基于梯度提升树的写字楼月度用电量预测研究

以气象和时间作为影响写字楼用电量的主要因素,首先使用网络爬虫抓取到气象数据,包括最高温、最低温、风力、湿度、气压、天气和能见度等,同时提取日期相关的时间特征,如星期、节假日、第几周、季节和小时,再使用递归特征消除法进行特征选择,除去特征重要度低的因素,最后在模型选择上,与梯度提升树模型、差分整合移动平均自回归模型ARI...     

回归分析法在用电量预测中的应用

阐述了回归分析法及其在用电量预测中的具体应用,验证了用该方法预测的准确性,介绍了使用该方法提高预测准确性的手段。     

月度用电量灰色预测改进模型

灰色模型是年度电量预测的有效方法。引入季节指数平滑法改进灰色模型,使其更适合具有季节周期性的月度用电量预测;并提出了一种基于马尔科夫过程的残差修正法,以提高月度电量预测的准确率。最后,以某市月度用电量进行实际预测为例,通过与其他模型的比较,验证了改进模型在月度用电量预测中的有效性。     

基于小波分析和灰色模型的用电量预测

月度用电量同时具有增长性和季节波动性的二重趋势,针对月度用电量的这一变化特点,提出了一种基于小波分析和灰色预测模型的用电量预测方法,同时考虑春节影响因素,结合移位修正法对1月份和2月份的用电量进行修正。经过实例分析和计算,结果表明该方法有较高的预测精度,具有较好的适用性和可行性。     

基于小波分析的月度负荷组合预测

针对电力系统月负荷数据同时具有趋势增长性和季节波动性的非线性特征，提出了一种基于小波变换的月负荷预测方法。通过小波变换把月负荷序列分解为多个频率成分的叠加，针对不同频率成分的不同特点采用不同的预测方法，最后将各频率成分的预测结果重构进而得到预测数据。该方法避免了考虑气候、政策等因素，仅利用电力负荷历史数据进行预测。实例结果表明采用该方法进行月负荷预测可以达到较高的精度。     

用电量组合预测方法的研究

用电量预测是电力系统调度、实时控制、运行计划和发展规划的前提,是电力部门最基本的决策信息。文章综合考虑经济状况、气候条件等影响用电量的因素,以湖北省历年的数据（包括GDP、产业结构、人口数量、环境平均温度）为基础,采用主成份分析和神经网络相结合的组合方法对湖北省用电量进行预测,预测精度较单一方法更高,可为该地区电力系统提供参考。     

经济开发区用电量预测

经济开发区用电量预测铁道部第一勘测设计院魏振中随着改革开放的进一步深化和发展，各地经济开发区的建立和发展方兴未艾。由于经济开发区的用电量大，而且增长极快，对本区的电力规划及所在地区的电网规划影响很大。传统的预测方法因考虑因素较多，其预测结果往往与实际...     

基于弹性网络模型的月度用电量预测方法

由于现有月度用电量预测所选影响因素较少,无法较为全面地反映与用电量强关联的因素,同时针对高维数据变量筛选和高精度预测等突出难题,文中提出了一种弹性网络用电量预测模型。为了考虑更为全面的影响因素,建立了用电量、气象、经济、交通4类,共340个变量的数据集。首先对8年96个点的高维变量数据进行弹性网络因子筛选,然后使用Granger因果关系分析找出了用电量数据与其它数据的关联关系,对一年范围内的全社会月度用电量使用弹性网络进行预测,预测结果的平均绝对百分误差为3.07%。为验证该模型的有效性,对比向量自回归(VAR)模型,反向传播(BP)模型和最小绝对值收缩和选择算子(Lasso)预测的效果,验证了文中所提方法预测精度较高。     

基于灰色关联分析及BP算法的用电量预测

用电量是电力系统规划及地区资源配置的重要影响因素,为了提高用电量预测的精度,提出将灰色关联分析法与BP神经网络相结合进行用电量预测。利用灰色关联分析法对影响用电量的主要因素进行分析,确定了3个影响因素并将其作为 BP 网络的输入参数,建立了用电量BP神经网络预测模型;在MATLAB环境下对模型进行训练测试,结果表明该系统收敛速度快、预测精度高,可为用电量的预测提供参考方法。     

基于RBF神经网络的电力系统月度负荷预测研究

月度负荷预测是电力系统计划、调度、营销部门的重要工作之一,本文根据影响月度负荷的因素,运用Matlab工具箱,建立基于RBF神经网络的月度负荷预测模型,利用它对某地区2009年的月度负荷进行预测,预测结果为相对误差1.96%,因此,据预测结果可知本文提出的模型预测精度较高,完全可以达到工程实际应用的目标。     

