络结合建立了负荷预测模型。算例结果表明,与按经验选取输入的传统网络相比,预测准确度有了明显的提高,更适用于电力负荷预测。     

基于改进RBF神经网络的电力负荷预测

为了提高电力系统负荷预测的精度与速度的需求,提出使用交替梯度算法改进径向基函数(RBF)神经网络,对天津市电网进行负荷预测。改进的算法与传统梯度下降算法相比,具有更快的收敛速度和更高的预测精度。仿真结果表明该算法具有可行性。     

基于特性融合的电力负荷模型的建立与仿真

目前电力系统领域的基础研究与难点是电力负荷模型的建立,针对现有的电力负荷建模方法存在复杂、泛化能力弱或精度低的缺点,提出一种基于特性融合的电力负荷模型建立方法。该方法在深入分析电力负荷成分的基础上揭示了其一些基本特性,如静态、动态特性,退出、重启特性,从而构成负荷的综合特性,最终融合生成综合负荷模型。所提出的方法结合总体测辨法与统计综合法的优点,能够同时基于负荷的成分与量测信息对电力负荷复杂特性进行全面的描述,并最后通过算例仿真验证了该方法的有效性。     

基于联想神经网络算法的电力系统负荷预测

基于神经网络可以模仿人脑进行智能化信息处理,对大量非结构性、非确定性规律具有自适应功能,将人工神经网络的预测原理应用于电力系统负荷预测中。分析了负荷预测的基本概念,以及基于神经网络的预测原理中正向和逆向建模的基本结构,研究了联想神经网络优化算法。设计了电力系统负荷预测模型,并对系统进行仿真测试,试验结果表明,基于联想神经网络优化算法的电力系统负荷预测具有提高预测精度的效果。     

基于蚁群算法的电力负荷组合预测

为了提高负荷预测的准确性,引入了优化组合预测模型,将几个电力负荷预测模型有机地结合起来,通过综合各个预测模型的优点,得出更为准确的结果。文中采用改进蚁群算法作为优化方法,并用实例证明,基于改进蚁群算法的电力负荷组合预测方法,运算速度快,预测精度高,相对误差小,有一定的实用价值。     

天气因素在短期电力负荷预测中的应用

为了更有效地提高地区电网短期负荷预测的精度,提出基于BP人工神经网络原理,利用神经网络高度非线性建模能力,根据电力系统短期负荷变化的特性,建立了既反映电力系统负荷连续性、周期性及其负荷变化趋势,又包含天气因素变化对系统负荷影响的天气因素敏感模型,并对岳阳地区短期负荷进行预测,预测结果表明天气因素应用于电力系统短期负荷预测后使预测精度明显提高,故这种方法是可行和有效的。     

基于MRA与回归分析法的短期电力负荷预测

为提高电力系统短期负荷预测准确度,首先利用多分辨分析的小波变换对短期电力负荷序列进行分解处理,根据其在小波各尺度上子序列的特性分别进行回归预测,再将预测结果进行小波重构,得到了满意的预测结果。     

基于改进XGBoost算法的电力中长期负荷预测

为提高电力中长期负荷预测的精度,提出一种基于改进XGBoost算法的负荷预测方法。首先考虑影响负荷的多种因素,提取特征向量;其次,利用XGBoost方法对特征变量的相关性进行计算和选择;最后,基于特征选择后的负荷数据,构建XGBoost电力中长期负荷预测模型。在某地区真实历史负荷数据集上的实验结果表明,相较于LASSO等传统负荷预测方法,所提出的方法能够显著降低平均绝对误差（Mean Absolute Error,MAE）等多种预测误差指标。相较于原始XGBoost方法,所提方法的MAE值降低了9.35%,平均绝对百分误差（Mean Absolute Percentage Error,MAPE）值降低了8.89%,均方误差（Mean Square Error,MSE）值降低了22.66%,均方根误差（Root Mean Square Error,RMSE）值降低了12.07%,验证了所提方法能够有效提升电力中长期负荷预测精度。     

基于LSTM的短期电力负荷预测算法研究

基于组合预测方法的研究思路,在LSTM神经网络的基础上,引入强化学习思想,采用简化的Inception网络结构,构造成隐藏状态矩阵,实现LSTM网络的改进与优化,并据此构建短期电力负荷预测模型.实验结果表明,与DBN、RBF等网络模型相比,基于强化学习的改进LSTM网络模型可更好地捕捉依赖信息,具有更高的短期负荷预测准...     

农村居民用电负荷预测方法的探讨

农村居民用电市场,受近年来国家新农村建设、农村经济发展、家电下乡政策等因素的影响,用电增长水平持续保持两位数增长。农村电网面临较大程度压力,负荷承载能力、电压维持能力显现不足。对农村用电市场特别是农村居民用电市场的负荷进行科学合理的预测,分析研究农村居民用电负荷的特点,为农村电网发展规划,改造建设提供基础数据具有重要意义。     

基于时间序列算法计算用电异常的研究

电力监察部门会根据抄表的电量和用户实际的缴费情况以及线损等数据来核算用户是否存在窃电的行为。文章以用户历史用电量的经验值为基础,通过分析探讨用户习惯用电行为的特征以及采集到的实际数据进行分析对比,通过时序算法对有用电异常的用户进行计算,按照用电异常度从高到低进行排序,以辅助电力相应工作人员采取科学手段进行处理。     

基矛FPGA的简易逻辑分析仪设计

基于数字信号采集及数字示波器存储显示原理,并以AT89S52单片机和现场可编程门阵列（FPGA）组成的最小系统为核心．采用数字信号发生器模块、由模拟开关和A／D采样组成的信号并行采集电路、触发模块、数据储存模块和显示电路等构成简易逻辑分析仪。该分析仪的功能全面,价格低,能实时分析8路数字信号,具有很高的实用价值。