基于小波包的马尔科夫方法在短期负荷预测中的应用

为了提高电力系统短期负荷预测的精度,提出了一种基于马尔科夫模型的组合预测算法.该算法利用双正交小波线性相位的特点,对负荷时间序列进行小波包多分辨分解.针对短时电力负荷具有较强随机波动性,采用软阈值方法检测和处理不良信号,用去噪后的信号建立模糊马尔科夫预测模型,通过将各负荷序列的预测值加以组合得到最终预测结果.经实际算例验证,该算法能有效地提高预测精度,具有良好的抗干扰和容错能力.     

基于小波分析的短期电力负荷组合预测方法

为了提高电力系统短期负荷预测的精度,提出了基于小波分析的人工神经网络(ANN)和累积式自回归滑动平均(ARIMA)模型的组合预测方法。针对电力系统负荷具有拟周期性、非平稳性和非线性的特点,首先利用小波变换对负荷序列进行小波分解与单支重构,得到各频段上的近似序列和细节序列。根据各序列的自身特点,将经奇异性检测后的数据分别采用相匹配的BP模型和ARIMA模型进行预测,最后将各负荷序列的预测结果加以组合得到最终的预测结果。经实际算例验证,该方法能够有效地提高预测精度。     

基于小波分析的短期电力负荷组合预测方法

为了提高电力系统短期负荷预测的精度,提出了基于小波分析的人工神经网络(ANN)和累积式自回归滑动平均(ARIMA)模型的组合预测方法.针对电力系统负荷具有拟周期性、非平稳性和非线性的特点,首先利用小波变换对负荷序列进行小波分解与单支重构,得到各频段上的近似序列和细节序列.根据各序列的自身特点,将经奇异性检测后的数据分别采用相匹配的BP模型和ARIMA模型进行预测,最后将各负荷序列的预测结果加以组合得到最终的预测结果.经实际算例验证,该方法能够有效地提高预测精度.     

基于小波分析的电力系统短期负荷预测方法

在分析电力负荷频谱特性时发现负荷信号的变化过程具有连续频谱的特性。该文在此基础上提出一种基于小波变换的电力系统短期负荷预测新方法：通过小波变换，将各序列分量分别投影到不同的尺度上，对不同的子负荷序列进行数据处理，并分别采用相匹配的模型进行预测，最后退过小波重构，得到完整的负荷预测结果。算例计算表明新方法具有较高的预测精度和较强的适应能力。     

基于灰色Verhulst和灰色马尔科夫的电力负荷预测组合模型

本文提出了电力系统中长期负荷预测的线性组合模型,即基于灰色Verhulst和灰色马尔科夫的组合模型。针对中长期负荷日趋饱和的特点,采用具有S型预测曲线的灰色Verhulst模型进行预测;针对灰色模型预测随机波动较大的负荷时拟合性较差的缺点,采用马尔科夫理论对灰色模型进行修正,弥补了灰色模型固有缺陷,提高其预测精度。通过线性组合法将灰色Verhulst模型与灰色马尔科夫模型相结合,规避了单一算法模型产生较大误差的风险,进一步提高了预测准确性。算例表明,该组合模型精度较高,具有实用性与可行性。     

基于小波包分析的电力负荷预测算法

提出基于小波包分解和重构的电力负荷预测算法.算法使用具有线性相位的双正交小波对电力负荷数据进行小波包分解和重构,然后用神经网络直接对各尺度上的电力负荷分量进行预测,最后将各尺度上的预测值相加,得到实际负荷预测值.算例表明算法具有较高的预测精度,优于传统的BP神经网络,有利于分析不同时频区域的电力负荷特性,为更准确地建模和预测提供了条件.     

小波包变换在冲击负荷地区短期负荷预测中的应用

针对大量冲击负荷接入系统给负荷预测造成困难,提出一种基于小波包变换的电力系统短期负荷预测新方法:通过小波包分解将原始负荷序列分解成不同频率的子序列,根据各个子序列的变化特点,分别采用相匹配的模型进行预测,最后叠加各子序列的预测值,得出实际预测结果。选择广东某电网实测负荷数据作为算例,仿真结果表明该方法能有效提高冲击负荷地区的短期负荷预测精度。     

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.     

小波包变换在冲击负荷地区短期负荷预测中的应用

针对大量冲击负荷接入系统给负荷预测造成困难,提出一种基于小波包变换的电力系统短期负荷预测新方法:通过小波包变换将负荷序列分解成不同频率的负荷子序列,根据负荷分量不同的变化特点,分别采用相匹配的模型进行预测,最后叠加各子序列的预测值,得出实际预测结果。选择广东某电网实测负荷数据作为算例,仿真结果表明该方法能有效提高冲击负荷地区的短期负荷预测精度。     

