基于卡尔曼滤波的短期负荷预测

介绍了基于极大后验噪声估值器的自适应卡尔曼滤波算法,并将此算法用于次日整点的电力系统负荷预测。自适应卡尔曼滤波模型的阶用Hankel矩阵法辨识,模型参数采用最小二乘法辨识。针对建模过程中噪声估值器失去半正定性和正定性的情况,对噪声估值器作了平方根处理,经Matlab仿真验证,该处理方法是可行的。     

无迹卡尔曼滤波算法在短期负荷预测中的应用

电力系统短期负荷一般随着时间的变化呈现一定的范围性、非线性的波动。对于非线性短期电力负荷,传统的卡尔曼滤波预测方法难以取得令人满意的结果。为了快速准确高效地预测非线性电力负荷,研究了基于Unscented卡尔曼滤波的,以历史负荷数据、随机干扰因素作为输入的短期电力负荷预测方法。利用该算法对某地夏季9天电力负荷数据进行建模,采用基于脉冲响应序列的Hankel矩阵法辨识模型的阶。并将Unscented算法预测负荷数据与实测负荷数据及传统卡尔曼滤波预测数据进行对比分析,仿真结果证明基于Unscented卡尔曼滤波方法预测非线性负荷是实用而有效的,不仅预测精度较高,而且模型收敛速度快,滤波器稳定性高。为复杂的非线性负荷电力系统模型化提供了一条新途径。     

电力系统短期负荷离线预测研究

针对某电网负荷预测问题,提出了对灰色预测和单指数平滑法的有效改进,并将改进后的谅支及两种方法的组合预测应用于实际负荷预测问题中,获得了满意效果。文中通过一个计算实例,比较了改进前后这几种方法的预测精度,并列出了采用这几种方法进行负荷预测的满意结果。     

应用人工神经网络进行短期负荷预测

本文提出了一种应用人工神经网络进行电力系统短期负荷预测的方法。负荷按照每周各日进行分类，共七种模式，学习样本选取每周中的相同类型日。为了提高预测精度，对原始数据中的伪数据进行清除，对于那些可以预料到的随机干扰，应用专家系统原理予以处理。通过对银川供电局负荷的实际预测，表明本文所提供方法可以实际应用。     

负荷分析与短期负荷预测的研究

短期负荷预测是EMS系统包含的内容之一。由于电力模拟市场的引入,对短期负荷预测提出了新的要求。本文在对哈尔滨地区电网负荷分析基础上,运用神经网络模型进行预测,收到良好的效果。     

基于优化权重的卡尔曼滤波与无偏灰色组合模型的短期负荷预测

本文针对短期负荷预测动态、随机的特点,提出了一种基于优化权重的卡尔曼滤波与无偏灰色组合预测模型。该模型充分发挥了卡尔曼滤波准确估计动态系统的优势,并合理利用无偏灰色模型挖掘随机数据潜在规律的特点。首先根据卡尔曼滤波预测中出现特殊日收敛不足的缺陷,利用趋势稳定,规律性强,消除固有偏差的无偏灰色理论加以弥补。根据无偏灰色理论趋势稳定向上,在短期负荷预测中某些下降趋势数据点误差较大的缺陷,利用卡尔曼滤波依据大量数据最优估计的平均思想加以弥补。并且采用线性组合法进行结合进一步规避了预测风险。算例结果表明,该预测模型精度较高,具有实用性。     

智能化的短期负荷预测系统

应用模糊逻辑系统、人工神经网络和模糊专家系统等智能技术风云地某省电网设计出的具有自学习和自适应能力的短期负荷预测软件包,主要用于自负荷曲线的预测,指导生产计划制定和调度安排。该软件包是基于Ｗｉｎｄｏｗｓ的应用程序,具有开放式的结构和友好的人机界面。试用结果表明,该系统在进一步完善后,可望实际应用于地区和省网调度系统中。     

一种组合的短期负荷预测方法

提出一种基于指数平滑法和神经网络法的组合预测方法，电力系统短期负荷预测法。该方法对样本数据进行了预处理，以提高训练速度。预测仿真结果证明，使用该方法进行短期负荷预测是可行的。     

商业性城市负荷特点及其短期负荷预测

商业性城市负荷有其典型的特点，只有充分分析这些特点，才能有针对性地修正负荷预测算法，使得这些算法在预测上达到有效、准确。鉴此，以深圳市为代表分析了商业性城市负荷的特征及其原理，并提出有针对性的预测算法修正模式，实现了深圳市电网负荷的较高准确率预测。     

