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.     

基于人工神经网络的鲁棒短期负荷预测方法

提出一种用神经网络设计提前一天的短期负荷预测系统的方法.在对神经网络进行训练前,先通过一种简单的方法对数据进行了预处理,以使设计的系统具有处理由于突发事件等因素引起负荷突然变化的能力.用山东省电网2003年的负荷数据进行试验,试验结果表明方法的适用性.     

地区电力负荷中期预测方法分析比较与应用

通过对各种预测方法及特点的分析比较，得出用灰色模型预测方法作为地区电力负荷中期预测的方法，且该方法误差小、精度高。     

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.     

RBF神经网络在电力负荷预测中的应用

将ＲＢＦ（Ｒａｄｉａｌ Ｂａｓｉｓ Ｆｕｎｃｔｉｏｎ，辐基函数）人工神经网络模型用于电力系统日峰值负荷与日小时负荷的预测。文中首先给出了ＲＢＦ网络的结构，然后讨论确定ＲＢＦ网络中心及网络训练的聚类和正交化法，利用从京津唐系统中收集到的负荷数据进行网络模型的训练和回响检测，所得结果证实了ＲＢＦ网络用于负荷预测的有效性。     

变权重组合改进模型应用于中期电力负荷的预测

对变权重组合预测理论进行了扩展和改进, 并以某经济快速发展地区的历史电力负荷数据为实例, 运用常规电力负荷预测方法、改进后的变权重组合方法对电力负荷进行预测和计算分析.预测结果表明了变权重组合改进预测法的可行性, 有效提高了中期电力负荷预测的精度和可信度.     

人工神经网络在商场建筑物冷负荷预测中的应用

对空调系统进行冷负荷预测是对冰蓄冷系统进行优化控制的重要前提与基础。经过对各种预测方法的结果比较，人们发现人工神经网络预测的结果更接近实际值。基于人工神经网络的通用BP(Back Propagation)算法编制的程序，实际对一栋采用冰蓄冷空调的商场性质建筑物进行冷负荷预测并加以评价。此程序采用Visual Basic编制，含有7个输入层以及1个输出层，利用通用BP算法。结果显示利用人工神经网络预测建筑物冷负荷比较可靠。     

RBF神经网络在电力负荷预测中的应用

将ＲＢＦ（ＲａｄｉａＢａｓｉｓＦｕｎｃｔｉｏ．辐基函数）人工神经网络模型用于电力系统日峰值负荷与日小时负荷的预测。文中首先给出了ＲＢＦ网络的结构，然后讨论确定ＲＢＦ网络中心及网络训练的聚类法和正文化法。利用从京津唐系统中收集到的负荷数据进行网络模型的训练和回响检测，所得结果证实了ＡＢＦ网络用于负荷预测的有效性。     

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.     

抚宁县电力负荷的中期预测

根据秦皇岛市抚宁县 1992～ 2 0 0 1年 10a的实际用电量数据 ,采用灰色GM(1,1)模型对未来 10a的用电量进行预测 .因未通过关联度校验和后验差检验 ,故提出了灰色指数平滑预测方法 ,先对原始数据序列进行一次指数平滑 ,然后再建立灰色模型 .经检验模型合格 ,同时提高了预测精度     

短期负荷预测的MCA与ANN组合模型

针对应用ANN方法时需要处理大量的日负荷数据而影响运算速度的缺点,提出用主成分分析(MainComponent Analysis,MCA)与ANN相结合的组合模型进行预测的方法,在日负荷数据输入神经网络之前用MCA进行处理,“过滤”掉无用的信息成分,以提高负荷预测的效率。仿真结果验证了该组合模型是可行并且高效的。     

