基于改进卡尔曼滤波算法的短期负荷预测

对于电网的安全运行,短期的负荷预测是必不可少的。电力系统的负荷通常是随着时间呈现出一定范围的非线性波动,这里根据电力系统中负荷特性的变化规律,提出了一种通过引入修正因子改进卡尔曼滤波算法的方法,实现了电力短期负荷预测。通过对成都地区的负荷进行短期预测,说明这种方法较传统的卡尔曼滤波具有更高的预测精度,同时与其他的新型智能算法相比,具有收敛速度快、耗时短等优点。通过MATLAB仿真,说明这种改进后的算法对实现短期负荷预测提供了一条新的途径。     

基于改进的SVM短期负荷预测研究

提出一种基于数据挖掘技术的电力负荷短期预测方法,将SVM方法引入到短期负荷预测研究领域。通过随机选取历史负荷数据来更新回归函数,这样可以充分保证计算速度和较高的预测精度。提出利用松原地区的历史负荷数据作为训练样本,通过与传统的BP神经网络预测模型进行对比,对预测结果进行比较,证明SVM预测方法在一定程度上能够保证短期负荷预测的精度。     

基于改进LSSVM的短期电力负荷预测

针对电力负荷随机性、波动性以及非线性因素所导致预测精度不高等问题,提出了一种基于变分模态分解(VMD)与麻雀搜索算法(SSA)优化的最小二乘支持向量机(LSSVM)短期负荷预测模型。该方法首先借助VMD将原始负荷时间序列分解成不同频率的本征模态函数(IMF)和残差分量(Res),然后对各分量建立不同的LSSVM预测模型并利用SSA进行参数优化,最后将各分量预测值组合得到最终的预测结果。以比利时蒙斯大学和中国河南省某地区两组真实数据为例进行预测分析,将预测结果与LSSVM、VMD-LSSVM、SSA-LSSVM模型预测值对比,得出本文方法的两组数据MAPE值分别为1.5016%、4.765%,远低于其他模型。结果表明本文组合预测模型在预测精度上具有一定的优越性。     

基于改进神经网络的电力系统短期负荷预测

电力系统的短期负荷预测是电力系统保证稳定运行的重要环节,也是区域配电调度的重要依据。为了提高短期负荷预测的精准度与稳定性,本文提出一种基于粒子群算法与遗传算法共同优化BP神经网络的负荷预测方法。针对BP神经网络存在的权值取值不确定、收敛速度慢等问题,将粒子的维度空间与人工神经网络的权值建立映射关系,使得神经网络的均方误差作为粒子群的适应函数,同时,引入遗传算法对其迭代过程进行优化,利用遗传算法全局搜索能力对极值进行搜索,并对粒子的适应度进行分类。最后通过实例分析,证明了该方法的有效性。     

基于改进灰色模型的短期负荷预测

短期负荷预测对电力调度部门非常重要,为提高其预测精度,提出了一种基于改进灰色模型的短期负荷预测方法。选取出若干相似日负荷序列后,对其建立灰色预测模型,并引入改进的布谷鸟优化算法,优化灰色模型中背景值参数的选取,使得灰色模型的预测精度显著提高。仿真结果验证了该方法的有效性。     

基于改进蚁群神经网络的短期负荷预测

在传统神经网络负荷预测的基础上,采用蚁群算法优化神经网络的权值,同时再用模糊逻辑对影响负荷的随机因素进行修正,提出了改进的蚁群神经网络算法。对四川某500kV变电站进行短期负荷预测,结果表明这一算法能获得较高的预测精度,是一种行之有效的短期负荷预测方法。     

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。     

基于改进的VPSO-ELman神经网络的短期负荷预测

提出一种基于改进的VPSO-Elman神经网络的短期负荷预测方法,在经典的Elman动态网络中引入VPSO算法对网络的训练过程做进一步的优化,提高Elman网络的泛化能力和适应能力,使预测模型的精度提高、鲁棒性变强。利用辽宁某地区的历史负荷数据作为训练样本,通过与经典的Elman预测模型进行对比,对预测结果与实际数据进行比较,得出该方法辨识能力优于经典网络,泛化误差明显小于经典网络。     

基于改进的PSO-SVM的短期电力负荷预测

提出一种基于PSO-SVM电力负荷短期预测方法,在SVM学习过程中引入粒子群算法。通过选取组合核函数来改进SVM算法,这样可以充分保证计算速度和较高的预测精度。利用吉林地区的历史负荷数据作为训练样本,通过与传统的SVM预测模型进行对比,对预测结果与实际数据进行比较,证明基于组合核函数预测方法在一定程度上能够保证短期负荷预测的精度。     

