基于径向基神经网络和自适应神经模糊系统的电力短期负荷预测方法

针对实时电价对短期负荷的影响,建立了径向基（RBF）神经网络和自适应神经网络模糊系统（ANFIS）相结合的短期负荷预测模型.该模型利用RBF神经网络的非线性逼近能力对不考虑电价因素的预测日负荷进行了预测,并根据近期实时电价的变化,应用ANFIS系统对RBF神经网络的负荷预测结果进行修正,以使固定电价时代的预测方法在电价敏感环境下也能达到较好的预测精度,克服了神经网络在电力市场下进行负荷预测时存在的不足.某电网实际预测结果表明,该方法具有较好的预测效果.     

基于RBF神经网络的短期电力负荷预测

深入研究了温度、湿度以及风速等气象条件对电力负荷的影响,建立了基于径向基函数（RBF）神经网络进行短期负荷预测的模型。以广东省某地区月负荷数据作为原始数据,利用RBF神经网络的非线性逼近能力预测出日负荷曲线,并用实测数据对其进行了检验,同时与同等条件下建立的BP神经网络模型预测的结果进行了综合对比。结果表明,基于RBF神经网络模型预测的误差比BP神经网络模型预测的误差要小,其预测精度可以为供电企业对负荷进行合理的规划和准确的调度提供依据,具有一定的工程指导意义。     

基于遗传灰色神经网络模型的实时电价条件下短期电力负荷预测

在智能电网条件下,用户的用电模式将会发生重大变化,其中一个显著的变化就是用户可以根据电能需求结合实时电价调整其消费模式。这使得用户负荷预测更为复杂。在对影响短期电力负荷特性的各种因素进行分析的基础上,综合考虑了实时电价的影响,提出了一种用遗传算法优化改进的灰色神经网络方法,利用灰色模型可以弱化数据的随机性以及神经网络的高度非线性,对短期负荷进行预测,采用遗传算法对网络进行优化,从而提高了预测的精确度。实例证明该算法能较好地解决实时电价下的短期负荷预测问题。     

基于模糊神经网络的电力负荷短期预测

针对电力负荷的特点,综合考虑了温度及日期类型等因素对日最大负荷的影响,提出了一种采用模糊神经网络进行短期负荷预测的方法,并详细介绍了该方法的实现过程。通过对EUNITE(the European Network of Excellence on Intelligent Technologies for Smart Adaptive Systems)网络提供的实际数据进行详细分析确定了影响日最大负荷的相关因素,进而选择了合适的模糊输入以建立相应的模糊神经网络预测模型,并取得了较为理想的预测结果。算例分析结果充分证明了模糊神经网络在短期电力负荷预测方面具有较好的应用前景。     

基于自适应神经模糊系统的电力系统短期负荷预测

提出基于T-S模型（Takagi-Sugeno）的自适应神经模糊系统（ANFIs）。该系统采用减法聚类初始化模糊推理，把神经网络学习机制引入到逻辑推理中，并用混合学习算法调整前件参数和结论参数，自动产生模糊规则。应用武汉地区2005年夏季负荷数据对网络进行训练和检测，所得仿真结果表明此预测方法有效。     

短期电力负荷预报的自适应模糊神经网络方法

提出了一种的新的电力预报法－自适应模糊神经网络方法,该自适应模糊神经网络推理系统具有类似于神经网络的结构,并应用了一种混合的自适应学习算法,在此基础上,研究了该方法在电力负荷预报中的应用并与神经网络方法作了比较。     

粗糙集信息熵与自适应神经网络模糊系统相结合的电力短期负荷预测模型及方法

电力系统短期负荷预测不仅要考虑负荷本身的历史时间序列,而且与气象因素密切相关,自适应神经网络模糊系统(Adaptive Neuro-Fuzzy Inference Sysrem,ANFIS)模型是一种有效的预测方法,而系统输入变量的合理性选择是影响预测效果的关键所在.作者通过粗糙集理论中的信息熵概念对解决这一问题进行了尝试,选取与待预测量相关性大的参数作为输入.所构造ANFIS系统是基于数据进行建模并进行参数辨识的,这样有效地避免了模糊推理系统(Fuzzy Inference System,FIS)中人为主观因素对预测的负面影响,客观地反映了相关变量与负荷值之间的复杂关系.用该方法与常用BP神经网络及常用FIS分别对重庆市某区进行了一周的日负荷预测,通过对实例的对比分析表明了该方法具有较好的收敛性和预测精度.     