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。     

基于模糊支持向量机的电力系统中期负荷预测

考虑到气温因素对电力系统负荷的影响,提出了一种模糊支持向量机(FSVM)算法,基于欧洲智能技术网络(EUNITE)竞赛数据进行了中期电力负荷预测的应用研究。首先利用隶属度函数对影响负荷的气温因素进行模糊化处理,然后结合已知数据得到支持向量机(SVM)的训练样本集,采用序列极小优化(SMO)算法实现对支持向量机(SVM)的快速训练,最终得到预测结果,并与不将气温模糊化的仿真结果进行比较,表明本文所提方法简便且预测精度较高。     

电动汽车充电负荷预测系统研究

根据规划的电动汽车在未来规模化的应用将对电网产生重要影响,电动汽车充电负荷预测是分析电动汽车接人电网的基础,目前还没有比较成熟的方法。综述电动汽车接人对电网的影响和电动汽车负荷预测的研究现状,分析充电负荷预测的影响因素,并基于分布函数的蒙特卡洛计算模拟,开发一套区域电动汽车充电负荷预测系统,可实现对不同电动汽车种类、不同电池容量、不同充电方式、不同充电频率等情况下的综合预测,为电动汽车接人电网的影响分析和调控策略制订提供理论和技术支持。     

基于AHP和TOPSIS法的空间负荷预测

配电网空间负荷预测的核心问题是负荷密度指标的选取,目前选取负荷密度指标的方法一般难以满足实际工程中对精度的要求．引入AHP和TOPSIS法求取负荷密度指标,运用AHP法确定评价指标的权重,运用TOP-SIS法进行评价指标的规范化和排序计算,量化影响负荷密度指标的因素,选择负荷密度指标,并在此基础上采用相似度方法进行负荷密度的修正．将该种算法和模型应用于大量实际的工程项目,证明了该模型和算法能够快速计算出负荷密度指标,并且能够保持一定的精度,适用于工程实践中的空间负荷预测．     

基于模拟退火的Gauss-Newton算法神经网络在短期负荷预测中的应用

针对一般BP网络存在的一些缺陷,首次提出了利用基于模拟退火的Gauss-Newton算法的神经网络预测电力系统短期负荷,并编制了通用程序.在相同的初始条件下,用基于模拟退火的Gauss-Newton算法的神经网络和自适应学习率附加动量法神经网络进行了比较,得出前者的特点和优点:一次性求解权值和偏差,收敛快,精度高,收敛于全局最优解.在算例中,基于人工神经网络的非线性特点进行了负荷预测,通过和真实值的比较说明本方法预测结果精度很高,从而更进一步验证了该方法应用于短期负荷预测的可靠性和优势.     

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.     

基于电力需求响应的公共建筑基线负荷预测

针对公共建筑基线负荷难以有效预测的问题,提出了一种基于模糊C 均值聚类预处理的人工神经网络预测方法。采用聚类算法,将大量的复杂历史数据集划分成多个群体的混合,每个群体对应单独的预测模型进行预测。该方法减少了培训数据,克服了标准方法数据量大和处理速度慢的缺点。将预测结果与标准的人工神经网络方法相比较,得到了较高的预测精度,能有效预测公共建筑基线负荷。     

灰色模型GM(1,1)及其改进模型在短期特殊日电力负荷预测中的应用

讨论了灰色模型GM (1 ,1 )及其改进模型在短期电力负荷预测中的应用 ,采用ARI MA(p ,d ,q)模型与GM(1 ,1 )改进模型对特殊日电力负荷进行组合预测 ,提出了适合电网特殊日电力负荷预测的数据处理方法 ,提高了预测的精度 .准确度可达 95 %以上 ,解决了每日2 4点正点采样情况下预测精度较低的问题 .     

基于EUNITE竞赛数据的中期电力负荷预测

应用自组织模糊神经网络(SOFNN)算法,基于欧洲智能技术网络(EUNITE)竞赛数据进行了中期电力负荷预测的应用研究。算法能够自动决定神经模型的结构并得出模型的参数,具有很好的实用价值。研究了训练数据选取和输入特征向量编码等实际应用问题,结果表明负荷预测精度高,优于竞赛的优胜者,之后提出了结合周平均负荷预测修正日负荷预测的方法,精度得到进一步地提高。