UD-IGA网络构造法在短期负荷预测中的应用

电力系统短期负荷预测既是电力系统调度部门制定发电计划的依据,也是制定电力市场交易计划的基础,它对电力系统的运行、控制和计划都有着非常重要的影响.可由于负荷预测的复杂性、不确定性,难以获得精确的预测值.为提高预测精度,针对电力负荷的特点,综合考虑历史负荷、天气、日类型等因素的影响,将基于均匀设计(UD)和改进遗传算法(IGA)的网络构造法用于短期负荷预测.数据样本训练和实际预测结果表明,该模型不仅可避免陷入局部极小点,而且提高了预测精度和网络的训练速度.     

基于人工神经网络和模糊推理的短期负荷预测方法

电力系统短期负荷预测是电力系统调度部门制定发电运行计划的依据，也是制定电力市场交易计划的基础。人们提出了许多种短期负荷预测方法，如时间序列法、状态空间法、人工神经网络法等，但是这些方法都无法精确地描述电力负荷模型。在对大量历史负荷数据进行统计分析的基础上，作者提出了一种基于人工神经网络和模糊推理的预测新方法，其中首先根据实际经验将负荷日类型划分为周一、工作日、周六、周日和节假日5种类型；然后根据不同的类型日建立相应的人工神经网络模型用以预测负荷归一化系数，最后通过模糊推理策略预测日最大负荷和日最小负荷。实际算例表明，所提出的方法能够提高短期负荷预测的精度。     

基于均匀设计混合算法的短期负荷预测

提高电力系统短期负荷预测精度有助于提高电网运行的安全性和经济性,改善供电质量。将均匀设计、改进遗传算法和误差反向传播算法相结合构成混合算法,并将其用于短期负荷预测。数据样本训练和实际预测结果表明,该模型不仅可避免陷入局部极小点,而且可提高预测精度和网络训练速度。     

基于改进粒子群神经网络短期负荷预测

在电力系统的发展过程中,电力负荷充当着非常重要的角色,电力负荷预测的精度显得尤为重要。为了提高短期电力负荷预测的精度,提出了改进的粒子群-BP神经网络混合优化算法。采用自适应惯性权重改进的粒子群算法,使得粒子群算法的收敛速度和收敛精度有所提高,改进后的算法优化神经网络的过程中,对BP神经网络的初始权值和阈值等参数进行改善,并建立基于IPSO-BP算法模型对短期电力负荷进行预测。以某地的历史负荷数据进行训练仿真,结果表明,该模型的收敛速度和预测精度优于传统粒子群-BP神经网络模型。模型改善了粒子群算法和神经网络各自的缺点,提高了BP神经网络的泛化能力。该模型提高了短期电力负荷预测精度,平均相对误差在1%左右,模型可用于电力系统的短期负荷预测。     

基于支持向量机的船舶电力负荷预测

船舶电力系统是一个独立的电力系统，需要根据准确的负荷预测来控制多台发电机组的运行。本文提出了一种基于支持向量机的船舶电力负荷短期预测方法。对某大型集装箱船舶在不同工况下的电力负荷数据，分别用基于径向基核函数的支持向量机方法、多层BP网络和RBF网络方法进行训练和预测计算，仿真结果表明支持向量机具有更高的预测精度，是船舶电力负荷预测的一种有效方法。     

相空间重构和SVR耦合的短期电力负荷预测

电力系统的短期负荷预测精度对智能电网安全运行有着重要影响,其中预测精度和训练步数至关重要,目前当地气象因素逐渐成为负荷预测中的关注点。以某市短期电力负荷为研究对象,建立了考虑日特征相关因素的支持向量回归机短期电力负荷预测模型,随后对某市考虑气象及日期类型的电力负荷做出预测。研究表明:利用考虑实时气象因素的SVR预测模型对短期电力负荷进行预测精度较高;考虑气象及日期类型的预测误差比不考虑气象及日期的预测误差小;嵌入维数和时间延迟对负荷预测模型精度具有重要影响。     

