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.     

基于最大信息压缩指标与层次分析法的电力负荷组合预测模型

提出一个基于最大信息压缩指标与层次分析法的电力负荷组合预测模型,采用最大信息压缩指标评价单个预测模型的精度,用层次分析法确定各个模型以权重。最大信息压缩指标越小,信息损失越少,权重越大．实例分析表明该组合预测模型预测精度高．     

滑动平均法改进型灰色预测模型在德山开发区电力负荷预测中的应用

利用灰色控制理论对德山开发区电力需求量进行预测.用生成方法对原始数据进行处理,消除了影响电力需求量的众多非重要因素,并从原始数据中挖掘有用的信息,建立微分拟合方程,基于残差修正提出滑动平均法改进型灰色预测模型,增加当年数据的权重,避免数值的过度波动.德山开发区电力负荷预测结果表明该模型能有效提高预测精度.     

基于加权粒子群优化的LSSVM的钢铁企业电力负荷预测

钢铁企业电力负荷作为电力负荷的重要组成部分,钢铁电力负荷的准确预测对于提高电力负荷预测精度具有重要意义。为了实现钢铁电力负荷的中长期预测,本文选取了经济因素和社会因素作为自变量,引入带有惯性权重的粒子群算法(WPSO)对传统的最小二乘支持向量机智能预测模型(LSSVM)参数进行优化,并利用某地区钢铁电力负荷样本数据进行验证,拟合结果显示,经过粒子群算法优化后的最小二乘智能向量机算法预测精度更高,收敛速度更快,具有良好的推广性和适应性。     

变权重组合改进模型应用于中期电力负荷的预测

对变权重组合预测理论进行了扩展和改进, 并以某经济快速发展地区的历史电力负荷数据为实例, 运用常规电力负荷预测方法、改进后的变权重组合方法对电力负荷进行预测和计算分析.预测结果表明了变权重组合改进预测法的可行性, 有效提高了中期电力负荷预测的精度和可信度.     

改进粒子群算法在中长期电力负荷组合预测模型中的应用

为提高电力负荷预测的精度,提出了基于改进粒子群算法的电力负荷组合预测模型求解方法.该方法以回归分析、比例系数、灰色模型为基础建立负荷组合预测模型,利用改进粒子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,基于改进粒子群算法的电力负荷组合预测模型运算速度快,预测精度高,相对误差小.     

基于社会经济指标影响的电力系统月度负荷组合预测模型

电力负荷受到多种因素影响,用负荷历史数据进行负荷预测结果往往不准确.考虑社会经济指标的影响,采用无偏灰色预测模型与偏最小二乘模型相结合的方法对月度电力负荷进行预测.首先通过无偏灰色理论的方法预测各社会经济指标,然后针对社会经济指标与电力月度负荷的变化特点进行偏最小二乘建模.最后拟合出负荷与各指标之间的线性关系式.实例证明,该组合预测模型具有较高精度.     

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.     

组合模型在中期电力负荷预测中的应用

为了对中期电力负荷进行合理预测,结合三次指数平滑法和GM(1,1)预测模型,建立了新的组合模型,并以预测偏差平方和最小为准则优化了各单一模型的权重.通过MATLAB编程并以某市全年用电量为例对3种方法的预测精度进行了仿真验证.结果表明,组合模型具有更高的预测精度和更低的预测误差,能避免各单一预测模型的局限性.因此,用组合模型对未来用电量进行预测的结果更可靠.     

蚁群算法分配权重的燃气日负荷组合预测模型

为适应城镇燃气日负荷随机性和多变性的特点,克服特定时刻单一负荷预测模型存在实际应用局限性的问题,将5种评价准则用于组合预测前剔除冗余模型,提出了一种建立变全重组合预测模型的方法,通过蚁群算法确定分配权重的组合预测模型,使得在一个时段上的燃气日负荷预测精度好于各单一模型.首先对包含诸多随机和模糊等不确定因素的城镇燃气日负荷时变系统和各预测模型特点进行分析;然后确定岭回归分析(Ridge)、差分自回归积分滑动平均模型(ARIMA)、支持向量机回归(SVR)、极端梯度提升树(XGB)共4类单项日负荷预测模型,结合城镇燃气日负荷和模型的特点,分别给出每个模型各项参数的设置和模型的输入向量;用平均相对误差、均方根误差、灰色关联度、相关系数、Theil不等系数为评价准则计算出的综合评价指标剔除冗余模型,最后建立了蚁群算法权重分配的组合预测模型.预测实例表明,蚁群算法分配权重的燃气日负荷组合预测模型长期的综合预测效果要优于任意单项模型,相比于单一模型而言,组合预测模型的稳定性和容错率更高,具备较强的泛化能力.     

