考虑积温效应的短期负荷组合预测方法

给出了积温效应的量化公式,提出了考虑积温效应的小波变换与神经网络负荷组合预测方法.该方法首先通过小波变换,把负荷序列分解为不同频段的趋势性负荷子序列和细节性负荷子序列;采用BP神经网络对各子序列分别进行建模和预测,对趋势性负荷子序列加入了积温系数等特征参数;最后由小波重构得到负荷序列的最终预测结果.该方法考虑了积温效应...     

基于小波分析的月度负荷组合预测

针对电力系统月负荷数据同时具有趋势增长性和季节波动性的非线性特征，提出了一种基于小波变换的月负荷预测方法。通过小波变换把月负荷序列分解为多个频率成分的叠加，针对不同频率成分的不同特点采用不同的预测方法，最后将各频率成分的预测结果重构进而得到预测数据。该方法避免了考虑气候、政策等因素，仅利用电力负荷历史数据进行预测。实例结果表明采用该方法进行月负荷预测可以达到较高的精度。     

基于小波包的马尔科夫方法在短期负荷预测中的应用

为了提高电力系统短期负荷预测的精度,提出了一种基于马尔科夫模型的组合预测算法。该算法利用双正交小波线性相位的特点,对负荷时间序列进行小波包多分辨分解。针对短时电力负荷具有较强随机波动性,采用软阈值方法检测和处理不良信号,用去噪后的信号建立模糊马尔科夫预测模型,通过将各负荷序列的预测值加以组合得到最终预测结果。经实际算例验证,该算法能有效地提高预测精度,具有良好的抗干扰和容错能力。     

基于小波包的马尔科夫方法在短期负荷预测中的应用

为了提高电力系统短期负荷预测的精度,提出了一种基于马尔科夫模型的组合预测算法.该算法利用双正交小波线性相位的特点,对负荷时间序列进行小波包多分辨分解.针对短时电力负荷具有较强随机波动性,采用软阈值方法检测和处理不良信号,用去噪后的信号建立模糊马尔科夫预测模型,通过将各负荷序列的预测值加以组合得到最终预测结果.经实际算例验证,该算法能有效地提高预测精度,具有良好的抗干扰和容错能力.     

基于小波变换和遗传算法优化神经网络负荷预测

提出了采用小波变换和遗传算法优化神经网络的混合模型对电力负荷进行短期预测。首先通过小波变换,将原始负荷序列分解到不同的尺度上,然后根据不同的子负荷序列的特性分别建立相匹配的神经网络模型,采用遗传算法优化各神经网络模型的初始权值,最后对各分量预测结果进行重构得到最终预测值。采用成都某地区2009年的实际负荷对所提方法进行验证,实验结果表明基于该方法的负荷预测系统具有较高的预测精度。     

基于小波分析和遗传程序设计的短期负荷预测

提出将小波分析和遗传程序设计算法相结合用于电力系统的短期负荷预测.具体过程是先对负荷序列进行小波分解,然后对小波分解后的各尺度负荷序列分别利用遗传程序设计进行分时预测,并通过对各尺度的预测结果进行重构来得到最终预测结果.仿真结果表明,该方法具有较好的预测效果和可行性.     

基于小波变换和长短期记忆神经网络的电力负荷预测

电力系统需要保持发电功率与用电负荷的即时平衡,而电力负荷具有非线性、时变性和不确定性等特点。针对此问题,考虑天气与日期类型的影响,构建小波变换（wavelet transform,WT）和长短期记忆（long short-term memory,LSTM）神经网络组合预测模型,对电力负荷进行短期电力负荷预测。首先,用小波变换对数据集进行特征提取、信号去噪,消除数据的波动性;其次,将预处理后的数据利用LSTM进行训练,将输出结果进行序列重构;最后,进行负荷预测,WT-LSTM组合预测模型分别与BP神经网络预测模型和LSTM预测模型进行对比数据。结果表明,WT-LSTM神经网络组合预测模型的预测效果最好,有效地提高了预测精度。     

基于小波分解模糊灰色聚类和BP神经网络的短期负荷预测

提出基于小波分解、模糊灰色聚类和BP神经网络的短期负荷预测方法.通过小波分解将负荷序列分解成低频分量和高频分量,找出负荷各频率分量的规律;通过模糊灰色关联聚类方法选取待预测日的负荷相似日;针对不同频段负荷的规律采用相对应的神经网络模型进行负荷预测,获得不同频段的待预测日负荷各分量,将各分量的预测结果叠加得到负荷预测值.采用所提方法对某地区2010年实际负荷进行预测,并与已有的负荷预测方法比较,结果表明所提方法可提高负荷预测的精度.     

小波神经网络嵌入专家系统的短期电力负荷预测

小波神经网络是一种新兴的电力负荷预测方法。研究了小波分析与BP神经网络相结合的小波神经网络,利用小波变换对负荷样本做序列分解,得到不同尺度下的小波系数,然后对小波系数进行阈值选择,由BP神经网络对作用阈值后的小波系数进行预测。同时总结历史负荷数据长期的发展变化规律,汲取专业人员的经验知识,形成一系列的相关规则,模拟人类专家的推理和判断过程,从而形成专家系统。最后使用专家系统对小波神经网络预测数据进行修正,得到预测结果。通过陕西汉中电网负荷数据,很好地实现了在小波神经网络中嵌入专家系统的方法,同时提高了预测精度。     

