基于WT-IPSO-BPNN的电力系统短期负荷预测

鉴于短期负荷预测精度对电力系统安全、经济和可靠运行的重要性,为提高预测精度,本文提出了基于小波分解(WT)、改进粒子群算法(IPSO)和BP神经网络的组合预测模型.首先运用小波分解对负荷数据预处理,将历史数据分解成cd1、cd2、cd3以及ca3;然后对分解后的小波序列分别进行神经网络建模和预测;最后小波重构负荷序列的最终预报.为提高BP神经网络所需样本的精确性和神经网络的收敛速度及稳定性,采用改进粒子群算法优化网络,形成了"分解-预测-重构"模型.经实例验证,与小波分解BP神经网络方法相比,本文所提方法具有训练学习能力更强、收敛速度更快、预测精度高和适应能力更强的优点.     

基于PSO的模糊神经网络短期负荷预测

针对短期负荷预测的特点,提出基于粒子群(PSO)优化的模糊神经网络短期负荷预测模型。将PSO与模糊优选人工神经网络进行融合,在对模糊优选神经网络训练中采取PSO算法和梯度下降算法相结合的方法,充分发挥PSO全局寻优的能力和梯度下降局部细致搜索优势。对广西某地区进行短期负荷预测,并与实际值进行比较分析,结果表明这一模型应用于短期负荷预测能获得较高的预测精度,是一种行之有效的短期负荷预测方法。     

基于连云港市的电力系统短期负荷预测研究

对连云港市负荷特性深入分析后进行了短期负荷预测的研究,简要介绍了误差反向传播算法即BP算法的结构和原理,并将BP算法用于短期负荷预测,简单高效可行,但由于该算法收敛的时间较长、且容易陷入局部极小点,故在后文提出了用粒子群算法优化BP神经网络的新型算法,该算法能够有针对性地优化网络结构中的权值和阈值,在不断迭代的情况下,使得预测误差向减小的方向训练.实例表明,优化后的模型预测结果准确率有了较大程度提高,满足了负荷预测的基本要求.     

基于Spark和深度神经网络的短期电力负荷预测方法

针对单机计算资源不足和提高负荷预测精度,提出一种基于Spark和粒子群优化深度神经网络的短期负荷预测模型.通过引入Spark计算平台,将深度神经网络模型部署在平台上,对深度神经网络模型的网络结构和权重及阈值参数利用粒子群算法优化,再利用优化后的深度神经网络模型预测电力负荷.通过实验分析,结果表明提出的电力负荷预测方法不...     

考虑区间构造的改进极限学习机短期电力负荷区间预测

针对区间预测中电力负荷预测区间范围过宽和精度不高的问题,提出一种基于灰狼优化算法(graywolf optimizationalgorithm, GWO)-蚁狮算法(antlion optimizationalgorithm, ALO)优化的极限学习机(extreme learningmachine,ELM)短期电力负荷区间预测方法。首先将电力负荷历史预测误差进行正态分布拟合,构造负荷功率历史区间。进而将负荷历史区间和历史前24h、前2h及前1h功率作为模型输入。然后考虑ALO的随机初始种群会影响求解速度与质量,利用GWO生成ALO的优质初始种群,避免陷入局部最优解。接着用ALO优化ELM输入权重及隐藏层偏置,构建具有强泛化能力的ELM短期电力负荷区间预测模型。最后利用湖南省某市电力负荷进行验证,通过多种方法对比,所提方法准确度更高,预测区间质量更好。得到的区间预测结果能为电力系统调度、新能源消纳提供精确的负荷变化信息。     

超短期光伏出力区间预测算法及其应用

光伏出力预测能为电力系统经济安全运行提供重要依据,传统预测方法多为确定性点预测,其结果一般有不同程度的误差,概率性区间预测方法能有效描述光伏出力的不确定性因而逐步受到重视。针对超短期光伏出力区间预测问题,提出一种基于粒子群优化与边界估值理论的预测模型,用于光伏出力区间预测。通过利用粒子群算法对边界估值理论的输出权值进行优化,能够直接、快速地寻找最优的预测区间上下限,从而克服传统区间预测方案中计算量大与需要数据分布假设的限制,实现对超短期光伏出力的区间预测。最后,基于澳大利亚昆士兰大学光伏电站实例仿真验证模型,评估不同置信水平下模型的区间预测性能,并与传统的点预测方案进行对比,结果表明,所提出模型能生成高质量的超短期光伏出力区间预测,能够为光伏并网安全稳定运行提供更好的决策支持。     

