基于最优动态功率补偿的电力负荷预测方法

电力系统负荷主要由全社会综合经济状况和气象条件这2个关键影响因素决定,为了提高短期和中远期负荷预测的精度,提出一种基于最优动态功率补偿的负荷预测方法.首先,按照时间顺序将负荷数据划分为分段1和分段2,通过相似性矩阵计算,分别提取分段1和分段2最优的训练体感温差曲线和目标体感温差曲线;其次,利用构建的径向基神经网络分别实...     

中期电力负荷预测及负荷模型的研究

对电力系统中期负荷预测提出了按照时间段预测趋势修正的新方法 ,同时提出了多阶梯中期负荷模型。     

负荷模型对鄂湘联络线暂态稳定输送功率极限的影响

不同的负荷模型对电力系统暂态稳定有不同的影响。计算并分析了湖南电网在不同负荷模型下,江复线投产后,鄂湘联络线的暂态稳定输送功率极限。     

计及延迟效应的两段特征选择技术在负荷预测中的应用

针对特征对负荷的影响具有延迟效应,在现有的两段特征选择技术基础上提出了一种计及延迟效应的两段特征选择技术。首先,基于延迟交互信息（delay mutual information,DMI）寻找特征与负荷之间最佳预测参考点,并借助该参考点调整相空间。然后,对该相空间进行基于DMI的两段特征选择,即不相关滤波和冗余滤波。最后,将滤波后的相空间输入预测引擎进行预测。实例对多个可能相关的变量进行分析,验证了该方法可降低预测误差和时间。     

短期负荷预测的支持向量机参数选择方法

支持向量机SVM(support vector machine)方法的合理参数选择对提高回归结果的准确性有重要作用.该文采用基于支持向量机短期负荷预测的参数选择方法,用遗传算法对参数种群进行编码、交叉、复制和变异,求得最优参数和最优核函数.将该算法应用于电力系统短期负荷预测中,应用了筛选和不筛选特征值两种方案对历史数据进行了预测.算例证明,无论是应用筛选特征值方案还是不筛选特征值方案,参数选择对预测精度提高都具有重要作用.     

电力系统负荷扰动数字特征的研究

利用现场录波数据，对电力负荷随机扰动的数字特征进行了系统地研究。为消除记录装置本身可能造成的干扰，首先完成了不良数据的剔除和高频干扰的滤波，然后分别对有功、无功负荷随机扰动的均值、均方差进行计算，对序列的平稳性、正态性进行了讨论分析，指出扰动序列相关函数、谱密度等方面的特点及其对负荷建模的影响。     

分布式电力系统中微网功率负荷最优分配

分布式电力系统中微电网功率最优化问题,是指在满足各个微网运行约束条件下优化各微网的出力,使整个微电网电压损耗最小、功率损耗最小和经济运行成本最优为目标函数。针对微电网孤岛运行时的优化调度问题,在微网模型的基础上建立了多目标优化模型,利用遗传算法,在三个目标之间采用线性加权法进行处理,将多目标优化转化为单目标进行求解,并通过算例仿真验证该方法的有效性。     

基于AHP的实用中长期电力负荷预测最优综合模型

针对中长期电力负荷预测特点，提出一种基于AHP（层次分析法）的中长期电力负荷预测最优综合模型。以历史数据的拟合精度、预测结果与未来经济社会发展的一致性、预测者对模型的信赖度为目标准则；通过自适应进化规划和判断矩陈的方法确定综合模型的最优权重。基于AHP的最优综合模型不令依靠科学计算，而且也考虑了专家经验，将基于AHP的最优综合模型的预测结果与传统综合模型的预测结果相比，误差较小，精度较高，在实用中取得了满意的结果。     

电力系统综合负荷模型的辨识方法研究

针对电力系统综合负荷模型有些参数仅利用常规信息不可辨识的问题，提出增加利用扰动 后稳态条件的信息，从而解决了可辨识性的问题；同时将遗传算法(GA)引入到辨识方法中， 克服了传统辨识方法对初值要求高、鲁棒性差、容易陷于局部极值点的缺陷，对复杂模型 的辨识是行之有效的。     

基于特征选择和组合模型的短期电力负荷预测

提出基于特征选择和组合模型的短期电力负荷预测方法。首先将特征向量按特点分为2类,分别使用斯皮尔曼相关系数、最大相关最小冗余算法进行选择,依据贝叶斯信息量准则确定最优特征向量维度。然后使用3个不同的核函数建立单核递归支持向量回归模型并完成预测。最后构建神经网络,进行实验分析。仿真结果表明所提方法具有较高的预测精度与鲁棒性。     

基于启发式算法的电力系统综合负荷模型的自动选择

针对电力系统中负荷类型多种多样,系统综合负荷模型的组合方案不可能一一列出的问题,提出了一种通过建立负荷模型库,以代表负荷模型投入情况的0-1逻辑变量为决策变量的最优负荷模型自动选择的方法:根据实际电力系统的负荷结构组合出各种动态等值模型,并且在众多模型组合方案中自动选择出最优的模型组合,并将传统启发式算法引入优化求解过程。通过对实际电网动态等值模型的自动选择,得到所选模型组合能够较好的描述负荷行为,表明电力系统综合负荷模型自动选择这一方法的可行性和有效性。     

