基于神经网络的电力系统短期负荷预测研究

电力系统负荷预测是电力生产部门的重要工作之一，作者利用BP神经网络进行电力系统短期负荷预测，在保证有足够的训练样本的前提下，对预测模型进行合理分类，构造了相应于不同季节的周预测，日预测模型，并对输入变量的选择，特别是温度的选取问题，进行了讨论，在神经网络训练的过程中，往往会出现过拟合的现象，给预测的结果带来不利的影响，为此在训练过程中，将样本随机地分离为训练集和测试集来防止这个问题，典型算例的计算表明，该方法是有效的。     

一种电力系统短期负荷预测网络信息系统

在应用BP神经网络对电力系统进行短期负荷预测的基础上，设计了基于三层C／S网络信息结构的电力系统短期负荷预测系统，并给出了一种具体的实现方法。该方法使用户可以通过在线方式浏览历史数据，查看预测结果并分析市场走势，通过预测系统，客户能够根据负荷值采取相应措施，最大程度减少损失并获得较高利润，该系统目前用于预测美国加州电力系统负荷，随着国内电力市场的开放，也用于预测山东，浙江等省的负荷，该方案采用的先进计算机技术和体系结构保证了系统的良好性能。     

短期负荷预测的综合模型

进行实际短期负荷预测时,对某个固定的地区,用不同预测方法可能得到不同的预测结果。文中基于对这些不同的预测结果的分析,提出了以得到一个唯一的综合预测曲线为目标的优化模型。根据模式识别的基本原理,这个新型以待预测民历史日绵最佳匹配为原则,通过虚拟预测结果与实际负荷曲线数据的误差平方和的最小化,可以得到综合模型中各种单一预测结果所占的权重值大小。实际算例研究表明,综合模型的预测结果优于各种单一方法的预测     

一种基于人工神经网络的短期负荷预测技术

提出了一种基于人工神经网络的电力系统短期负荷预测技术,该方法在计及气温因素对负荷预测影响的基础上,将神经网络同一种较为新颖的预报模型相结合,因而具有较高的预测精度。计算实例证明了该法的可行性和有效性。     

一种新型短期负荷预测模型的研究及应用

提出了一种将混沌和神经网络相结合的方法用于短期负荷预测。利用混沌方法重构相空间系统吸引子，用前向神经网络拟和吸引子上的全局整体映射，构成了混合预测模型。在实际应用中，将基于奇异值分解的噪声消减滤波算法应用到数据的预处理中，并用混沌学习算法来训练神经网络参数，预测结果表明了该方法的有效性。     

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。     

一种电力系统短期负荷预测的新方法

依据模糊聚类理论,提出一种短期负荷预测的新方法,应用相应的隶属度来描述负荷与影响负荷因素之间的关系。实践表明：该方法可以较多的考虑各种影响因素,从而较大地提高了预测的精度。     

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。     

提高电网短期负荷预测精度的研究

以广东珠海电网为例,对负荷特性、经济发展特点、气候变化、预测技术等影响负荷预测的因素进行分析,提出提高电网短期负荷预测精度的措施:建立和完善典型日负荷样本数据库;特殊事件造成负荷较大变化时进行人工干预;合理做好负荷日的类型分析;采用扩展短期负荷预测方法进行明日负荷预测;建立气象负荷数据源预测模型.这些措施在珠海电网中应...     

一种 基于相似负荷日的短期负荷预计方法

针对江苏电力负荷的特点，提出了一种新的基于相似负荷目的短期负荷预计方法。其在江苏省电网调民的应用表明，该方法比其他方法具有较高的精度。     

电力短期负荷预测相似日选取算法

短期负荷预测是电力系统安全经济运行的基础,相似日选取的准确与否直接影响到短期负荷预测算法的精度。针对短期负荷预测的特点,提出一种能便于考虑各种因素影响的新算法。分析了气象、日类型等因素对负荷影响的常见规律,便于识别主导负荷变化的因素,建立了在短期负荷预测中选取相似日的新方法。理论和实例均表明,该方法适应性较强,能够通过历史数据分析从历史日中选取最合适的相似日,对提高短期负荷预测的精度具有较大价值。     

基于ARIMA模型的短期电力负荷预测

电力负荷时间序列不平稳和受噪声污染严重,直接对负荷进行预测准确度不高。针对此问题,提出了一种结合小波变换与累积式自回归移动平均(ARIMA)模型的短期电力负荷预测新方法。首先,将历史负荷数据进行小波变换,以去除噪声干扰;然后,建立ARIMA模型进行负荷预测。通过实际负荷数据实验,证明了该方法的有效性。     

