基于连云港市的电力系统短期负荷预测研究

对连云港市负荷特性深入分析后进行了短期负荷预测的研究,简要介绍了误差反向传播算法即BP算法的结构和原理,并将BP算法用于短期负荷预测,简单高效可行,但由于该算法收敛的时间较长、且容易陷入局部极小点,故在后文提出了用粒子群算法优化BP神经网络的新型算法,该算法能够有针对性地优化网络结构中的权值和阈值,在不断迭代的情况下,使得预测误差向减小的方向训练.实例表明,优化后的模型预测结果准确率有了较大程度提高,满足了负荷预测的基本要求.     

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。     

基于神经网络的电力系统短期负荷预测

电力系统短期负荷预测是电力生产部门的重要工作之一,利用BP神经网络进行电力系统短期负荷预测时,根据影响因素确定了模型构成,并对输入变量选择进行了讨论,典型算例的计算表明该方法是有效的.     

基于QPSO_RBF的电力系统短期负荷预测

针对径向基函数(RBF)网络在电力系统短期负荷预测中存在的问题,提出一种量子粒子群优化(QPSO)算法训练RBF网络的方法,在确定网络隐含层节点个数后,将RBF网络各个参数编码成学习算法中的粒子个体进行优化,由此可在全局空间中搜索最优适应值的参数。用优化后的网络进行负荷预测,结果表明,该方法与传统的负荷预测方法相比,减少了训练时间并提高了预测精度,具有较好的应用前景。     

基于QPSO_RBF的电力系统短期负荷预测

针对径向基函数(RBF)网络在电力系统短期负荷预测中存在的问题,提出一种量子粒子群优化(QPSO)算法训练 RBF 网络的方法,在确定网络隐含层节点个数后,将 RBF 网络各个参数编码成学习算法中的粒子个体进行优化,由此可在全局空间中搜索最优适应值的参数.用优化后的网络进行负荷预测,结果表明,该方法与传统的负荷预测方法相比,减少了训练时间并提高了预测精度,具有较好的应用前景.     

基于负荷频谱分析的电力系统短期负荷预测

电力系统短期负荷具有非常大的不确定性,而其日负荷信号的频谱具有连续变化的特性。从信号频谱分析角度,对日负荷信息进行建模分析,并通过小波变换,将日负荷数据分解为不同尺度上的投影子序列,用子序列作为小波神经网络的训练样本,然后用训练好的神经网络模型对电力系统的短期负荷进行预测。在Matlab仿真软件中,采用某市某线路的某日负荷数据对算法进行仿真验证,取得了较好的预测结果。     

基于BP神经网络的电力系统短期负荷预测

电力系统短期负荷预测直接影响电力企业的经济效益。对此,选择预测日前一天的电力负荷和阴晴、温度、湿度等气象特征数据作为网络的输入,预测日当天的电力负荷作为输出,建立了电力系统短期负荷BP神经网络模型。用历史负荷数据作为训练样本,对BP神经网络预测模型进行训练,用训练好的神经网络进行电力系统短期负荷预测。用真实历史数据对新疆某地区进行了电力系统负荷短期预测,结果表明,预测结果与实际值比较接近,1 d96个采样点的负荷预测平均准确率为98.45%。     

咸阳市电力系统短期负荷预测分析与研究

主要研究考虑各种因素影响的咸阳市电力系统短期负荷预测模型与算法。传统预测算法只是基于找寻历史负荷数据规律,没有考虑外部因素对负荷值的影响,从而降低了预测精度。针对这些不足,首先分析了影响咸阳市电力负荷值的几个主要因素,然后提出了考虑这些因素影响的改进型神经网络BP算法预测模型,利用该模型对咸阳市电力负荷值进行预测。预测结果表明：该模型完全适用于咸阳市电力负荷预测,考虑因素影响的预测算法效果优于传统方法。     