基于正交小波和长短期记忆神经网络的用电负荷预测方法

用电负荷数据的波动性和周期性会影响电力负荷预测的准确性,针对此问题,文中提出了一种基于正交小波长短期记忆神经网络(orthogonal wavelet transform-long short-term memory, OWT-LSTM）的用电负荷预测方法。该方法对用电负荷序列进行正交小波分解,消除负荷数据的波动性,然后利用LSTM及其变种神经网络对正交小波分解后的各尺度负荷序列进行建模训练,通过各序列预测结果进行预测重构,获得最终的负荷预测结果。通过用户用电负荷数据集验证表明,该方法的预测性能优于其他模型,具有较高的预测精确性和稳定性。     

小波神经网络预测电价的新改进

预测市场边际电价对于电力市场的参与者有十分重要的意义.该文首先分析了BP神经网络在电价预测方面的优劣势,然后基于小波分析,即用母小波取代Sigmoid函数建立了小波神经网络的电价预测模型,并用遗传算法优化神经网络的拓扑结构和各权重系数,从而避免BP神经网络的预测电价陷入局部极小值.实际计算表明,改进后的预测模型有效地提...     

扩展线性支出系统用于居民电力需求分析与预测

在分析影响居民电力需求的因素的基础上 ,从微观角度研究居民家庭的电力消费行为的数量表现。根据扩展线性支出系统理论建立电力消费的需求函数 ,并对居民电力消费需求的收入弹性、价格弹性进行定量分析。结果表明 ,扩展线性支出系统既可用于电力消费的分析 ,也可用于电力需求的预测。     

基于拟牛顿法小波神经网络的光伏发电系统短期功率预测模型

光伏发电系统出力的随机性会对大电网造成冲击,需要加强光伏阵列发电功率预测的研究.为此,提出采用拟牛顿法小波神经网络建立光伏发电系统短期功率预测模型.以某光伏电站实测数据为比较对象,与基于标准梯度下降法BP神经网络以及基于附加动量和自适应学习速率结合的BP神经网络建立的2种预测模型进行对比研究,结果表明,拟牛顿法在收敛速度和预测精度上都更具有优势.此外,通过和拟牛顿法BP神经网络功率预测方法对比表明,拟牛顿法小波神经网络的预测精度更高,尤其是在一天早中晚时刻或辐照度较低情况下预测效果得到了很大的提高.     

一种基于多神经网络的组合负荷预测模型

针对BP神经网络、RBF神经网络和小波神经网络应用于负荷预测时所遇到的问题,提出了一种基于各种神经网络的组合预测模型。该模型为单输出的3层神经网络,即将3种神经网络的预测结果作为神经网络的输入,将实际负荷值作为神经网络的输出,使训练后的网络具有预测能力。该模型能降低单个神经网络的预测风险,提高预测精度。仿真结果表明,所提出的组合预测模型的精度高于其中任一单一网络模型,也高于传统的线性组合预测模型。     

基于相似搜索和RBF神经网络的短期电价预测

为了提高电价预测的准确性,提出一种基于相似搜索和RBF神经网络的短期电价预测的方法。采用相似搜索原理来生成神经网络的训练集和输入矩阵,并运用MATLAB7.0中的神经网络工具来实现该模型。采用澳大利亚维多利亚电力市场2002年1月1日至3月17日共75天数据进行了实验分析,对3月11日～17日的各时段电价进行了预测,通过比较验证了本文方法的有效性。     

考虑宏观政策的能源需求组合预测模型

针对目前能源需求预测考虑影响因素单一、忽视宏观政策影响因素、预测精度不足等问题,提出了一种融合灰色关联度分析和BP神经网络的能源需求组合预测方法.首先,根据宏观政策的针对性和方向性进行领域划分,分析各领域的指标;其次,利用灰色关联度分析法对分析后的各领域宏观政策初始指标进行关联度计算、排序、筛选;最后,将筛选出的初始指...     

基于小波神经网络的中长期电力负荷预测

电力系统负荷预测是1项复杂的系统工程,其不仅涉及的领域广泛,而且不确定性的因素较多。文中在传统BP神经网络算法、改进型BP神经网络算法基础上,将BP神经网络与小波分析相结合,构建了小波神经网络模型,然后分别应用BP神经网络、改进型BP神经网络和小波神经网络对宁夏石嘴山地区电力负荷进行了中长期预测。通过对比分析表明,采用小波神经网络获得的预测数据比前2种方法获得的预测数据误差均要小。这说明了小波神经网络的预测结果更加准确,即采用BP神经网络与小波分析相结合的方法比单纯地采用BP神经网络算法进行电网负荷预测的效果更佳