基于LSTNet模型的配电台区短期电力负荷预测研究

短期电力负荷预测作为电力系统运行规划的重要依据，对电力系统的安全经济运行有重要意义。提出一种长期和短期时间序列网络（LSTNet）模型对配电台区的短期负荷变化进行预测。该模型用卷积神经网络（CNN）提取负荷数据间的局部依赖关系，用长短时记忆（LSTM）神经网络提取负荷数据长期变化趋势，再融合传统自回归模型解决神经网络对负荷数据极端值的不敏感问题，最后将某一配电台区的电力负荷数据用于网络的训练和预测过程中。通过仿真实验案例发现，相较于以往LSTM、双向长短时记忆神经网络（Bi-LSTM）和CNN-LSTM的预测模型，LSTNet模型在短期负荷预测方面更具优势、预测精度更高。     

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

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BP神经网络的电力系统短期负荷预测

电力系统短期负荷预测直接影响电力企业的经济效益。对此,选择预测日前一天的电力负荷和阴晴、温度、湿度等气象特征数据作为网络的输入,预测日当天的电力负荷作为输出,建立了电力系统短期负荷BP神经网络模型。用历史负荷数据作为训练样本,对BP神经网络预测模型进行训练,用训练好的神经网络进行电力系统短期负荷预测。用真实历史数据对新疆某地区进行了电力系统负荷短期预测,结果表明,预测结果与实际值比较接近,1 d96个采样点的负荷预测平均准确率为98.45%。     

基于神经网络和模糊理论的短期负荷预测

电力系统负荷预测是能量管理系统(EMS)的重要组成部分,它对电力系统的运行、控制和计划都有着非常重要的影响,提高电力系统负荷预测的准确度既能增强电力系统运行的安全性,又能改善电力系统运行的经济性,但负荷预测的复杂性、不确定性使传统的基于解析模型和数值算法的模型难以获得精确的预测负荷。为提高电力系统短期负荷预测准确度,构建了一种新型的负荷预测模型。该模型首先采用多层前馈神经网络,以与预报点负荷相关性最大的几种因素作为输入因子,以改进BP算法作为预测算法,来获得预报日相似日负荷曲线;然后引入自适应模糊神经网络,用于预测预报日的最大、最小负荷;针对模糊神经元的权值更新问题,采用一种新的权值更新算法———一步搜索寻优法,在获得预报日相似日各点负荷和最大、最小负荷的基础上,通过纵向变换,对预报日的负荷修正,进一步减小预测误差。用上述模型和算法预测某地区电网的短期负荷,取得了良好的预测效果。     

人工神经网络在电力系统短期负荷预测中的应用

提出了基于多层前馈神经网络误差择向传播（BP）模型的电力系统短期负荷预测的方法,根据电力系统短期负荷变化的特性建立了既反映电力系统负荷连续性、周期性及其负荷的变化趋势,又包含天气变化对系统负荷的影响的日负荷模型,以此作为对BP神经网络进行训练的向量样本集。通过实例表明ANN应用于电力系统短期负荷预测的是平行的,有效的,其预报结果比传统的负荷预测方法更准确。     

基于QPSO_RBF的电力系统短期负荷预测

针对径向基函数(RBF)网络在电力系统短期负荷预测中存在的问题,提出一种量子粒子群优化(QPSO)算法训练RBF网络的方法,在确定网络隐含层节点个数后,将RBF网络各个参数编码成学习算法中的粒子个体进行优化,由此可在全局空间中搜索最优适应值的参数。用优化后的网络进行负荷预测,结果表明,该方法与传统的负荷预测方法相比,减少了训练时间并提高了预测精度,具有较好的应用前景。     

