改进粒子群算法在中长期电力负荷组合预测模型中的应用

为提高电力负荷预测的精度,提出了基于改进粒子群算法的电力负荷组合预测模型求解方法.该方法以回归分析、比例系数、灰色模型为基础建立负荷组合预测模型,利用改进粒子群算法优化组合预测模型的权值,并与单个预测模型进行比较.预测结果表明,基于改进粒子群算法的电力负荷组合预测模型运算速度快,预测精度高,相对误差小.     

层次分析法在电力负荷组合预测中的应用

应用组合预测理论,引入层次分析法(AHP)建立了电力负荷组合预测的结构模型,利用AHP的1～9标度,计算相应权重,对电网负荷进行预测,从而获得电力负荷预测的满意解及推荐值.     

非平均权重条件下电力负荷组合预测模型研究

在对电力负荷进行预测过程中,单一的预测模型往往会出现拟合能力低和预测精度不高的缺陷,而且多个预测模型的简单组合也是一种相对粗略的预测方法。本文将非平均权重法运用于电力负荷组合预测模型中,以某省2000~2011年电力负荷为例,结果表明非平均权重的电力负荷组合预测模型的拟合方差比单项预测模型以及平均权重下的组合预测模型都小,而且预测精度更高。     

基于神经网络最优组合预测在电力负荷预测中的应用

为提高负荷预测的准确性,引入了最优组合预测模型,使几个电力负荷预测模型有机地结合起来.针对最优组合预测模型权重分配时出现的负权重问题,建立了基于神经网络的最优组合预测模型,通过实例论证,该模型具有较高的预测精度.     

灰色模型GM(1,1)及其改进模型在短期特殊日电力负荷预测中的应用

讨论了灰色模型GM (1 ,1 )及其改进模型在短期电力负荷预测中的应用 ,采用ARI MA(p ,d ,q)模型与GM(1 ,1 )改进模型对特殊日电力负荷进行组合预测 ,提出了适合电网特殊日电力负荷预测的数据处理方法 ,提高了预测的精度 .准确度可达 95 %以上 ,解决了每日2 4点正点采样情况下预测精度较低的问题 .     

基于组合电力负荷预测模型的电力经济调度研究

根据武汉地区近10 a电力负荷使用情况对武汉供电公司电力负荷预测进行研究,以此为经济调度及负荷管理提供依据.选用基于GM(1,1)模型和一元线性回归法的组合负荷预测模型.对武汉地区每月最大负荷进行预测;算例证明组合预测模型有效提高了电力系统负荷预测能力,且证明了该组合电力预测模型对发电量预测同样具有可行性.     

GM(1,1)改进模型在广西短期电力负荷预测中的应用

采用GM(1,1)改进模型与ARIMA(p,d,q)模型对广西自治区电网特殊日电力负荷进行组合预测,阐述了GM(1,1)改进模型的建立方法,提出了适用于广西自治区电网特殊日电力负荷预测的预测数据处理方法,提高预测的精确度,全年日精确度优于95%.解决了在日采样点为24点(正点采样)情况下预测确度较低的问题.     

组合优化灰色模型在中长期电力负荷预测中的应用

鉴于中长期负荷预测受很多不确定因素的影响，各种预测方法都有其局限性的问题，在分析基本灰色模型及其传统改进模型在负荷预测中局限性的基础上，提出了一种电力系统中长期负荷预测的实用新方法——组合优化灰色预测法.该预测法是一种对残差改进灰色模型(GM)和基于等维新息递补预测法的改进灰色模型进行优化的组合方法，能够实现在线预测模型参数，满足动态电力负荷能解决随机干扰影响的要求，最终的预测结果误差可基本控制在3%之内. 经过实例计算，组合优化灰色预测模型用于中长期电力负荷预测，与传统的系统理论方法相比较，该方法计算简捷，预测精度高，具有很好的实用性.     

组合模型在中期电力负荷预测中的应用

为了对中期电力负荷进行合理预测,结合三次指数平滑法和GM(1,1)预测模型,建立了新的组合模型,并以预测偏差平方和最小为准则优化了各单一模型的权重.通过MATLAB编程并以某市全年用电量为例对3种方法的预测精度进行了仿真验证.结果表明,组合模型具有更高的预测精度和更低的预测误差,能避免各单一预测模型的局限性.因此,用组合模型对未来用电量进行预测的结果更可靠.     

