基于人工神经网络短期负荷预测的数据处理

科学合理的数据处理是提高短期电力负荷预测精度的最基本环节之一.利用软件滤波方法,自动平滑坏负荷数据;同时根据负荷的不同特性和规律,将输入数据进行有效分组,分别建立分组负荷预测模型:工作日负荷预测模型、周日负荷预测模型以及节日负荷预测模型,使预测模型不但具有所需样本数据少、模型简单、精度高等优点,同时又具有较强的泛化能力,从而提高负荷预测的效率和精度.通过对南昌供电公司的负荷数据进行具体计算,表明该方法是有效和可行的.     

电力负荷短期预测的神经网络方法研究

设计了一个三层神经网络模型来实现电力系统的短期负荷预预.采用了改进的BP学习算法,以提高训练的收敛速度.预测仿真结果表明,所设计的神经网络是可以进行短期负荷预测的.     

基于模式识别和神经网络的电力系统短期负荷预测

当制定发电机组的启停计划和负荷管理计划时，对未来24h内的短期负荷预测是很必要的，精确的负荷预报能大大提高电力系统管理水平．本文介绍一种基于模式识别理论构造的人工神经网络，应用于电力系统短期负荷预测的方法．     

应用递归人工神经网络预测电力短期负荷

介绍了神经网络的基本原理,使用递归人工神经网络模型对电力短期负荷进行预测,采用了梯度下降法,来提高训练的收敛速度,预测仿真结果表明,使用递归神经网络预测比传统的预测方法更准确.     

采用神经网络与模糊曲线相结合的短期电力负荷预测方法

文章提出了一种神经网络(ANN)与模糊曲线(Fuzzy Curve)有机结合的短期负荷预测方法,该方法采用ANN作为基本负荷预测,再用模糊曲线考虑影响负荷变化的因素(如天气的迅速变化、重大节假日等),对基本负荷预测做出修正,从而得到最终的负荷预测值。同时,针对传统BP学习算法的缺点,将BP算法和模拟退火算法的优点相结合以提高网络的学习性能。实例表明,该ANN—FC模型实用有效、精度高。     

基于遗传程序设计方法的短期电力负荷预测

对遗传程序设计算法进行介绍,尝试将其应用到短期电力负荷预测中。先对负荷样本进行常规和滤波处理,消除伪数据,然后运用遗传程序设计的复杂表达能力,把不同日同一时刻的负荷序列作为样本,对未来负荷进行分时短期预测。该遗传程序设计方法无需考虑如温度等因素,随机常数能自动平衡与负荷有关因素的影响,并自动生成相应的数学模型,通过模型可以计算出未来时刻的负荷,有效避免了人为造成的误差,简单可行。经过和时间序列方法的预测结果进行比较,表明该方法效果较好。     

基于人工神经网络的自适应电力系统短期负荷预测

基于人工神经网络的自适应电力系统短期负荷预测梁志珊，陈建华，刘哲（电力科学研究所）１引言电力系统短期负荷预测是调度部门每日必须进行的重要工作之一。日负荷预测的精度越高，越可以降低系统备用容量，减少或避免计划外开停机组。因此，负荷预测的精度将直接影响电...     

基于短期负荷预测的配网无功优化控制的应用

在短期负荷预测的基础上,利用遗传算法求解整个电网的无功优化问题,得到的优化结栗为各个变电站VQC的合理限值。该方法将全局优化、集中控制与分散控制的优点结合起来,克服了各变电站无功、电压就地最优控制的弊端,提高了系统电压的合格率、降低了系统的总线损,节电效益显著。     

基于人工神经网络的中期电力负荷预测研究

采用人工神经网络(ANN)进行电力负荷中期预测．阐述了人工神经网络的基本原理和反向传播算法(Back Propagation)．根据实际情况建立了人工神经网络的模型并利用Visual Basic编制了相应的计算程序．进行了实例计算，并验证了ANN适用于中期电力负荷预测．     

基于负荷分解的短期负荷预测传递函数模型

短期负荷预测主要用于预测未来几小时、1天甚至几天的负荷,对电力系统运行的安全性和经济性具有重要意义。时间序列模型在电力系统短期负荷预测中得到了广泛应用。然而,这种方法的一个主要缺点是无法将影响负荷预测的主要因素之一即气象因素考虑进去。在此背景下,首先基于历史负荷数据,采用传统的分解方法提取出负荷中的周期分量,得到剔除周期分量后的非周期分量。在此基础上,首先采用逐步回归法筛选出影响负荷非周期分量的主要因素,之后发展了预测负荷非周期分量的传递函数模型。最后,用广东电力系统实际负荷数据对所发展的短期负荷预测模型的准确性进行了验证。     

神经网络在短期电力负荷预测中的应用

给出了改进的BP网络和RBF网络的构造过程和训练方法.在改进的BP网络中不仅加入了动量项和变步长法，而且在模型中合理地考虑了影响负荷变化的主要气象因素，使其能够适应天气的变化.在RBF网络中，为了克服传统K均值聚类法局部寻优的缺陷，采用了正交最小二乘法选取RBF中心.利用改进的BP网络和RBF网络进行了短期电力负荷预测，并对训练的收敛速度和预测精度进行了分析.比较两种模型，RBF网络比BP网络更具有实用性和可开发性.     