基于RBF神经网络的短期负荷预测

电力系统短期负荷预测是电力部门的重要工作之一.在短期负荷预测中,电力负荷变化受多方面因素的影响,负荷曲线呈现出强烈的非线性.正确认识和分析负荷影响因素对负荷的影响一直是短期负荷预测的关键问题.采用径向基函数神经网络进行电力系统短期负荷预测可获得更高的预测精度.文中研究了电力市场下基于径向基神经网络的短期负荷预测建模及其仿真.     

基于RBF神经网络的短期负荷预测

电力系统短期负荷预测是电力部门的重要工作之一。在短期负荷预测中,电力负荷变化受多方面因素的影响。负荷曲线呈现出强烈的非线性。正确认识和分析影响负荷因素对负荷的影响一直是短期负荷预测的关键问题。采用径向基函数神经网络进行电力系统短期负荷预测可获得更高的预测精度。     

基于RBF神经网络的短期负荷预测

针对BP网络的缺陷,提出了一种基于RBF神经网络的短期负荷预测方法,利用遗传算法训练神经网络,使神经网络以较快的收敛速度和较大的概率得到了最优解。实例研究结果表明该方法可以取得较高的预测精度。     

基于RBF神经网络的短期负荷预测方法综述

介绍了基于RBF神经网络的电力系统短期负荷预测方法的相关概念,论述其具体实现途径。通过类比分析的方法对该类预测方法改进的过程进行回顾,指出其在实践中取得的进步。阐述了一些比较成熟的基于RBF神经网络预测模型的基本原理和技术特点,并对它们进行了评价。根据电力系统运行的实际特点和面临的新情况,从算法改进、原始负荷数据筛选和如何结合实际负荷特点等三方面对该方法进行分析。探讨了该领域持续改进的发展空间,指出了该领域进一步发展的技术趋势。     

基于模糊理论及神经网络的电力短期负荷预测方法

分析了电力短期负荷的构成及其影响因素的特点，结合模糊技术和神经网络。设计了用于电力短期负荷预测的神经网络。利用模糊技术及相似性原理对作为BP神经网络训练样本的电力负荷按天气特征进行分类识别，同时对带有噪音的训练样本提出了处理方法。针对BP神经网络的不足，提出了改进算法；并用实际例子对上述电力短期负荷预测神经网络进行了例证。     

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。     

基于模糊粗糙集和神经网络的短期负荷预测方法

针对采用神经网络进行电力系统短期负荷预测时其网络输入变量的选择是影响预测效果的关键问题，该文提出使用模糊粗糙集理论解决这一问题：对采集到的信息进行特征提取、形成决策表；利用模糊粗糙集理论进行属性约简、去除冗余信息；用得到的属性作为BP网络的输入进行训练预测。该方法既全面考虑了影响负荷预测的历史时间序列、气象等各种因素，为合理地选择神经网络的输入变量提供了一种新的方法，又避免了由于输入变量过多而导致神经网络拓扑结构复杂、训练时间长等不足。计算实例表明，文中提出的方法是有效且可行的。     

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ANN和模糊控制相结合的电力负荷短期预测方法

提出了一种ANN与模糊控制(FC)相结合的电力负荷短期预测方法。通过优化训练样本、变步长和变动量因子来改进BP算法,并采用在线自调整因子的模糊控制对预测误差进行在线智能修正。算例计算表明ANN与模糊控制相结合提高了预测精度。     

基于补偿模糊神经网络和线性模型的短期电力负荷预测

在考虑了气象因素对负荷的影响的基础上,提出了一种补偿模糊神经网络和线性模型相结合的短期电力负荷预测新方法.首先采用补偿模糊神经网络求出峰、谷负荷,然后利用线性外推法求出未来1日中24个时刻的负荷值.该方法具有神经网络和线性模型的优点,实例仿真结果表明其具有较快的收敛速度、较高的预测精度和较强的鲁棒性.     

电力负荷的RBF神经网络预测

针对中长期电力负荷预测,给出了RBF的预测原理,推导了权值的更新方式。对比了RBF和BP预测方法,结果表明,RBF方法收敛速度快、预报精度高,由此也证实了其具有的工程应用前景。     

自适应电力用户群短期负荷预测方法

随着我国电力市场化改革的推进,用户侧电力负荷预测在电力需求侧管理中呈现出日益重要的作用。因为不同电力用户负荷特性差异较大,单一的短期负荷预测方法无法满足所有用户的预测精度要求,为此提出一种自适应电力用户群短期负荷预测方法。针对不同类型的电力用户群,提出多种基于变分模态分解算法和长短期记忆神经网络的负荷预测方法,根据波动性系数的范围自适应地选择电力用户群短期负荷预测方法进行训练、测试,得到负荷预测结果。以南方地区60家企业电力用户为研究对象,对所提的负荷预测算法进行了验证,结果表明所提方法能有效提高负荷预测精度,获得了较为理想的预测结果。