基于XGBOOST-DNN的中期电力负荷预测

精准的负荷预测是电力工作者重要的工作之一,而负荷预测以预测周期的不同,一般可以划分为短期电力负荷预测与中长期电力负荷预测.其中中长期电力负荷预测相较短期电力负荷预测而言,该领域缺乏大量前沿工作者的探索.因此本文提出一种可应用于中期电力负荷预测领域且基于XGBoost-DNN的算法.该算法将树模型和深度神经网络相结合,并...     

基于中期负荷预测分析的技改大修项目策略研究

基于技改大修项目数据的分析,本文阐述了数据管理的一些问题,并给出解决方法。同时文章提出了中期负荷预测方法有利于该项目的规划、更加有效安排设备和资源的观点。文章从时间序列、回归分析、神经网络等模型角度进行分析,对项目进行优化,为技改大修的精益化提供了可靠的基础。     

基于神经网络的电力负荷预测方法研究

电力负荷预测易受到高频、低频和超低频振荡干扰,导致预测准确性不高,提出基于神经网络的电力负荷预测方法。在无线ZigBee组网协议下进行电力负荷传感器信息组网,构建电网负荷数据采集模型并进行模型修正。根据电力负荷数据采集结果,去除高频、低频和超低频振荡干扰因子。进行神经网络样本数据训练,去除冗余数据,输出电网负荷数据集合。对获得的数据集采用神经网络分类器进行分类融合处理,根据电力负荷数据的融合结果实现电力负荷预测。仿真结果表明,采用该方法进行电力负荷预测的准确性较高,预测过程的抗干扰性较好,在电力负荷的实时监测和信息调度中具有很好的应用价值。     

基于遗传神经网络的负荷预测方法

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NARX神经网络的热负荷预测中关键影响因素分析

在区域供热（DH）网络中,精确预测热负荷已被认为是提高效率和节省成本的重要环节。为了提高预测精度,研究不同影响因素对热负荷预测的影响极为重要。使用引入不同影响因素的数据集训练得到带外部输入的非线性自回归（NARX）神经网络模型,并比较其预测性能,以讨论直接太阳辐射和风速对热负荷预测的影响程度。实验结果表明,直接太阳辐射和风速都是热负荷预测中的关键影响因素。只引入风速时,预测模型的平均绝对百分比误差（MAPE）和均方根误差（RMSE）均低于只引入直接太阳辐射,同时引入风速和直接太阳辐射能够得到最佳的模型预测性能,但是对于MAPE和RMSE降低的贡献不大。     

基于蚁群算法的电力负荷预测方法研究

为了提高负荷预测的精度,提出基于改进蚁群算法的电力负荷组合预测方法。该方法以回归分析、灰色模型、二次指数平滑值、龚帕兹模型、弹性系数法、逻辑斯谛模型法、二次移动平均模型为基础建立负荷组合预测模型,利用改进蚁群算法优化组合预测模型的权值,并与单个预测模型进行比较。预测结果表明,基于改进蚁群算法的电力负荷组合预测方法,运算速度快,预测精度高,相对误差小,有一定的实用价值。     

用一元线性回归预测电网负荷

介绍了用一元线性回归模型预测地区电网负荷的设计相思，分析了系统的软件设计特点，并给出了应用结论。     

基于神经网络和混沌特征选择的短期负荷预测方法

在激烈竞争的电力市场中,短期负荷预测(Short-term Load Forecasting,STLF)是电力系统高效运行的主要研究热点.针对具有高度波动性非线性信号的电力负载,提出了一种基于神经网络和混沌智能特征选择的预测方法,通过选择最佳候选输入集作为特征参数,将其作为预测输入数据.预测引擎采用一种多层感知层,具有...     

基于PCA-BPNN方法的中长期电力负荷预测

针对基于反向传播神经网络(Back-Propagation Neural Network,BPNN)的中长期电力负荷预测算法中,预测模型的精度和泛化能力易受输入样本变量影响这一问题,利用主元分析(Principal Component Analysis,PCA)方法能消除变量间相关性的特,对BPNN的输入空间进行重构,消除重叠信息,提取主导因素,优化了网络结构,提高了预测精度.通过实例验证了该方法的有效性.此方法可以使用电计划部门实时、准确的预测电力负荷,以此最优的配比发电机组,也可减少由于预测不准确带来的电力系统各种故障的发生.     