基于小波分解和相同尺度序列的神经网络短期电价预测

基于小波分解的短期电价预测主要是对电价样本分解后的各个子序列进行预测,并重构各个预测结果得到最终预测电价。在这一基础上,对电价和负荷样本进行多分辨率小波分解至2尺度,然后剔除噪声信号,再将其中相同制度的电价和负荷子序列相结合,并根据该尺度的时频特征设计建立神经网络模型进行预测,最后将各个子序列的预测结果重构得到预测电价。在算例分析中采用PJM市场2007年3月至2008年2月的数据,并通过绘制误差持续曲线,测试对比本文提出的预测方法和其他预测模型,证明了该方法的有效性和可行性。     

基于提升小波的时间序列分析法的电力负荷预测

为了合理分配电能和规划电网运行,需要对居民小区电力负荷进行精确预测。提出了一种基于提升小波的时间序列分析法进行电力负荷预测,采用提升小波对居民小区电力负荷进行主要特征量提取,避免了用电量数据随机性和波动性的干扰;运用时间序列法对经过提升小波去噪后的电力负荷序列,求取自相关和偏相关系数,确立相应数学模型,预测未来时刻的用电量。最后,利用上海嘉定某小区的历史负荷大数据进行了比较和分析,验证了方法的有效性。     

基于小波变换的ARMA-LSSVM短期风速预测

对风电场风速的准确预测,可以有效减轻并网后风电对电网的影响,提高风电市场竞争力。提出将时间序列自回归滑动平均模型（Auto Regressive Moving Average, ARMA） 与最小二乘支持向量机模型（Least Square Support Vector Machine,LS-SVM）相结合的混合模型短期风速预测方法。采用小波变换（Wavelet Transform,WT）方法将历史风速序列分解成具有不同频率特征的序列。根据分解后各分量的特点,对于低频趋势分量选取LS-SVM方法进行预测,而高频波动分量则选取ARMA模型进行预测,采用小波重构得到最终预测结果。仿真实例表明,不同的预测方法整体的预测精度不同,而混合模型预测的均方根误差最低为11.5%,与单一预测方法相比,混合模型提高了预测精度。     

电力负荷预测的方法研究

阐述了电力负荷预测的基本概念和方法,收集了本地区近5年来经济发展的GDP值和供、售电量的历史数据,采用弹性系数法、时间序列法和回归分析法对本地区未来5年的电力负荷进行预测,并且对预测结果的准确性和各类预测方法的优缺点进行分析对比,分析结果表明,优选组合预测法具有较好的预测效果.     

基于小波变换与BiGRU-NN模型的短期负荷预测方法

为更好地挖掘大量采集数据蕴含的有效信息,提高短期负荷预测精度,文中提出一种基于小波变换与双向门控循环单元(BiGRU)、全连接神经网络(NN)混合模型的短期负荷预测方法。文章利用小波变换将负荷特征数据分解为高频数据以及低频数据,再分别建立高频混合神经网络以及低频混合神经网络模型进行预测。在混合神经网络模型中,将负荷特征数据作为BiGRU-NN网络的输入,利用BiGRU-NN网络学习负荷非线性以及时序性特征,以此进行短期负荷预测。文中以丹麦东部地区的负荷数据作为算例,实验结果表明,该方法与GRU神经网络、DNN神经网络、CNN-LSTM神经网络相比,具有更高的预测精度。     

基于小波分解和人工神经网络的短期负荷预测

提出了一种基于小波分解和人工神经网络(ANN)的电力系统短期负荷预测方法.通过小波变换把负荷序列分解为不同频段的子序列,再对这些子序列分别采用相匹配的人工神经网络模型进行预测,最后综合得到负荷序列的最终预测结果.在所提出的方法中小波分解能够提取负荷的一些周期性和非线性特征,并对其进行进一步细分,根据其子序列各自所具有的规律采用相应的预测方法;而ANN对于处理非线性及无法显示明确规律的问题具有优势.经实例验证,与传统方法相比该方法具有很高的预测精度和较强的适应能力.     

Short Term Load Forecast Using Wavelet Neural Network

This paper presents a wavelet neural network (WNN) model combining wavelet transform and artificial neural networks for short term load forecast (STLF). Both historical load and temperature data having important impacts on load level were used in the proposed forecasting model. The model used the three-layer feed forward network trained by the error back-propagation algorithm. To enhance the forecasting accuracy by neural networks, wavelet multi-resolution analysis method was introduced to pre-process these data and reconstruct the predicted output. The proposed model has been evaluated with actual data of electricity load and temperature of Hunan Province. The simulation results show that the model is capable of providine a reasonable forecasting accuracy in STLF.     

基于WD-LSSVM-LSTM模型的短期电力负荷预测

为了提高短期负荷预测精度,提出一种基于小波分析、粒子群优化(PSO)算法、最小二乘支持向量机（LSSVM）和长短时记忆网络（LSTM）的预测模型。该方法通过对用电负荷进行小波分解和重构得到与原始数据长度相同的分量,对低频分量建立LSSVM预测模型并利用PSO算法找出最优参数,对高频分量建立LSTM预测模型,将各分量预测结果组合实现最终的负荷预测。实验结果表明,该模型预测精度优于传统LSSVM模型、BP神经网络模型和WD-LSSVM模型,验证了其可行性。     

电力负荷数据预处理的二维小波阈值去噪方法

历史负荷数据中的噪声会影响以其为基础所进行的负荷预测的准确性,有必要对负荷数据进行去噪处理。考虑到负荷数据的横向连续性和纵向连续性,可以先把负荷数据按照日期排列成二维数据集,经归一化处理后形成灰度图像矩阵,然后用基于图像的二维小波阈值去噪方法进行去噪处理,最后通过反归一化得到去噪后的负荷数据。实例分析结果表明这种方法可行且有效。