基于模式识别的自适应短期负荷预测系统

短期电力负荷预测是电力调度部门制定发电计划的依据,预测系的灵活适应性是实现电网经济运行的重要保证。在分析影响日电力负荷主要因素的基础上,给出了用于日荷预测的负荷模式定义,基于海明距离给出了负荷模式相拟度的计算方法,有效实现了预测负荷所需要的历史负荷模式样本的抽取。利用人工神经网络实现由历史负荷模式到预测负荷的映射。基于C＋＋面向对象的程序设计方法开发了一套灵活的智能自适应短期预测系统。多个用户的应用结果表明,本系统具有很好的实用性和满意的预测结果。     

基于Elman神经网络的甘肃电网负荷预测模型

为提高甘肃电网负荷预测精度,提出了一种基于神经网络的负荷预测方法。针对甘肃电力系统负荷数据的非线性和动态特性,在多层前向BP网络中引入特殊关联层,形成有“记忆”能力的Elman神经网络,从而可以映射系统的非线性和动态特性。在网络训练算法中,采用自适应学习速率动量梯度下降反向传播算法,显著提高了网络的训练速率,有效地抑制了网络陷入局部极小点。文中分别采用El-man神经网络与BP神经网络建立模型,对甘肃电网实际历史数据进行仿真预测,经分析比较,证明前者具有收敛速度快、预测精度高的特点。这表明利用Elman回归神经网络建模对甘肃电网负荷进行预测是可行的,能有效提高负荷预测精度,在负荷预测领域有着较好的应用前景。     

电力系统短期负荷预测的高木-关野模型研究

电力系统短期负荷预测在电力系统的运行设计中有重要的意义，利用模糊神经网络的方法进行电力负荷预测是国际上近年来很热门的一个方向。本文在传统的BP神经网络基础上，提出了一种短期负荷预测的模糊神经网络模型一高木一关野模型，以某供电局2000年的负荷实测值建立模型，进行了负荷预测，与实际值进行比较分析表明，这一模型应用于短期负荷预测能获得较高的预测精度，具有一定的研究价值。     

改进模糊神经网络在负荷预测中的应用研究

电力系统短期负荷预测是电网调度中一项重要的工作,精确的负荷预测可以为调度员提供必要的基础数据,电网运行安排也都是以负荷预测的数据作为根据。利用人工神经网络可以任意逼近非线性系统的特性,将其用于短期负荷预测。研究了改进的误差反向传播算法——动量及自适应lrBP的梯度递减训练算法,预测结果表明比标准BP算法具有更好的性能。同时,针对大量无法用精确数值来量化的信息的影响,引入模糊理论的方法,定义了不同的隶属度函数,模糊化后输入到网络中进行训练和预测,结果表明其精度比输入量非模糊化的人工神经网络更高。     

一种基于人工神经网络的短期负荷预测技术

提出了一种基于人工神经网络的电力系统短期负荷预测技术,该方法在计及气温因素对负荷预测影响的基础上,将神经网络同一种较为新颖的预报模型相结合,因而具有较高的预测精度。计算实例证明了该法的可行性和有效性。     

基于并联时序卷积神经网络的电力负荷短期预测

电力负荷的短期预测可以合理地确定机组运行方式,安排日调度计划,提高计量精准度,对实现系统功率平衡和保障系统的安全经济运行具有重要意义。在利用神经网络进行负荷短期预测时,若训练数据不足,模型的学习能力会大大降低。同时,由于电力负荷数据存在小时周期、日周期、周周期、季节周期特性,常规神经网络训练模型无法反映负荷的不同周期特性,对预测结果的准确性也会造成一定的影响。为此,首先提出一种数据增强方法,有效解决电力负荷预测中训练数据不足的问题。其次,针对负荷的周期性特征,进一步提出使用不同周期特征的并联时序卷积神经网络模型的融合方案,有效反映负荷数据的多周期特征,从而提升电力负荷短期预测的准确度。通过对某地市不同电压等级线路负荷数据的建模和训练,验证所提方法在短期预测方面的有效性和优越性。