基于改进型SVR的电网短期负荷预测

常规的支持向量回归预测模型（SVR）预测算法采用人工经验的方法对RBF核函数参数、不敏感系数和惩罚系数等参数进行选取,其性能会因随机选取的参数而变得随机和不确定。人工鱼群算法的初始参数会对整个算法的优化性能产生较大影响,将粒子群优化算法和混沌机制引入常规人工鱼群算法,对其进行改进,可以提高种群多样性和全局寻优能力,避免优化算法陷入局部最优解。通过实验方法对改进型人工鱼群优化SVR预测模型的性能进行分析。结果表明,所研究的短期负荷预测精度较高,具有较好的工程应用价值。     

基于提升小波和改进PSO-Elman神经网络的短期负荷预测

为了提高电力负荷预测的精度,提出基于提升小波和改进PSO-Elman神经网络的短期负荷预测模型。针对负荷的波动性和趋势性,将提升小波算法用于分解原始负荷数据并提取其主要特征,在蚁群算法改进粒子群算法中,采用混沌理论,对部分适应度值较差的粒子进行混沌扰动,提出CGPSO(Chaos Generalized Particle Swarm Optimization)算法,改善细致搜索的准确性,并提高全局搜索能力,将CGPSO算法用于Elman神经网络初始参数优化,最后建立负荷预测模型。文中采用我国北方某地区的实际数据进行仿真,实验结果表明,该方法的预测精度相比于传统ENN(Elman Neural Network)方法提高了2.362 6%。     

基于PSO-SNN的电动汽车充电站短期负荷预测模型研究

本文以某电动汽车充电站的实测充电功率数据和天气预报数据为理论依据,分析了电动汽车充电站的负荷特性。构建了基于粒子群优化脉冲神经网络的电动汽车充电站短期负荷预测模型,脉冲神经网络采用脉冲发放时间进行信息的编码及处理,具有计算能力强、信息容量大和实时性好的特点。通过仿真算例对比可知,本文提出的预测模型比传统BP-NN预测模型的预测误差在四个季节的测试日分别降低了8.59%、9.28%、12.06%和8.72%,证实所提出的模型具有较高的预测精度。     

基于粒子群模糊神经网络的短期电力负荷预测

为了从根本上提高短期电力负荷预测中神经网络的速度和预测精度,提出了将粒子群算法和BP算法相结合的短期负荷预测方法。用粒子群算法来训练网络参数,直到误差趋于一稳定值,然后用优化的权值进行BP算法,实现短期负荷预测。在构建网络模型时,考虑了气候、温度等因素的影响,并把它们进行模糊化处理后作为网络的输入。仿真结果表明基于这一方法的负荷预测系统具有较高的精度和实时性。     

基于改进权值优化模型的光伏功率区间预测

区间预测方法可以反映光伏发电功率可能的变化范围，提供比点预测方法更丰富的预测信息。文章提出了一种基于径向基函数（radial basis function，RBF）神经网络的区间预测模型以直接输出光伏功率预测区间。为优化模型输出区间的性能和避免惩罚系数选择问题，构建了一种考虑区间预测偏差信息的改进预测区间优化模型，并采用粒子群算法（particle swarm optimization，PSO）求解，获得最优RBF神经网络输出权值以提高预测区间的可信度和准确性。通过对比传统区间优化模型和所提改进区间优化模型的预测结果，发现改进区间优化模型能够获得宽度更窄和预测偏差更小的光伏功率预测区间，可为调度决策提供更准确的辅助信息。     

基于改进神经网络算法的光伏发电功率短期预测

光伏发电技术因其清洁无污染、安装便利、维护成本低和使用效率高等优势近年来获得了快速的发展,但是光伏输出功率具有明显的随机性和不确定性,当其大规模接入电网后其波动特性表现的更为突出,给电网带来巨大冲击的同时降低了电网运行的可靠性,增添了电网调度运行管理的成本与难度。针对此问题本文提出一种基于粒子群算法和神经网络算法的组合预测方法对光伏发电功率进行短期预测,对传统神经网络功率预测算法寻优性能欠佳的问题进行改善,利用粒子群算法对输入样本进行合理优化,同时利用变步长的动量梯度法对神经学习因子进行不断修正,形成一种组合的功率预测方法用于光伏功率预测。仿真结果表明本文预测模型在日类型天气为晴朗天气时的预测结果最好,精度提升相比传统方法来说13%左右。     