基于小波神经网络的电力负荷预测方法

分析了小波神经网络的特点，研究了在电力负荷预测中小波神经网络存在的优缺点及适用范围。通过对小波神经网络和BP神经网络的结构和算法进行理论分析，并对实际电力负荷预测算例进行对比研究，指出小波神经网络本身适合对波动性的信号进行预测，而且在神经网络节点数目相同的情况下，小波神经网络比BP神经网络具有更高的预测精度，因此采用小波神经网络有利于减少隐节点数目。还指出由于当前的连续小波神经网络主要使用传统BP神经网络的随机初始化方法和基于梯度的训练算法，因此存在收敛性差的缺点。     

基于二维小波变换的短期负荷预测

根据电力负荷的周期性与随机性,提出了基于二维小波变换和最小二乘支持向量机的电力系统短期负荷预测方法。首先构造负荷序列二维矩阵,利用二维小波变换将负荷矩阵分解为基荷低频、每天变化的高频、每个时刻变化的高频、随机干扰四个分量,根据重构后负荷分量的特点,构造不同的最小二乘支持向量机模型进行预测;最后将预测后的数据进行叠加得到预测结果。实际预测结果表明该方法具有较高的预测精度和较强的适应能力。     

基于混沌理论及小波理论的短期负荷预测

分析了多种负荷预测的方法,着重分析了负荷的混沌特性与小波特性,同时分析了小波变换能够反应负荷的变化趋势与随机因素。利用Matlab工具,建立了基于小波理论与混沌理论相结合的负荷预测模型,并利用该模型对四川某地区短期电力负荷进行了有效的预测。     

基于PSO-WPESN的短期电力负荷预测方法

精确的短期电力负荷预测是电力生产优化调度和安全稳定运行的重要保证,是智能电网建设的重要一环。为提高模型的预测精度,提出了一种基于粒子群优化小波包回声状态神经网络的短期电力负荷预测方法。首先利用多分辨率小波包分解方法对负荷数据进行分解和重构,建立小波包回声状态网预测模型;然后,利用粒子群算法对预测模型储备池中的参数进行优化。实验结果表明:针对短期电力负荷动态时间序列数据,与BP、Elman、传统ESN等网络相比,PSO-WPESN网络的预测精度、稳定性和泛化能力都得到明显增强,尤其是能在一定程度上缓解由于输出矩阵过大造成ESN存在病态解的弊端。     

基于小波变换的ARMA-LSSVM短期风速预测

对风电场风速的准确预测,可以有效减轻并网后风电对电网的影响,提高风电市场竞争力。提出将时间序列自回归滑动平均模型（Auto Regressive Moving Average, ARMA） 与最小二乘支持向量机模型（Least Square Support Vector Machine,LS-SVM）相结合的混合模型短期风速预测方法。采用小波变换（Wavelet Transform,WT）方法将历史风速序列分解成具有不同频率特征的序列。根据分解后各分量的特点,对于低频趋势分量选取LS-SVM方法进行预测,而高频波动分量则选取ARMA模型进行预测,采用小波重构得到最终预测结果。仿真实例表明,不同的预测方法整体的预测精度不同,而混合模型预测的均方根误差最低为11.5%,与单一预测方法相比,混合模型提高了预测精度。     

基于小波包负荷特征提取和径向基网络的短期负荷预测新方法

准确的负荷预测是电力系统做出合理调度的重要依据.提出基于小波包能量和神经网络理论的短期负荷预测新方法,将负荷序列进行小波包分解,提取小波包能量作为径向基神经网络负荷序列的输入特征量.大量的预测实例分析表明,所提出的预测方法具有稳定性和准确性.     

基于小波分解和相同尺度序列的神经网络短期电价预测

基于小波分解的短期电价预测主要是对电价样本分解后的各个子序列进行预测,并重构各个预测结果得到最终预测电价。在这一基础上,对电价和负荷样本进行多分辨率小波分解至2尺度,然后剔除噪声信号,再将其中相同制度的电价和负荷子序列相结合,并根据该尺度的时频特征设计建立神经网络模型进行预测,最后将各个子序列的预测结果重构得到预测电价。在算例分析中采用PJM市场2007年3月至2008年2月的数据,并通过绘制误差持续曲线,测试对比本文提出的预测方法和其他预测模型,证明了该方法的有效性和可行性。     

基于改进天牛须搜索算法优化LSSVM短期电力负荷预测方法研究

为提高短期电力负荷预测精度,提出了一种天牛须搜索算法优化的LSSVM短期电力负荷预测模型。引入模拟退火算法的蒙特卡洛法则对优化算法进行改进,提高了该算法的稳定性。将改进BAS算法优化后的LSSVM模型用于短期电力负荷预测问题。使用小波阈值去噪处理电力负荷数据,减少一些不确定性因素对负荷预测的影响,提高了预测精度。选择四川某地区电网实际历史负荷数据进行分析和预测,并与PSO-LSSVM、LSSVM预测模型进行对比分析。算例结果表明,所提出的IBAS-LSSVM预测模型与LSSVM相比预测精度提升了1.5%左右,与PSO-LSSVM相比算法运行时间缩短了70%,且算法稳定性更高,证明了该方法的实用性与有效性。     

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。