基于IPSO-WNN的综合能源系统短期负荷预测

针对传统小波神经网络(WNN)综合能源系统负荷预测模型存在收敛速度、易陷入局部最优等缺点而导致预测精度不高的问题,文中提出了一种基于改进粒子群(IPSO)的WNN综合能源系统短期负荷预测方法。利用Pearson系数对各影响因素进行分析,选择合适的因素作为综合能源负荷预测的输入量;对传统粒子群算法进行改进,在PSO中引入混沌算法并根据粒子适应度采用不同的粒子惯性权重选择策略;基于IPSO建立了WNN综合能源系统短期负荷预测模型。通过案例验证,基于IPSO的WNN预测模型相比于传统WNN预测模型,预测精度明显提升。     

基于EMD-IPSO-LSTM模型的短期电力负荷预测

准确地预测短期负荷为发电厂电力调度提供依据,提高电力系统的经济性。由于负荷数据的非线性非平稳性,提出一种经验模态分解-改进粒子群算法-长短期记忆(EMD-IPSO-LSTM)的预测模型。首先,利用EMD处理非线性的负荷序列,将序列分解为多个本征模态函数(IMF)以及残差(Res),引入非线性递减分配方法和正弦函数分别改进粒子群算法(PSO)的惯性权重和学习因子,可以更有效地寻找LSTM参数的最优解。其次,利用IPSO优化LSTM的第1层神经元个数、损失率、以及批量大小等参数,将所有IMF和Res分为高、中,低频三组分量,并代入优化后的LSTM网络进行预测,叠加获取最终的预测结果。最后,以GEFCom2014预测竞赛电力负荷数据集进行仿真实验,并且对LSTM、IPSO-LSTM、EMD-PSO-LSTM这3种模型作比较,结果表明所提的预测模型具有较高的预测精度。     

基于CEEMD-FE和AOA-LSSVM的短期电力负荷预测

针对电力负荷预测精度不高、效率低的问题,采用算术优化算法(AOA)和最小二乘支持向量机(LSSVM)的模型对经过互补集合经验模态分解(CEEMD)和模糊熵(FE)综合处理后的子序列进行预测,构建了CEEMD-FE-AOA-LSSVM预测模型。首先,利用FE算法对经过CEEMD处理后的各子序列进行熵值重组,该过程提高了模型的抗干扰能力和运算效率。然后,用AOA-LSSVM模型对处理后的子序列进行预测,并将预测叠加输出。最后,通过误差函数对模型进行横向对比和纵向对比,利用两种对比结果来检验其性能。通过实验可知,与CEEMD-LSSVM、AOA-LSSVM、CEEMD-AOA-LSSVM等其他模型相比,CEEMD-FE-AOA-LSSVM组合模型能够兼顾到预测精度与预测效率两方面,做到了综合性能的提升。同时也验证了经过CEEMD或AOA处理的模型能够有效地提升预测精度。     

基于GOA-SVM的短期负荷预测

支持向量机是借助于凸优化技术的统计学习方法,与传统神经网络相比,泛化错误率低并且结果易于解释。将支持向量机用于负荷预测时,参数选择不准确会导致预测性能较差。提出一种基于蚱蜢优化算法的支持向量机短期负荷预测方法,以某地区负荷、天气等历史数据对SVM进行训练,并通过GOA优化选取支持向量机参数,然后以得到的最优参数建立GOA-SVM负荷预测模型。算例分析表明,GOA-SVM预测模型比GA-SVM和PSO-SVM模型有更好的收敛性能,且预测精度更高。     

基于电力系统负荷变动速率的美国得州ERCOT短期负荷预测

基于大量历史负荷数据,研究负荷数据曲线的变化性,并提出了负荷变动速率(RLF)与速率影响因子(IFR)概念。通过对ERCOT数据的分析,总结得出了得克萨斯州用电特点和相同时段内RLF的相似性。依据对RLF的历史数据统计分析,得出经验RLF值,并结合用电负荷的实时数据对短期负荷做出修正与准确预测。该方法可以应用在短期负荷预测系统及对区域中长期用电负荷变化规律的总结上。     

