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。     

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。     

基于BP网络的改进负荷预测方法

论述了电力负荷预测中建模数据的选择、预处理方法及其对预测精度的影响。针对电力负荷预测的实际困难,提出了一种以节气负荷作为建模数据,将ARIMA模型及BP网络相结合的负荷预测新方法。实践证明,该方法能够有效提高预测精度,并具有很好的鲁棒性。     

基于适应性子集度神经网络的电力系统短期负荷预测

依据模糊模式识别、子集度测度理论，提出一种适应性子集度测度神经网络的短期负荷预测的新方法；该方法可在线地学习神经网络的结构和参数，确定连接方式和神经元节点。仿真结果表明：该方法具有预测精度高、速度快的优点，是值得广泛推广的好方法。     

基于提升小波和改进PSO-Elman神经网络的短期负荷预测

为了提高电力负荷预测的精度,提出基于提升小波和改进PSO-Elman神经网络的短期负荷预测模型。针对负荷的波动性和趋势性,将提升小波算法用于分解原始负荷数据并提取其主要特征,在蚁群算法改进粒子群算法中,采用混沌理论,对部分适应度值较差的粒子进行混沌扰动,提出CGPSO(Chaos Generalized Particle Swarm Optimization)算法,改善细致搜索的准确性,并提高全局搜索能力,将CGPSO算法用于Elman神经网络初始参数优化,最后建立负荷预测模型。文中采用我国北方某地区的实际数据进行仿真,实验结果表明,该方法的预测精度相比于传统ENN(Elman Neural Network)方法提高了2.362 6%。     

利用粗糙集约简算法改进BP神经网络负荷预测模型

传统神经网络预测模型受网络结构复杂性和样本复杂性的影响,容易出现“过学习”或低泛化能力。利用粗糙集理论中的几种属性约简算法对与负荷相关的各种历史数据进行约简,剔除与决策信息不相关的属性。实例证明该方法简化了BP神经网络的输入变量,从而缩短了神经网络模型的训练时间,提高了预测性能。     

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。