基于自适应噪声完备经验模态分解?样本熵?长短期记忆神经网络和核密度估计的短期电力负荷区间预测

短期电力负荷具有较强的随机性和波动性,其预测的准确性对于提升供电可靠性、电力系统运行经济性至关重要。针对传统确定性预测不能反映未来负荷波动的弊端,基于“点预测+区间估计”的思路提出了一种短期负荷区间预测方法。首先基于自适应噪声完备经验模态分解方法将负荷序列分解为多个模态分量,并根据不同序列样本熵的计算结果将序列进行重构以降低运算量。在此基础上,针对每一个分量分别构建长短期记忆神经网络预测模型,得到未来负荷点预测值。基于此利用核密度估计方法对预测误差的分布进行估计,进而结合点预测结果实现未来短期负荷的区间预测。通过将此模型与其他模型进行对比,结果表明此模型能够实现更低的点预测误差,同时在区间预测中也表现出更好的综合性能。     

基于IPSO-BiLSTM-AM模型的超短期风电功率预测方法

针对现有模型预测准确性与稳定性较低的问题,提出一种以BiLSTM为基础的风电功率预测模型。BiLSTM可以很好的处理风电多变量之间的非线性关系,其次采用改进的PSO优化BiLSTM的超参数,并通过AM训练模型的权重。最后采用内蒙古自治区某风电场的历史数据进行提前0~15 min试验。结果表明,提出的IPSO-BiLSTM-AM模型具有较高的预测精度,可以为风电场电力调度与控制提供科学参考。     

基于改进BP神经网络的短期电力负荷预测方法研究

针对短期负荷预测精度低、准确性差等问题,将猫群算法CSO和BP神经网络相结合用于短期负荷预测,模型的输入因子是负荷数据和气象信息等,利用猫群算法对BP神经网络的权值和阈值进行优化,得到BP神经网络预测模型的最优解,建立了短期预测模型。通过实例验证了预测模型的有效性和有效性,结果表明,改进模型能够有效降低BP神经网络模型的预测误差,提高预测精度,为我国电力系统短期负荷预测的发展提供了参考和借鉴。     

一种改进的短期负荷预测方法

采用三层BP型人工神经网络来建立短期负荷预测模型,将影响负荷的主要因素:系统的基本负荷、温度的差异、天气的改变和日期的类型(工作日与节假日)作为数据样本,进行网络的自我训练和学习,并且在训练和学习的过程中引入误差反方向传播算法(即BP算法)来修正神经网络的连接权重,从而达到对负荷预测模型的改良和完善,进一步贴近实际的负荷变化。同时,将因电力线路或设备的检修损失的负荷量也作为影响因素进行了考虑,从而得出更精确的预测负荷值。在实际的负荷预测算例中,上述的预测思路得到了较好的印证,其预测的精度也较高。     

基于改进QPSO算法的主动配电网削峰填谷策略研究

相较于传统配电网,主动配电网具有分布式电源利用率高、网损低、可控性强等特点,其优化运行为典型的多目标优化问题。文中同时考虑储能系统削峰填谷在平滑负荷曲线和分布式电源运行经济性两方面的性能,建立了典型主动配电网多目标优化模型;考虑该模型具有多维非线性特点,提出了一种基于量子粒子群(QPSO)的改进算法,利用量子理论中的量子行为和概率表达特性,在算法的全局寻优能力和种群多样性方面得到明显提升。最后,算例分析验证了该方法的可行性。     

基于云计算的用户侧短期用电负荷预测技术

随着智能电网的发展,电网与用户之间的交互行为将显著增长。通过与用户的广泛交互,原来不能获取的信息,现在变得触手可得,这必将为智能电网发展提供更多的机遇。探讨了在智能电网环境下,通过云计算技术帮助海量用户预测短期电力负荷,从而通过利用群体智慧提高电网公司短期用电负荷预测的准确性。该方法有效利用了Map/Reduce技术,具有较高的效率和可扩展性。     

基于量子加权GRU神经网络的电力系统短期负荷预测

为提升电力系统短期负荷预测精度,提出粒子群算法优化量子加权门控循环单元神经网络模型.首先,将量子加权神经元融入门控循环单元神经网络中,构建量子加权门控循环单元神经网络预测模型,利用量子信息处理机制,提高该神经网络的非线性逼近能力和泛化能力.然后,使用全局优化能力较强的改进粒子群优化算法对所提出模型的参数进行寻优,构建权...