基于误差修正的短期负荷预测方法

目前常用的负荷预测方法主要是通过负荷自身和相关关系的研究建立模型,提出一种新的负荷预测思路,即从传统频域预测方法的误差入手,通过研究虚拟预测误差的历史分布规律进行误差预测,然后对传统方法得到的预测结果进行修正。建立负荷预测的误差修正模型,并通过算例验证了误差修正的短期负荷预测方法的可行性和实用性,达到了提高短期负荷预测精度的目的。     

基于EMD理论的短期负荷预测

提出将经验模态分解法(empirical mode decomposition,EMD)与自回归动平均(autoregressive and moving average,ARMA)时序分析相结合的短期负荷预测方法,利用EMD算法对负荷序列进行分解,再对分解得到的每一个基本模式分量(intrinsic mode function,IMF)分别进行ARMA预测,以改善短期负荷预测的效果。以我国某地区2008年夏季负荷高峰段的用电负荷预测为例,应用提出的预测方法对各负荷分量进行单独预测,得到的仿真结果表明,采用该方法进行短期负荷预测将显著改善预测的精度。     

基于EMD-SLSTM的家庭短期负荷预测

针对非平稳的家庭短期负荷数据,直接套用预测模型难以挖掘出更深层次的时序特征。提出一种经验模式分解(Empirical Mode Decomposition, EMD)和堆栈式长短期记忆(Stack Long Short-term Memory, SLSTM)的组合算法应用于家庭短期负荷预测。首先分析了SLSTM和EMD原理,提出EMD-SLSTM组合预测模型。将负荷数据通过EMD算法进行分解,然后将分解后的分量数据分别转化为三维数据样本。通过设计SLSTM网络架构及其参数,对归一化的分量数据和原始数据分别进行预测建模及其重构。为显示算法预测性能,实验对比了支持向量回归、人工神经网络、深度神经网络、梯度提升回归等模型在两种情景下的性能,采用MAPE和RMSE性能度量进行验证。实验结果表明EMD-SLSTM更能有效地表达出家庭短期负荷的时序关系,具有更高的预测精度。     

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。     

基于随机波动模型的短期负荷预测

研究了负荷时间序列波动性,考虑方差时变特征,提出了基于随机波动(SV)模型的短期负荷预测方法。引入伪极大似然估计解决SV参数估计问题,进而将模型转换为状态空间方程,利用卡尔曼滤波获取标准SV模型参数。另外,还将模型推广为非高斯假设SV模型。利用动态波动曲线的构建,讨论了负荷时间序列条件方差的时变性特征。基于日用电量数据建立了SV族日负荷预测模型,并利用平均绝对百分误差、均方误差、TIC 3种指标将SV族模型预测结果与广义自回归条件异方差(GARCH)模型做了比较,得到SV族模型的前2种指标均小于GARCH模型,而且SV模型的TIC指标更接近于零。算例分析表明了SV族负荷预测模型的可行性和有效性。     

基于CEEMDAN-SE和DBN的短期电力负荷预测

为提高短期负荷预测精度,提出一种基于自适应噪声的完全集合经验模态分解(CEEMDAN)-样本熵(SE)和深度信念网络(DBN)的短期负荷组合预测模型。利用CEEMDAN-样本熵将原始负荷序列分解为多个特征互异的子序列,计算各子序列的样本熵,将熵值相近的子序列重组得到新序列,降低了原始非平稳序列对预测精度造成的影响并减小计算规模;综合考虑各新序列的周期特性和影响因素对每个新序列分别构建不同的DBN预测模型,利用DBN克服了浅层神经网络特征提取不充分及初始参数难确定的问题;最后将预测结果叠加得到最终预测值。仿真结果表明,该组合预测模型的平均绝对百分比误差和均方根误差分别为1.18%和87.91 MW,相比于BP、DBN、EMD-DBN负荷预测模型具有更高的预测精度。