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。     

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。     

基于改进灰色模型的中长期电力负荷预测

在中长期负荷预测中,由于电力负荷具有突变性,常规GM(1,1)模型不能及时反映负荷的突然变化,对于发生转折的数据预测精度不高,在实际应用中具有一定的局限性。通过对负荷原始数据序列的预处理及优化,利用等维新息递推GM(1,1)模型进行预测,保证了预测能够较为充分地利用新信息,并加入了残差模型,通过实例分析表明,改进后的模型比常规GM(1,1)模型提高了预测的精度。     

基于粒子群优化灰色模型的电力系统负荷预测

在分析灰色GM(1,1)模型局限性的基础上,应用粒子群优化算法的非线性全局寻优能力来求解灰色模型参数值,提出了基于粒子群优化算法的灰色模型,并给出了负荷预测的实例.预测结果表明基于粒子群优化算法的灰色模型具有较高的预测精度和较广泛的应用范围.     

基于Haar小波变换和ARIMA-RBF的天然气时负荷预测

针对天然气时负荷预测问题,提出了一种基于Haar小波变换和ARIMA-RBF的天然气时负荷组合预测模型。首先,对天然气时负荷数据样本时间序列进行小波分解,采用Mallat快速算法,母小波为Haar小波,对分解出来的高频分量进行ARIMA预测,低频分量进行RBF预测;其次,对高频分量预测结果和低频分量预测结果进行Haar小波重构;最后,以某市实际采集的天然气时负荷为例进行研究,并与自组织特征映射(Self-organizing Feature Map,SOFM)网络和多层感知器(Multilayer Perceptron,MLP)网络(SOFM+MLP)组合预测模型进行对比分析。结果表明,组合预测模型较SOFM+MLP预测模型的MAPE值指标高出2.593 2%,预测精度显著提高,为实际工程的在线应用提供了有益参考。     

引入新特征的短期电力负荷预测

为了提高短期负荷预测的精度,综合分析了气象、日期等因素,并计算各特征与被预测负荷之间的相关系数,根据各特征与负荷之间的相关性,提出了一种将预测日前几天的负荷作为新特征进行负荷预测的方法。为了验证算法的普适性,采用支持向量回归、随机森林和梯度提升决策树3种机器学习算法,在2016-2018年我国北方某地的真实电力负荷和欧洲智能技术网络（EUNITE）竞赛负荷预测样本数据两个数据集上进行验证,并将预测结果与采用传统特征的算法进行了对比。预测结果显示,相较于传统方法,采用新特征后的短期负荷预测具有更高的预测精度。     

空调系统运行负荷GRNN预测模型的应用研究

以2座五星级酒店为研究对象,通过实测数据分析了运行负荷的主要影响因素,确定冷冻水温度对运行负荷的影响作用,将其引入到空调系统运行负荷的预测研究中.应用广义回归神经网络(GRNN)理论,建立了一种动态多点输出负荷模型,提出了5种输入方案,使用2座酒店的实际数据集分别进行验证.研究结果表明:冷冻水温度对实际运行负荷的预测精度有重要影响,可显著提高GRNN负荷模型的预测准确性,以前1日24 h历史负荷、预测日天气预报以及冷冻水设定温度为输入、以预测日24 h逐时负荷为输出的GRNN负荷模型,建模简单,预测性能较好,适用于实际工程应用.     

基于Bagging算法和Elman-NN融合的短期负荷预测模型

针对传统神经网络经常无法满足短期负荷预测的实际应用要求,本文提出了基于Bagging算法和Elman神经网络结合的电力系统短期负荷预测模型。把经预处理过后的数据分为原始训练集和测试集,然后通过Bootstrap方式在原始训练集中随机抽取若干个子训练集,并建立相应的Elman神经网络负荷预测模型,并将子训练集分别用于训练不同的网络模型,最后利用测试集进行预测,最终的预测结果取不同模型预测结果的平均值。利用训练不同模型的Bagging算法,消除Elman神经网络的不稳定性,提高了预测模型的精度和稳定性。通过某城市负荷预测的实际算例,对所提出的预测模型与单一的Elman神经网络预测模型进行对比分析。分析结果表明,基于Bagging算法和Elman神经网络融合的预测模型具有较好的预测精度和稳定性。该研究具有一定的应用前景。     

基于VMD-PSO-SVR模型的短期负荷预测

准确的短期负荷预测结果可以为电网内机组的调度提供基础,制定出合理的调度方案,从而提高电网运行效率。作者提出了短期电力负荷预测的VMD-PSO-SVR组合模型。首先,对原始负荷数据进行预处理,组合各类特征构建负荷数据集,利用VMD对负荷数据集进行分解,降低数据的非光滑性;其次,利用SVR算法对分解后的每个IMF分量进行单独预测,并使用PSO算法对SVR算法的超参数进行优化,提高SVR算法的预测精度;最后,对所有IMF分量所对应的预测结果进行叠加处理,从而获得最终预测结果。实验结果表明,该模型MAPE为1.55%,RMSE为38.56 MW,优于其他预测模型。     

基于GA-RBF神经网络的电力系统短期负荷预测

针对短期负荷预测问题,提出了一种遗传算法-径向基函数(GA-RBF)神经网络负荷预测方法,解决传统径向基函数(RBF)神经网络预测中难以确定最佳隐藏层数问题,以提高预测的准确性。首先分析了GA算法模型和RBF神经网络模型;然后利用GA算法与RBF模型结合得到GA-RBF负荷预测模型;最后利用仿真工具对所建模型进行训练和预测。结果表明,与传统方法相比,其平均绝对百分误差值降低了4. 7%,证明了该方法的精确性和有效性。     