融合负荷和气温周期性特征的短期负荷预测方法∗

针对传统考虑气温因素的短期负荷预测模型存在预测精度不高的问题,提出了一种考虑负荷和气温周期特征的短期负荷预测模型.首先对气温及负荷序列采用VMD分解得到两组特征互异的分量,取其中与原始负荷相关性最大的分量分别作为气温特征和负荷特征.然后,将历史负荷特征结合所取的气温特征和负荷特征一起输入GRU模型进行预测.算例分析表明,该模型的平均绝对百分误差为0.765％,验证了所提方法在电力负荷预测的有效性.     

基于PCA-SVM的电力系统短期负荷预测

针对基于支持向量机的电力系统短期负荷预测算法中,预测模型的精度和泛化能力易受样本集中输入变量的影响,利用主成分分析方法能有效地消除变量之间共线性的特点,通过提取样本集的主成分完成数据预处理,有效地压缩样本集的维数。根据East-Slovakia Power Distribution Company提供的电网运行数据进行了预测计算,证明此方法与标准支持向量机算法相比,可以降低样本集的维数,提高负荷预测精度。     

基于有偏最小最大概率回归的短期负荷预测

针对电力负荷的一些特性,提出了使用非线性数据分类学习机的理论来解决短期负荷预测问题。利用有偏最小最大概率机进行数据学习分类,对采集到的信息进行分类、特征提取,形成归一的数据类型;用得到的分类数据作为有偏最小最大概率回归模型的输入进行训练预测。该方法通过核函数将输入向量从低维空间映射到高维空间,在高维空间实现了基于高阶统计信息的负荷影响因数的特征提取,既全面考虑了影响负荷预测的历史时间序列、气象等各种因素,又避免了由于输入变量过多而导致模型结构复杂、训练时间长等不足。计算实例表明,文中提出的方法用于短期负荷预测,其预测精度较高,且训练时间较短,方法可行且有效。     

基于ARIMA和LS-SVM组合模型的短期负荷预测

经实例预测分析发现,利用累积式自回归动平均法(autoregressive integrated moving average,ARIMA)进行电力短期负荷预测时所得误差序列有较明显的周期规律性,针对此现象及其原因,为提高预测精度,提出采用最小二乘支持向量机(least squares support vector machine,LS-SVM)对ARIMA预测误差进行修正的ARIMA-LS-SVM组合模型;利用该改进模型对哈尔滨电网负荷进行实例预测,结果表明:该方法能够提高短期负荷的预测精度,并且具有较强的推广性和应用能力。     

基于K-means聚类的短期负荷预测研究

本文的中心思想是采用多种方法组合进行预测,对30个种类的用户全年8760个小时的用电量做全年最后一天的日负荷预测。本文根据聚类算法对数据进行归纳整理再拆分的特点先将数据聚成5类,根据5类用户曲线的特点分别采取不同的适用于各曲线的方法进行预测。本文在k-means聚类的基础上又采取了三种方法进行预测。预测出结果的MAPE值不高,证明预测的精度的准确定。聚类分析的归纳整理功能为预测节省了大量时间,提高了预测速度,而以此为基础采用不同适合的方法进行预测又提高了预测精度,这在一定程度上解决了当前预测快速与准确无法兼具的问题。     

基于短时间尺度相关性聚类的负荷预测

负荷预测不仅是电力系统稳定、安全运行的基础,同样也是实现电力需求侧智能用电管理的基础。短时间尺度相关性分析能够挖掘一段时间内负荷的用电行为,相似用电行为分析有助于改善负荷预测效果,因此本文提出了基于短时间尺度相关性聚类的负荷预测方法。首先,根据短时间尺度用电时间序列之间的皮尔逊相关系数构造相关系数矩阵,并对相关系数矩阵进行去噪处理;然后,基于相关系数矩阵,利用模糊c均值聚类的方法来实现不同用电特性负荷之间的聚类,每类中负荷具有相似的用电行为;再分别对每一类中所有负荷数据求和并利用人工神经网络进行超短期负荷预测,基于每类的负荷预测结果计算系统的负荷预测;最后,通过对某110kV变电站10kV负荷馈线的实际数据进行分析,分析结果表明基于短时间尺度相关性分析的聚类提升了负荷预测的效果,从而验证了本文所提方法的有效性。