D-S证据理论融合改进BP网络的短期负荷预测研究

针对传统BP网络收敛速度较慢且实时性较差的缺点,在考虑了气候因素的情况下,分别用三种BP网络算法对某地区的负荷进行预测,通过对预测误差的分析,用证据理论的Dempster合成法则对算法进行融合,通过选取待预测日之前几天的数据作为融合样本,规定相应的基本信度函数,得到融合后的信度分配,从而决定相应时刻的预测模型,仿真结果表明,经过证据理论融合后选择的负荷预测算法具有更高的预测精度.     

基于D-S证据理论的短期负荷预测模型融合

在各种预测模型融合时确定各种模型的权重直接影响到预测精度.对3种不同的神经网络负荷预测模型分别建立了权重提取和权重融合的数学模型,并运用证据理论对3种预测模型的权重进行融合.通过对历史预测数据的分析,提取了证据理论的融合样本,并将信度函数的多重融合结果作为负荷预测模型权重,得到权重融合后待预测日的负荷预测结果.将权重融合模型的预测结果与单一模型的预测结果进行比较,结果表明权重融合后的模型具有更高的预测精度,提高了负荷预测的准确性.     

基于证据理论Dempster合成法则的灰色负荷预测模型融合

首先建立负荷预测的灰色模型,用3种不同阶数的灰色模型对负荷进行预测,针对灰色模型预测存在误差较大且误差变化剧烈的缺点,提出利用证据理论对负荷预测结果进行融合。通过分析3种灰色模型的预测误差,用Dempster合成法则融合预测结果的误差,并将融合后的结果重新用于负荷预测。结果表明,经过证据理论Dempster合成法则融合后的预测结果具有更高的预测精度。     

基于D-S证据理论的母线负荷预测

基于D-S证据理论,提出一种母线负荷预测新方法。该方法对BP神经网络、改进的BP神经网络和支持向量机(SVM)的母线负荷预测模型分别建立权重提取和权重融合模型,并运用D-S证据理论对3种预测模型的权重进行融合。通过对预测数据进行分析,提取证据理论样本,并将可信度函数的融合结果作为母线负荷预测模型的权重,最终得到待预测日的母线负荷预测结果。仿真结果表明,与单一的母线负荷预测模型相比,经D-S证据理论融合的母线负荷预测模型更有效,也具有更高的预测精度。     

证据理论Dempster法则融合神经网络的短期负荷预测

针对传统神经网络收敛速度较慢且实时性较差的缺点,在考虑气候因素的情况下,分别用改进BP网络、径向基函数网络和Elman网络算法对某地区的负荷进行预测.通过对预测误差的分析,用证据理论的Dempster合成法则对算法进行融合,通过选取待预测日之前几天的数据作为融合样本,规定相应的基本信度函数,得到融合后的信度分配,从而决定相应时刻的预测模型.仿真结果表明,经过证据理论融合后选择的负荷预测算法具有较高的预测精度.     

证据理论融合量子神经网络的短期负荷预测

提出一种用于电力系统短期负荷预测的量子神经网络方法.量子神经网络模型作为单一预测模型对负荷进行预测.利用神经网络,非线性回归模型对预测的历史误差和预测时点的外界影响因素进行分析建模,建立每个模型的可信度评价模型.采用证据理论对每个模型的可信度进行分析评价和合成,确立最终的模型组合预测权值.通过该权值对相应的预测结果进行加权求和得到最终的预测结果.实例表明,该方法能提高预测的精度,是有效可行的.     

证据理论融合量子神经网络的短期负荷预测

提出一种用于电力系统短期负荷预测的量子神经网络方法。量子神经网络模型作为单一预测模型对负荷进行预测。利用神经网络,非线性回归模型对预测的历史误差和预测时点的外界影响因素进行分析建模,建立每个模型的可信度评价模型。采用证据理论对每个模型的可信度进行分析评价和合成,确立最终的模型组合预测权值。通过该权值对相应的预测结果进行加权求和得到最终的预测结果。实例表明,该方法能提高预测的精度,是有效可行的。     

