基于动态模糊神经网络的短期电力负荷预测

针对电力负荷受天气和日期影响特点,提出一种基于动态模糊神经网络的短期电力负荷预测的新方法.该算法最大的特点是模糊规则是动态变化的,通过系统误差、可容纳边界来判断系统是否需要新增一条模糊规则,使用误差下降率(ERR)修剪算法剔除对整个网络影响较小的模糊规则.该算法还使用了分级学习法让网络的学习速度大大提高.在分析了EUNITE网络提供的负荷数据基础上来进行仿真,该仿真将温度、星期、月份、节假日因素作为网络的输入向量,取日负荷峰值作为网络的输出向量.仿真结果显示取得了较好的预测准确率.     

基于人工神经网络的中期电力负荷预测研究

采用人工神经网络(ANN)进行电力负荷中期预测．阐述了人工神经网络的基本原理和反向传播算法(Back Propagation)．根据实际情况建立了人工神经网络的模型并利用Visual Basic编制了相应的计算程序．进行了实例计算，并验证了ANN适用于中期电力负荷预测．     

短期电力负荷组合预测方法研究

为了解决短期电力负荷不同预测方法的预测角度片面性、预测精度差等问题,提出了基于小波神经网络(WNN)的组合预测模型.首先用小波神经网络预测模型和历史平均模型分别进行预测,然后再通过小波神经网络对两单一模型的预测值进行组合.相比BP神经网络组合模型,该组合预测模型的预测精度大大提高.该模型同时引入模糊聚类分析的方法选取组合模型的训练样本,减少了训练样本的冗余性,提高了预测模型的精度.     

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     

基于神经网络最优组合预测在电力负荷预测中的应用

为提高负荷预测的准确性,引入了最优组合预测模型,使几个电力负荷预测模型有机地结合起来.针对最优组合预测模型权重分配时出现的负权重问题,建立了基于神经网络的最优组合预测模型,通过实例论证,该模型具有较高的预测精度.     

基于改进BP人工神经网络的电力负荷预测

电力系统负荷预测的精度将直接影响电力系统的经济效益和用电的安全和稳定,短期电力负荷预测的重要组成部分.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.该文研究了在改进的BP网络中加入了动量项和构建输入网络时结合了同类型日思想的模糊映射,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...     

基于PSO-Elman神经网络的短期电力负荷预测

为了解决BP神经网络在短期电力负荷预测中存在局部极小、收敛速度慢等问题,本文采用粒子群算法(Particle Swarm Optimization,PSO)优化Elman动态神经网络进行精准预测。根据输入输出参数个数确定Elman神经网络结构,利用PSO算法优化网络的权值和阈值,并将优化后的最优个体赋给Elman动态神经网络作为初始权值、阈值进行网络训练,从而建立基于PSO-Elman的电力负荷预测模型。采用某钢厂实测电力数据对该方法和模型进行验证,并与传统的BP、Elman网络模型预测方法进行对比,结果表明该方法和模型在有效缩短网络收敛时间的同时,具备更高的负荷预测精度和稳定性。     

基于负荷密度指标法的现代城镇电力负荷预测

安全、稳定、充裕的电力网络是现代城镇发展的基础.做好电网规划,首先要进行电力负荷预测.以往负荷密度指标的选取通常采用简单类比和经验判断得到,难以满足精度要求.通过引入模糊贴近度理论,使负荷密度指标的选取更科学精准,并以安徽省某现代城镇电力负荷预测为例,得到负荷密度指标值.实例表明,该方法结构合理,思路清晰,实用性较强.     

基于BP神经网络的电力负荷预测仿真研究

人工神经网络应用于电力负荷预测是目前广泛研究的一个课题。本文首先介绍了人工神经网络在负荷预测中的应用概况,进而分析了BP神经网络原理、模型及算法,建立了负荷预测模型,并配置了网络的相关参数。进而对某地区一天的整点负荷进行预测,根据负荷预测得到的数据．经过Matlab仿真得到了负荷预测值与实际值的曲线,验证了BP神经网络应用于短期负荷预测满足一般精度的要求。     

基于粒子群BP神经网络的短期电力负荷预测

电力负荷预测通常采用神经网络方法,该方法训练时间较长,并且由于负荷受到气象因素影响,该算法预测的精度不是很高.为了克服当前存在的问题,采用粒子群算法优化BP神经网络的权值和阈值,归一化处理气象因素,利用神经网络预测短期电力负荷.实验结果表明,该方法比单纯BP神经网络预测具有明显优势.     