Short-term load forecasting based on fuzzy neural network

The fuzzy neural network is applied to the short-term load forecasting. The fuzzy rules and fuzzy membership functions of the network are obtained through fuzzy neural network learming. Three inference algorithms, i.e. themultiplicative inference, the maximum inference and the minimum inference, are used for comparison. The learningalgorithms corresponding to the inference methods are derived from back-propagation algorithm. To validate the fuzzyneural network model, the network is used to Predict short-term load by compaing the network output against the realload data from a local power system supplying electricity to a large steel manufacturer. The experimental results aresatisfactory.     

基于多尺度卷积神经网络的短期电力负荷预测

In order to improve the accuracy of short-term load forecasting of power system, a multi-scale information fusion convolutional neural network(MS-ConvNet)model based on deep learning technology was proposed. A full convolution network structure and causal logic constraints were introduced to enhance the expression of time series features; a multi-scale convolution was utilized to extract the relationship among time domain data of different lengths for obtaining more abundant series features; a residual network structure was designed to increase the network depth, which increased the acceptance domain of outputneurons and enhanced the prediction accuracy. The results show that the accuracy and stability of MS-ConvNet model is better than those of multi-layer perceptron machine, long-short term memory network and gated recurrent unit network, indicating that the as-proposed model has a good application prospect in power load forecasting.     

基于神经元网络和模糊专家系统的电力短期负荷预测

结合RBF神经元网络和模糊专家系统进行负荷预测.给出径向基函数(RBF)网络的结构,并采用正交最小平方法(OLS)选取RBF中心.先用RBF进行基本负荷预测,然后考虑天气变化和假日因素所引起的负荷变化,利用模糊专家系统进行负荷调整.文中把日期划分为5类.测试结果表明,该方法具有较高的精度和较快的速度.     

超短期负荷预测中相似日的选择方法

使用相似日的负荷数据可以提高预测结果的精度。本文分析了影响相似日选择的因素,并结合相似日负荷曲线的特征,利用相似性原理,提出了通过使用负荷以及负荷增量来计算历史日与预测日的距离,从而来选择相似日的方法,并在计算过程中引入了权重。通过对负荷预测数据的统计分析,说明了这种选择方法的有效性和实用性。     

RBF神经网络自适应模糊控制在短期负荷预测中的应用

为了能够及时准确地进行电力系统短期负荷的预测,采用RBF神经网络和自适应模糊控制相结合的预测方法,首先通过RBF神经网络进行负荷预测,然后利用自适应模糊控制对预测结果进行在线修正,实验结果证明了该方法的正确性与可行性。     

基于GANO算法的电力系统中长期负荷预测研究

进行负荷预测时,由于中长期负荷历史数据较少而制约因素较多,因此预测难度较大。在分析了灰色预测和神经网络预测优缺点的基础上,提出了多因素灰色神经网络组合预测模型(GANO)。该模型首先采用灰色GM(1,n)模型处理多因素的影响,进而利用BP神经网络训练电力历史负荷数据,最后利用统计方差的倒数建立较为理想的优化组合预测模型。该优化模型结合了各模型优点且综合考虑了电力负荷的多种制约因素。经算例验证,优于单一历史负荷预测模型,有效地提高了中长期负荷预测精度。     

改进遗传神经网络及其在负荷预测中的应用

针对遗传算法早熟的缺陷,提出了改进的交叉,变异策略,采用移民算子等方法改善遗传算法的性能,并把此方法应用到神经网络的训练中,对电力系统短期负荷进行预测取得了较为理想的效果。     

基于模糊集的电力系统神经网络负荷预报研究

提出了电力系统短期负荷预报基于模糊集的神经网络方法 .该方法计及了天气和日期特征量 ,具有训练时间短预测精度高的特点 .采用两种学习算法 ,依据模糊集概念用某地区电网实际数据建立样本集后 ,对ANN进行了训练 ,通过分析比较得出了优化模型 .计算事例表明用该方法是可行和有效的