遗传模糊算法在短期负荷预测中的应用

提出了一种基于模糊逻辑原理的负荷预测方法,使用遗传算法对系统参数进行训练。在以往的模糊逻辑系统建立过程中,其主要参数(如模糊推理规则和隶属函数等)需要依靠运行人员经验或专家知识来确定,而本文利用遗传算法,通过对样本数据的自学习过程来获取系统参数。在遗传算法中,将推理规则与隶属函数参数的确定结合在一起,从而确定系统参数的最优组合,由此建立起一个较合理的模糊负荷预测系统。仿真实验结果表明,该方法能够达到满意的预测精度,具有良好的实用前景。     

基于人工免疫算法的电力负荷预测综合模型

将电力负荷预测综合模型中各单一电力负荷预测模型的最优权重作为抗原,将权重的解作为抗体,通过模拟生物免疫系统的工作原理来搜索最优权重,提出了基于人工免疫算法的电力负荷预测综合模型。应用该模型于某地区负荷预测的实例中,并与基于遗传算法的综合模型和基于直接搜索寻优法的综合模型进行比较、分析。结果表明,该模型具有全局寻优能力好、预测精度高等优点。     

基于Fisher Score特征选择的电力系统暂态稳定评估方法

针对不同电气输入特征与电力系统暂态稳定关联程度不同以及当输入特征受到干扰时评估准确率明显下降的问题,提出一种基于Fisher Score特征选择的电力系统暂态稳定评估方法。设计一种面向电力系统暂态稳定评估二分类问题的样本特征Fisher Score值计算方案;通过Fisher Score值排序有效区分重要特征与冗余特征、噪声特征与非噪声特征;将选择的电气特征输入不同机器学习模型中进行训练和评估。新英格兰39节点系统和IEEE 145节点系统的仿真结果表明,所提特征选择方案能有效筛选电力系统暂态稳定评估中重要度高的特征,提升了评估模型的预测性能。     

基于改进PSO-BP神经网络的短期电力负荷预测研究

粒子群优化(PSO)算法是基于群智能的全局优化技术,它通过粒子间的相互作用,对解空间进行智能搜索,从而发现最优解。该文对基本粒子群算法进行改进,并将改进粒子群优化算法与误差反向传播(BP)算法结合起来构成的混合算法用于训练人工神经网络,对短期电力负荷进行预测。实践结果表明:改进PSO-BP算法有效地解决常规BP算法学习网络权值和阈值收敛速度慢、易陷入局部极小等问题,具有较快的收敛速度和较高的预测精度。     

运用遗传规划法进行电力系统中长期负荷预测

运用遗传规划法进行中长期负荷预测,将预测模型作为遗传规划中的个体,根据"优胜劣汰"的原则,运用复制、变异和交叉三个主要的遗传算子操作,搜索最优预测模型。它根据历史样本数据自动生成负荷预测模型,包括模型的函数形式以及模型参数。同时在模型的实现上对遗传个体进行Read线性编码,用十进制编码来代替个体树,通过对编码的操作来实现各种遗传操作,极大地提高了程序运算效率。通过对某地的年用电量进行预测,同时与传统的多元线性回归模型进行比较,结果表明,GP模型可以显著提高预测精度。     

多因素影响的灰色神经网络组合电力负荷预测

一般的电力负荷预测都是只针对电力历史负荷值做预测,而实际电力负荷是受到各种因素制约的复杂非线性系统.首先提出多因素影响的灰色神经网络组合预测模型,研究同时考虑了在各可定量分析因素影响下的负荷增长和波动二重趋势性问题.通过电力负荷预测应用的实例,对某地区电力负荷值,GDP值和各产业值进行分析,建立对应的优化组合预测模型,并与其它算法进行比较,计算结果表明,所提出的方法综合考虑了电力负荷的多种特性,能有效地提高负荷预测精度.     

R-AdaBoost带钢表面缺陷特征选择算法

带钢表面缺陷形式的复杂多变给特征的选择带来了困难,为此,提出一种融合特征筛选和样本权值更新的R-Ada Boost特征选择算法。该算法在Ada Boost算法的每个循环中通过Relief算法进行特征的筛选与降维,通过筛选后的特征利用样本的类内类间差去除噪声样本,然后根据Ada Boost的动态权值更新样本库,再利用每个循环优化选择得到的最优特征与弱分类器级联成最终的Ada Boost强分类器,进行带钢表面缺陷的检测与定位。实验结果表明,针对带钢实际生产线上的划痕、褶皱、山脉、污点等多种缺陷,该算法可以有效提取出具有高区分性和独立性的特征,同时提高了缺陷检测算法的准确率。     

一种时频尺度下的多元短期电力负荷组合预测方法

随机因素的增加导致电力负荷数据成分日渐复杂,使短期负荷预测的难度逐渐增大。针对该问题,提出一种时频尺度下的时间卷积网络与多元线性回归相融合的组合预测模型。利用自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)在时频域上将负荷数据分解为若干个频率特征不同的本征模态分量,在模糊熵准则下聚类为随机项和趋势项。采用皮尔逊系数从诸多影响因素中筛选出与电力负荷高度相关的特征,鉴于小时间尺度分析更易于挖掘局部细节特征,分别构建了随机项与趋势项的细颗粒度特征集。利用具有强非线性处理能力的时间卷积网络(temporal convolutional network, TCN)去预测随机项,利用结构简单及线性拟合效果好的多元线性回归(multiple linear regression, MLR)去预测趋势项,将二者的预测结果进行叠加重构后获得最终预测值。在新加坡和比利时两组数据集上的实验结果证明：所提模型具有较高的预测精度、较好的泛化性能及鲁棒性。