基于萤火虫算法改进BP神经网络的电力用能行为预测方法

针对BP神经网络由于随机初始化权重和偏置导致对用电情况预测的误差偏大且容易陷入局部最优的问题，提出了一种利用萤火虫算法对BP神经网络的权重和偏置进行优化的电力用能行为预测方法.该方法基于用户不同时间段的用电量数据提取时间序列特征，并采用K-means聚类算法对用电行为类似的用户进行聚合及分析，从而建立电力负荷预测模型对每类用户的负荷加以预测.实验结果表明，基于萤火虫算法改进BP神经网络预测模型的均方根误差以及平均绝对误差百分比均低于BP神经网络模型，能够合理地对电力用能行为进行预测.     

多因素支持向量机模型在江苏省中长期电力负荷预测中的应用

为提高电力负荷预测的准确性,建立了多因素支持向量机负荷预测模型,运用影响因素和历史负荷向量进行智能预测,明显提高了预测值误差精度,实证结果表明,利用该模型对电力负荷进行预测,可得到有效可靠的结果.     

风电机组气动载荷控制策略

针对风电机组在风切效应影响下,较大尺寸的桨叶会加剧风轮所承受的不平衡气动载荷问题,提出了基于改进离散模糊控制的同步变桨距和基于桨叶方位角权系数分配的独立变桨距联合控制策略.通过主动变桨距控制来实现风电机组输出功率的稳定,同时降低风轮所承受的轴向气动载荷.仿真结果表明,此联合控制策略在风电机组的额定工作区间,不仅可以使风电机组的输出功率稳定在额定功率附近,而且还可以有效地抑制其轴向气动载荷,也直接证明了所提出的控制策略的有效性.     

电力系统负荷预测的可调灰色模型及其应用

本文对电力系统负荷预测的普通灰色模型进行了可调性改进,成为可调灰色预测模型,减少了建模的限制条件,应用范围更加广泛,可以控制、调整预测结果,使精度提高。文中对江苏省无锡市电力负荷使用四种预测方法比较,从理论和应用两方面证实了可调灰色模型明显的实用性。     

基于粒子群BP神经网络的短期电力负荷预测

电力负荷预测通常采用神经网络方法,该方法训练时间较长,并且由于负荷受到气象因素影响,该算法预测的精度不是很高.为了克服当前存在的问题,采用粒子群算法优化BP神经网络的权值和阈值,归一化处理气象因素,利用神经网络预测短期电力负荷.实验结果表明,该方法比单纯BP神经网络预测具有明显优势.     

证据理论组合模型用于三维荧光光谱水质分析

为了充分利用三维荧光光谱信息,提高分析模型对水质综合指标的预测精度及稳健性,提出了一种基于D-S（Dempster-Shafe）证据理论的模型组合方法。传统的模型组合方法主要依赖于对某个单一的预测性能评价指标进行优化来确定组合权值,没有对多个性能指标进行综合性考虑。将三维荧光光谱看作多个不同波长的激发光照射下的发射光谱,基于每个发射光谱建立子模型,将多个性能指标作为证据,确定子模型的概率分配函数,然后基于DS证据合成理论对子模型的可信度进行评价并确定组合权值。实验以40个不同来源的地表水样本为研究对象,建立组合分析模型,对总有机碳值（TOC）进行定量分析。实验证明,组合模型相对于子模型而言各个评价指标均有较大提高,充分说明了该方法的有效性。     

基于趋势变化分段的电力负荷组合预测方法

提出了一种基于趋势变化分段的电力负荷组合预测方法,该方法基于趋势变化与加权组合的思想,有效提高了电力负荷的预测精度。在充分研究电力负荷“三峰三谷”变化特性的基础上,将电力负荷变化曲线划分为六个时段,每个时段均采用线性回归法、趋势变化法、BP神经网络和支持向量机的加权组合预测方式,并基于最小二乘法的思想,求解得到了模型最优参数。最后以苏北某地区的电力负荷预测为例进行了分析,结果表明该方法预测电力负荷的平均相对误差为2.83%,精度高,在电力系统具有较好的应用价值,从而验证了该方法的有效性与可行性。     

一种组合预测模型及其应用

在分析宏观经济灰色预测模型、BP神经网络预测模型、回归分析预测模型等基础上,结合西安市宏观经济预测模型指标GDP的历史数据,采用最小二乘法求权系数的方法,建立并检验了一种组合预测模型．实验证明该模型的预测精度有显著提高．     

基于改进灰色模型的电力负荷中长期预测

基于电力系统中长期负荷预测的特点,针对常规灰色预测模型存在的不足,提出一种基于数据平滑处理,以及线性回归残差修正的改进灰色预测方法。对某地区算例比较和分析表明,本方法可明显提高中长期负荷预测精度。