应用Kalman滤波方法的超短期负荷预报

几分钟到一小时的超短期负荷预报在电网在线控制中占有重要地位。本文将Ｋａｌｍａｎ滤波方法应用于超短期负荷预测，并在预报过程中引入极大似然估计进行模型未知参数辨识，达到了参数估计过程与预报过程的统一。并给出本算法在几个电网中的实际应用情况及算例分析。     

基于灰色生成的卡尔曼滤波短期负荷预测

根据灰色系统理论数据生成方式,提出了利用负荷级比累加序列进行卡尔曼滤波短期负荷预测的方法,以减小数据波动对预测精度的影响.首先依据移动时间窗原理对预测点附近的历史负荷数据进行提取,再采用级比和累加生成方式对提取数据进行处理,最后运用卡尔曼滤波算法对负荷级比序列累加值进行预测,并通过还原算法得到所需预测时刻的负荷值.对实际电网的负荷数据进行为期一周的仿真分析,其结果表明了该方法比基本的移动时间窗滤波算法具有更好的预测效果.     

基于提升人工神经网络的短期负荷预测模型

本文提出了一种基于提升人工神经网络的短期负荷预测方法。该方法由一组经过训练的人工神经网络迭代组合而成。在每次迭代中,对新的人工神经网络模型进行了调整,使前期迭代的模型得到的估计值与真实值之间的误差最小化。通过仿真可知,当计算输出的模型个数大于20时,可以获得较低的预测误差,与现有方法相比具有更高的预测精度。     

混合模糊神经网络在短期负荷预测中的应用

为提高电力系统短期负荷预测精度,将模糊逻辑和神经网络的长处融合在一起,构建了混合模糊神经网络短期负荷预测模型,用于预测预报日的负荷。其中针对模糊神经元的权值更新问题,采用了一种新的权值更新算法——一步搜索寻优法,进一步减小了预测误差。实际算例证明了该模型的有效性。     

基于改进FLN的短期电力负荷预测算法

短期电力负荷的预测对电力系统具有重要的意义.利用剪枝和附加动量法对标准函数连接神经网络(FLN)进行改进,并将电力负荷的机理和先验知识有机融入,构成了改进的FLN预测网络.对安徽电网电力总负荷的实际预测结果证明了该算法的有效性和优越性.     

基于负荷特征提取的神经网络短期负荷预测

综合考虑天气负荷类型和历史数据特征对负荷变化的影响 ,提出了一种新的短期负荷预测方法。通过ARMA、BP神经网络等提取具有特征的神经网络学习样本 ,用反向传播算法建立神经网络短期负荷预测模型。实际算例表明 :该法在负荷平稳或波动较大的季节均有预测精度高且适应性好的特点。     

基于遗传优化的BP神经网络算法的短期负荷预测

采用BP神经网络算法进行短期电力负荷预测存在缺点,需要进行完善和改进。介绍了BP神经网络算法进行短期负荷预测的原理,以及遗传算法的基本原理。具体叙述遗传算法对BP神经网络算法进行优化的实现步骤。优化后的算法避免了原来初始权值和阈值选择的盲目性,提高了BP神经网络算法短期负荷预测的精度和效率。通过具体算例,证明了此算法的可行性和有效性。     

基于气象信息因素修正的灰色短期负荷预测模型

针对传统灰色模型应用于短期负荷预测的缺陷,改进了多角度数据组织策略,选择社会活动背景相似度较高的历史日作为相似日,建立了气象因素突变判别准则,以识别相似日中的气象突变,并采用回归法消除相似日负荷数据中的受气象敏感负荷分量.采用邻近趋势外推法和相似日替换法矫正灰色模型预测时容易产生的局部畸变点.实验结果表明,改进后的灰色模型预测精度提升明显,预测精度平均提高1％～2％,最高可达7％.该方法能同时考虑社会活动规律和气象因素对负荷的影响,克服了传统模型本身对不规律数据预测精度差的缺点.     

基于混沌理论的短期负荷局域多步预测法

分析了目前对短期负荷时间序列进行预测的加权一阶局域一步预测方法,针对其用于多步预测会产生累计误差并且计算量很大的缺点,提出了将加权一阶局域法多步预测模型用于短期负荷预测。在分析电力系统历史短期负荷时间序列混沌特性的基础上,通过将多步预测模型应用于负荷的预测,验证了该方法相对于一步预测法在计算速度和精度方面都有明显提高。