基于粗糙集理论与D-S证据理论改进的多元回归负荷预测方法研究

当前,中长期负荷预测大多采用多元回归算法,但在建模时对影响因子及历史年的选择缺乏良好的依据,很难在考虑更多影响因子及历史年数据与降低回归模型误差之间做出平衡。这使多元回归算法在实际负荷预测中的精准度很不稳定。将粗糙集理论与D-S证据理论引入多元回归算法,利用粗糙集理论对影响因子进行重要性排序。分别以历史年和影响因子为对象进行聚类,以此建立多个多元回归模型。利用D-S证据理论对多个组合预测的权重分配方案进行权重融合,得出最终基于多元回归分析法的组合预测模型。经算例验证,该模型能较好地平衡影响因子和历史年的选取,能有效提高多元回归算法在中长期负荷预测中的准确性,适用性强。     

基于改进的D-S证据理论的中长期负荷预测方法

提出一种基于改进的证据理论的中长期负荷预测方法。该方法采用证据理论中Dempster合成法则和Yager组合规则,融合多种基础预测方法的预测结果,并将基于D-S证据理论的预测模型与专家经验进行无缝结合,使得改进后的预测方法更具实际意义。以某省级电力系统为例进行了负荷预测的分析和对比,结果证明了本文方法的有效性。     

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。     

应用人工神经网络算法进行短期负荷预测

针对电力负荷预测对Kohonen网的聚类能力和BP网的非线性拟合功能进行了讨论,提出了一种建立负荷日类型模型的方法,并在此基础上用Kohonen网和BP网组合而成的神经网络模型来进行短期负荷预测,提高了负荷预测的精度。     

基于灰色理论与BP神经网络的电力负荷预报

为了提高电力负荷预报的精确度和稳定性,基于灰色理论和BP神经网络,提出了电力负荷预报方法。该方法在预测精确度和稳定性方面都比单一的灰色理论预报方法有明显的提高。经实例预测表明,此方法的预报相对误差可以达到1．69％以内。     

神经网络在电力系统短期负荷预测中的应用综述

神经网络是目前研究最多的短期负荷预测方法。详细综述了BP网络、RBF网络以及小波神经网络在电力负荷预测领域的研究和应用现状。简单介绍了神经网络中常用的BP算法以及改进的BP算法。综述了神经网络在组合预测中的应用，并指出目前神经网络还存在的一些问题。     

基于BP人工神经网络的空调降温负荷预测

空调负荷是近年来增长较快的一类负荷,其特性对电网的电压稳定性影响很大。夏季影响空调负荷的因素主要是温度和湿度的变化。为了更好的预测空调降温负荷,研究了温度和湿度对空调负荷的影响。利用BP人工神经网络对电网空调负荷进行了预测,经过分析把日平均湿度量化成4段,和日平均湿度实际数值的模型进行计算比较,结果显示考虑日最高温度和日平均湿度量化为4段能更好的模拟温度、湿度和空调负荷之间的非线性关系,能更好的对电网空调负荷进行预测。     

小波神经网络及其在电力负荷预测中应用概述

小波神经网络是建立在小波理论基础上的一种新型前馈神经网络,具有许多优良特性。本文介绍小波神经网络的构成原理、设计方法和优点,分析小波神经网络在电力负荷预测领域的研究和应用现状。文中所指小波神经网络的优点,例如所需网络节点少和预测精度高,已经在电力负荷预测研究中得到验证。将小波神经网络应用于电力负荷预测的成果是令人鼓舞的。但是小波神经网络也存在收敛性差等缺点,还需要进一步研究适合小波神经网络的算法,以提高其性能。     

证据理论在中期负荷预测中的应用

负荷预测中遇到的一个比较大的问题是影响负荷的因素很多，而且其中有很多不确定的因素。为此，本文提出了利用证据理论进行负荷预测的方法。本文中将影响负荷的因素分为三类：一类是负荷本身的历史数据；二类是可定量的相关因素；三类是难以定量的不确定因素。本文中就仅考虑一、二类因素和同时考虑三类因素两种情况，给出了利用证据理论进行负荷预测的推理网络和实现方法。算例表明。本文提出的方法预测精度较高，是一种将经验同数学模型有机结合的理想方法。     

人工神经网络在电力系统负荷预测中的应用

论述了人工神经网络预测电力系统负荷的方法和步骤,并以BP神经网络在石嘴山地区短期负荷预测中的应用为例,探讨负荷预测的重要性。