计及气象因素影响的短期电力负荷预测方法

随着电力系统的智能化、现代化发展,电力负荷的种类越来越多,气象因素对负荷的影响愈显突出。文中提出了针对气象因素的电力系统短期负荷预测方法,共分为回归分析和负荷预测两个部分。在回归分析部分,首先对选取的五个气象因素进行了主成分分析,然后分析自变量与负荷的关系,剔除对负荷影响不大的气象因素。在负荷预测部分,在模型建立过程中,对不同量纲的数据进行了归一化处理,并考虑工作日和双休日对负荷的影响,通过MATLAB建立神经网络,通过算法分析得到历史负荷数据与预测数据之间的非线性映射关系,分别绘制出了两个地区考虑气象因素和不考虑气象因素两种情况下的电力负荷预测图像,误差分析表明该预测算法具有较高的预测精度。     

基于负荷曲线分类的电力负荷预测方法

根据负荷曲线的特性对负荷进行分类,用简单的模型描述和预测,对用户的月用电数据的预测结果表明,新方法能够得到更准确的结果,较准确地反映负荷变化情况.     

基于GA和SVM的电力负荷预测方法研究

提出一种基于支持向量机(SVM)技术和遗传算法优化技术(GA)的电力系统短期负荷预测算法。以历史数据、气象因素和日历因素等作为输入,建立预测模型,对未来1个小时的电力负荷值进行预测。该模型采用结构风险最小化原则替代传统的经验风险最小化,以充分提炼出原始数据和其它数据的一些信息,并采用遗传算法对支持向量机中的参数进行优化来提高预测模型的预测能力和训练速度,并具有良好的泛化能力。实验表明,使用上述方法进行短期电力负荷预测,具有良好的有效性和可行性,与BP网络法预测的结果相比具有更好的精度和较强的鲁棒性。     

一类非线性模型及其预测偏差分析

在非线回归分析中，变换模型引入注目，著名的Ｂｏｘ－Ｃｏｘ变换模型＾［１］更是广为讨论。理论分析与应用表明，该类模型因变量的预测均采用简单的逆变换加以实现。本文通过预测分析表明，这种预测是偏倚的。应加以校正。基于正态条件分布，本文理论推导了校正公式并给出了预测上、下限、最后进行了实例分析。     

一种自适应选择样本的用电负荷预测方法

针对传统短期负荷预测中预测模型缺乏自适应性、预测影响因素复杂难于筛选的问题,提出一种结合自适应技术的岭回归预测模型。通过引入岭回归技术,能在预测中多方面考虑各种复杂因素而不会受到因素间多重共线性的影响;引入虚拟预测日,同时设置不同权重对相似历史样本进行自适应筛选并训练,能够对每一个预测日减小预测误差。算例分析表明,应用结合自适应技术的岭回归预测方法后,实际预测误差得到显著降低。     

基于数据仓库的电力系统负荷预测研究

介绍了数据仓库的性能特点和总体结构,分析了在电力系统负荷预测中引入数据仓库后可以解决的问题。并阐明基于数据仓库的电力系统负荷预测的实现方法。     

基于族群进化计算的多项式回归电力负荷预测

本文提出利用族群进化算法来有效优化多项式回归分析模型的参数以进行短期电力负荷预测。选择某地区2002年至2009年的用电量为训练数据,将本文提出方法的预测结果与季节指数模型的预测结果进行对比,本文提出方法的拟合值与实际值的平均相对误差较季节指数模型小0．66％。对2010年1月份到10月份的用电量,本文提出方法的预测值与实际值的平均误差仅为1．46％,比季节指数模型小2．3％。此实验结果显示基于族群进化算法优化的多项式回归分析模型不仅是可行的,而且是有效的,它显著提高了对短期负荷预测的准确性和可靠性。     

基于分段灰色模型的负荷预测方法

基于灰色GM(1,1)模型在负荷预测运用中的局限性,引入分段灰色较正GM(1,1)模型;同时采用数理统计的-检验法对模型精度进行检验。通过实例应用表明,分段灰色校正模型具有较高的拟合精度和预测精度。