基于改进的模糊神经网络的短期负荷预测

影响短期电力负荷预测的因素是多方面的,除节假日、日期类型和气象因素外,还有拉电或限电行为、持续高温等许多干扰因素。针对这些干扰因素,引入了"干预项",进而提出了一种改进的模糊神经网络预测的新方法;阐述了应用该方法进行短期负荷预测的基本原理、网络模型和预测过程。实例分析中分别给出了经"干预项"和未经"干预项"处理后的预测结果,未经"干预项"处理的预测误差明显偏大。同时采用三种方法对不同日期类型进行预测,结果表明新方法的预测误差最小,预测精度较高。     

基于改进金豺算法的短期负荷预测

针对电力负荷序列波动性和预测精度不高的问题,提出一种基于变分模态分解、排列熵和改进金豺算法优化双向长短期记忆网络的预测模型。首先,利用变分模态分解重构原始负荷序列,再采用排列熵理论对分解后的子序列进行熵值重组;然后,利用改进金豺算法对双向长短期记忆网络的参数进行优化,并对每个子序列建立预测模型;最后,组合各模型结果得到最终预测值。实验结果表明,本文模型预测精度更高,与真实值拟合度更好。     

基于改进灰色模型的超短期负荷预测

通过分析现行的超短期负荷预测方法存在的问题,提出了应用灰色模型纵向预测和横向趋势外推修正的超短期负荷预测新方法.引入最新的历史负荷信息,对纵向预测的近似曲线进行修正,纵向预测值能反映出总体的发展规律,而横向修正值又体现最新态势变化,并把选择相似日的新思路融合在预测过程中.用实际数据检验表明,该方法能对预测精度有所改善,具有较好的工程实用性.     

基于改进长短期记忆神经网络的短期负荷预测

精确的负荷预测是电力系统规划、设计的有力支撑,是电网安全经济运行提供重要保障。实际应用中,存在由于数据采集设备故障、系统突发事件导致相关数据资料不准确从而影响短期负荷预测结果的情况。本文提出基于小波变换的长短期记忆神经网络负荷短期负荷方法WT-LSTM(wavelet transform -long short-term memory),利用小波变换的时频特性对负荷数据的伸缩变换进行细化,实现高频系数量化处理;结合长短期记忆神经网络的梯度计算,提高负荷预测的准确性和可靠性。通过变电站负荷数据以及区域办公楼实验,仿真结果表明本文方法能够有效处理负荷原始数据中的噪声,从而提高负荷预测精度和鲁棒性。     

基于改进FLN的短期电力负荷预测算法

短期电力负荷的预测对电力系统具有重要的意义.利用剪枝和附加动量法对标准函数连接神经网络(FLN)进行改进,并将电力负荷的机理和先验知识有机融入,构成了改进的FLN预测网络.对安徽电网电力总负荷的实际预测结果证明了该算法的有效性和优越性.     

基于RBF改进模型的电力系统短期负荷预测

提出了一种改进的径向基函数神经网络预测模型。模型中,应用改进K-均值聚类算法确定该神经网络的聚类中心,运用最小均值方差算法确定了神经网络的权值,同时考虑了温度、天气状况、日期类型对负荷的影响。经初步测试表明,该方法具有良好的预测精度。     

基于改进BP神经网络算法的短期负荷预测

分析了电力系统负荷的组成、分类及其周期性的变化规律,对神经网络基本理论方法进行了细致地研究。应用改进的BP神经网络,建立了充分考虑各种因素的电力系统短期负荷预测模型。最后通过实例仿真,比较三种改进的BP学习算法,结果表明在本模型中,Levenberg-Marquardt(LM)学习算法在收敛速度以及预测精度上要优于拟牛顿法和SCG算法。     

基于改进Autoformer模型的短期电力负荷预测

针对短期电力负荷预测因受天气、温度、节假日等多重不确定性因素影响而造成精度低的问题,提出一种基于改进Autoformer模型的短期电力负荷预测模型。改变序列分解预处理的惯例,设计深度模型的内部分解模块,该模块提取模型中隐藏状态的内在复杂时序趋势,使得模型具有复杂时间序列的渐进分解能力;提出Nystrom自注意力机制,该机制利用Nystrom方法来逼近标准的自注意力机制。某地电力负荷预测实验结果表明,所提模型比基于标准Autoformer模型的短期电力负荷预测模型的时间复杂度更低,准确率更高。     

改进的基于聚类分析的超短期负荷预测方法

分析了当前超短期负荷预测中存在的主要问题;在对大量历史负荷观测的基础上,提出并应用聚类分析理论进行负荷变化趋势分析;通过分析,在固定分类预测算法的基础上,提出了动态分类预测算法,该方法能够根据预测目标自动调整预测样本;大量的模拟测试表明,改进后的预测方法能够在无需频繁维护样本的情况下,大幅提高超短期负荷预测精度,尤其是对节假日负荷预测,效果更为明显.