Short-term load forecasting based on fuzzy neural network

The fuzzy neural network is applied to the short-term load forecasting. The fuzzy rules and fuzzy membership functions of the network are obtained through fuzzy neural network learming. Three inference algorithms, i.e. themultiplicative inference, the maximum inference and the minimum inference, are used for comparison. The learningalgorithms corresponding to the inference methods are derived from back-propagation algorithm. To validate the fuzzyneural network model, the network is used to Predict short-term load by compaing the network output against the realload data from a local power system supplying electricity to a large steel manufacturer. The experimental results aresatisfactory.     

基于数据挖掘技术的电力日负荷优选组合预测

提高日负荷预测精度的关键在于数据预处理。提出了基于联合数据挖掘技术的电力负荷优选组合预测方法。通过多种挖掘技术寻找与预测日同等气象类型的多个历史日负荷,由此进一步提取数据,组成规律强化、干扰弱化、具有高度相似气象特征的数据序列,对此再构建优选组合预测模型。     

基于神经元网络和模糊专家系统的电力短期负荷预测

结合RBF神经元网络和模糊专家系统进行负荷预测.给出径向基函数(RBF)网络的结构,并采用正交最小平方法(OLS)选取RBF中心.先用RBF进行基本负荷预测,然后考虑天气变化和假日因素所引起的负荷变化,利用模糊专家系统进行负荷调整.文中把日期划分为5类.测试结果表明,该方法具有较高的精度和较快的速度.     

层次匹配范例推理在短期负荷预测中的应用

提出了一个改进的范例推理系统来解决电力系统短期负荷预测问题,该系统将范例推理、自组织映射以及模糊粗糙集方法进行了有效的结合.使用模糊粗糙集方法确定了范例的表示、组织方法，并通过自组织映射对历史范例进行聚类.将新问题所对应的范例与各个聚类中心进行匹配，得到最相似聚类，再在该聚类中进行二次匹配，对得到的最相似范例集进行重用、修正，从而得到最终预测结果.使用模糊粗糙集方法可以进行范例属性和匹配权重的合理选择，同时使用自组织映射对历史范例进行聚类，可以减少范例匹配次数和匹配时间.使用该方法不仅可以合理利用历史范例，而且可以通过属性选取、聚类来获取附加知识.实例验证和比较结果表明该负荷预测方法是有效可行的.     

改进遗传神经网络及其在负荷预测中的应用

针对遗传算法早熟的缺陷,提出了改进的交叉,变异策略,采用移民算子等方法改善遗传算法的性能,并把此方法应用到神经网络的训练中,对电力系统短期负荷进行预测取得了较为理想的效果。     

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。     

RBF神经网络自适应模糊控制在短期负荷预测中的应用

为了能够及时准确地进行电力系统短期负荷的预测,采用RBF神经网络和自适应模糊控制相结合的预测方法,首先通过RBF神经网络进行负荷预测,然后利用自适应模糊控制对预测结果进行在线修正,实验结果证明了该方法的正确性与可行性。     

基于模糊聚类理论的水量短期预测方法

为提高城市供水系统水量负荷的预测精度,提出一种基于模糊聚类理论的城市管网水量短期负荷预测的新方法.该方法通过对负荷历史数据进行聚类、隶属度分析,利用模糊聚类参数来描述负荷与影响因素之间的关系,并应用这种确定的相关关系进行负荷预测.应用MATLAB语言进行预测仿真得到基于模糊聚类的模糊训练结果、最终预测结果和预测误差.实践表明该方法较多地考虑各种影响因素,结构简单,预测精度高.     

基于粗糙集和主成分分析结合的短期负荷预测

采用神经网络进行负荷预测,为了进一步减少输入变量的个数,减小网络结构,在基于粗糙集理论约简的基础上,采用能消除变量间相关性的主成分分析法对负荷影响因素约简,并且通过实例研究证明了此法的有效性。     

基于负荷分解的短期负荷预测传递函数模型

短期负荷预测主要用于预测未来几小时、1天甚至几天的负荷,对电力系统运行的安全性和经济性具有重要意义。时间序列模型在电力系统短期负荷预测中得到了广泛应用。然而,这种方法的一个主要缺点是无法将影响负荷预测的主要因素之一即气象因素考虑进去。在此背景下,首先基于历史负荷数据,采用传统的分解方法提取出负荷中的周期分量,得到剔除周期分量后的非周期分量。在此基础上,首先采用逐步回归法筛选出影响负荷非周期分量的主要因素,之后发展了预测负荷非周期分量的传递函数模型。最后,用广东电力系统实际负荷数据对所发展的短期负荷预测模型的准确性进行了验证。