电力负荷预测的自适应对称调和遗传算法ANN耦合模型

针对遗传算法存在求解精度与收敛速度间的矛盾,提出一种新的自适应对称调和遗传新算法.该算法中交叉率(crossover rate)和变异率(mutation rate)随着染色体(chromosome)的适应度函数值(fitness value)动态改变,同时在产生子代(child)新种群(group)的过程中来源不是单一的父代(parent)种群,而是由三部分组成,即父代种群中的最优个体直接进入子代种群、通过选择交叉操作产生部分新的个体、投放部分特殊个体.建立了新算法与人工神经网络结合的电力负荷预测耦合模型,并以四川电网负荷实例进行验证.结果表明,自适应对称调和遗传算法的耦合模型避免了网络寻优的盲目性,达到了最优的拟合效果,有效地提高了预测精度和速度,为区域电力负荷预测问题提供了新的分析方法,开辟了建立电力负荷中长期预测模型的新途径.     

基于粒子群算法和BP神经网络改进的灰色电力负荷预测研究

灰色预测模型被广泛运用于电力负荷预测中,取得了较好的效果,但是灰色预测模型在实际应用中的缺点和局限性导致其预测精度有待提高,存在改进的必要。本文对于灰色预测模型的改进,分别从优化初值和改进模型等方面进行,从而提高普通灰色GM（1,1）模型的预测精度。对初值的处理可以削弱异常值的影响,强化趋势,从而避免由于初值选择不当而造成预测误差。本文中对模型的改进主要通过建立等维新息预测模型、灰色粒子群组合预测模型和灰色BP神经网络组合预测模型来实现。通过这些对灰色预测模型的修正和改进,进一步提高了灰色预测模型的适用性．最大限唐妯提高了灰乍．GM（1,1）模型的预测精唐．     

基于时间序列模型与灰色模型的组合预测模型的研究

为了能有效地提高预测模型的精度,提出了组合预测模型。本文首先利用ARIMA模型对时间序列数据进行模型的识别和拟合,然后由比较可知优化后的GM（1,1）模型拟合和预测效果好于GM（1,1）模型,最后通过赋予合理权重结合ARIMA模型和优化后的GM（1,1）模型两种方法得到ARIMA-GM的组合预测模型。预测结果表明：组合模型的预测准确性高于各个模型单独使用时的准确性,组合模型发挥了各个单一模型的优势。     

基于组合电力负荷预测模型的电力经济调度研究

根据武汉地区近10 a电力负荷使用情况对武汉供电公司电力负荷预测进行研究,以此为经济调度及负荷管理提供依据.选用基于GM(1,1)模型和一元线性回归法的组合负荷预测模型.对武汉地区每月最大负荷进行预测;算例证明组合预测模型有效提高了电力系统负荷预测能力,且证明了该组合电力预测模型对发电量预测同样具有可行性.     

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.     

基于多重分类器模型的微网短期负荷预测

受电力负荷时间变化规律以及气象、节日等因素的影响,微网孤岛运行负荷极具不确定性。如何保证微网系统能够较准确捕捉负荷需求的变化,提高微网系统对负荷变化的跟踪能力,对微网运行的安全性和稳定性及供电质量都具有重要意义。将神经网络与分类器概念相结合,构成多重分类器系统,对微网进行短期负荷预测,仿真实验证明其对负荷用电值预测的准确度明显高于单一分类器系统。     

上证指数基于SVD的组合预测模型

股票指数时间序列具有非平稳和高噪声等特点,在进行股票指数预测时,由于噪声的影响,单一模型的预测精度往往不高.作者建立了基于奇异值分解（SVD）的BP神经网络和ARMA-GARCH组合预测模型,该模型将原序列分解为趋势部分和噪声部分,分别进行研究.实证研究结果表明：该模型的拟合、预测精度较高.     

基于BAGGING算法和BP神经网络的电力系统负荷预测

电力系统负荷预测关系到电力系统的控制和运行计划,精确的负荷预测有助于提高系统的安全性和稳定性,从而可以提高电力系统的经济效益。电力系统负荷预测问题具有的数据量大、影响因素多等特点,使用单个BP神经网络进行负荷预测时,预测结果随机性大、精度低。本文把BAGGING算法思想与BP神经网络相结合起来,通过生成一组BP神经网络模型,挑选最好的网络模型最为最终的预测模型,进行负荷预测,以提高负荷预测能力。