基于模糊逻辑聚类神经网络算法的中长期负荷预测

电力系统中长期负荷预测受大量不确定因素的影响,聚类方法能够将各种影响因素综合引入预测模型,提高了预测精度。采用一种由模糊逻辑单元组成的聚类神经网络用于中长期负荷预测。利用模糊集理论中的模糊逻辑算子y1完成网络运算,提高了聚类神经网络的运算速度。虽然网络采用了竞争学习作为网络的学习算法,但是它克服了一般竞争学习算法固有的死点问题,使得历史数据的聚类分析中聚类中心初始点的选取有更大的随意性。运用文中所述模型及算法综合考虑了历史负荷情况和未来不确定因素等对未来负荷变化的影响。通过与传统的方法进行中长期负荷预测比较,结果表明该方法可以提高负荷预测的精度。     

基于GANO算法的电力系统中长期负荷预测研究

进行负荷预测时,由于中长期负荷历史数据较少而制约因素较多,因此预测难度较大。在分析了灰色预测和神经网络预测优缺点的基础上,提出了多因素灰色神经网络组合预测模型(GANO)。该模型首先采用灰色GM(1,n)模型处理多因素的影响,进而利用BP神经网络训练电力历史负荷数据,最后利用统计方差的倒数建立较为理想的优化组合预测模型。该优化模型结合了各模型优点且综合考虑了电力负荷的多种制约因素。经算例验证,优于单一历史负荷预测模型,有效地提高了中长期负荷预测精度。     

粒子群优化BP算法在电力系统短期负荷预测中的应用

为提高电力系统短期负荷预测的精度，引入一种新型的群智能方法——粒子群优化算法，并将这种智能算法与BP算法相结合，形成了粒子群优化BP算法模型，建立了计及气象因素的短期负荷预测模型．通过具体算例将此模型与单纯的BP模型进行比较，结果表明：该算法具有较高的预测精度，完全能满足实际工程的要求．     

粒子群优化BP算法在电力系统短期负荷预测中的应用

为提高电力系统短期负荷预测的精度,引入一种新型的群智能方法——粒子群优化算法,并将这种智能算法与BP算法相结合,形成了粒子群优化BP算法模型,建立了计及气象因素的短期负荷预测模型.通过具体算例将此模型与单纯的BP模型进行比较,结果表明:该算法具有较高的预测精度,完全能满足实际工程的要求.     

基于PSO-Elman神经网络的电力系统短期负荷预测模型研究

提出了基于粒子群优化算法—Elman神经网络的电力系统短期负荷预测模型,采用具有动态递归性能的Elman神经网络,可增强负荷预测模型的联想和泛化推理能力,保证负荷预测的精度。采用粒子群优化算法对Elman神经网络进行学习训练,可充分利用粒子群优化算法的全局寻优性能,克服常规学习算法易于陷入局部最优解、收敛速度慢、编程复杂等缺陷。通过对地区电网负荷系统的实例仿真证实了所提出方法的有效性,获得了较满意的预测精度,平均绝对误差和最大相对误差分别达到1.988%和4.673%。为该模型用于实际工程取得了有效的进展。     

基于混沌蚁群算法的电力短期负荷预测

通过对电力负荷变化规律和影响因素的分析,提出了一种新的短期电力负荷预测模型。首先利用混沌理论将杂乱无章的历史数据进行相空间重构,找出其中的潜在规律,并粗选预测参考点;然后利用蚁群优化算法,考虑距离因素和相点演化的相关性因素,对粗选的预测参考点作进一步精选,提高其质量;最后采用GM（1,1）灰色模型得到预测日的负荷数据。实际算例验证了提出的方法具有较好的预测精度。     

基于GMDH的中长期电力负荷组合预测模型

组合负荷预测模型能够充分利用数据信息,有效降低预测风险、改善预测效果,在中长期负荷预测中获得了广泛应用。而目前的组合预测模型实质大都为单一预测模型的加权平均,没有能够充分发挥综合预测的优势.应用数据分组处理方法（GMDH）进行组合预测,在充分考虑各单一模型特点和预测效果的基础上,形成多元非线性组合预测模型,自动从数据中挖掘出重要信息,克服了传统组合预测模型建模中的主观因素影响,可以改善预测精度。并将该预测模型应用于实际电网,计算结果表明该模型有效提高了预测精度,适用于中长期负荷预测.     

基于沿海风力发电场风机输出功率预测的分类算法对比

介绍了风力发电场风机输出功率预测的相关背景和研究意义,应用数据挖掘中的经典M5P算法和改进的M5P分类算法对风力发电机输出功率预测进行归纳、对比和分析．首先,对原始数据进行预处理,去除无效数据,以提高实验精确度和效率;然后,采用上述两种算法进行数据处理;最后,验证了改进的MSP算法对风机输出功率预测的高效性和准确性．     

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。     

基于商业智能的电网负荷预测模型的构建研究

根据对电网负荷预测业务的分析,采用探索型数据分析方法对电力企业数据仓库中的数据进行训练建模,构建出电网负荷预测模型。模型应用情况表明：应用该模型后电力企业负荷预测较传统预测方法准确率明显提高,电力企业预测技术水平相应提高,同时,应用该模型还有助于电力企业有计划地进行用电管理,确保电力企业决策分析可行性。