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.     

重庆地区电力负荷特性及其影响因素分析

研究电力负荷变化特性和规律对提高短期负荷预测精度具有重要意义。根据重庆地区近年来收集的历史负荷数据和气象数据等相关信息,分析了年最大和最小负荷及典型日负荷曲线的变化规律,研究了该地区的负荷特性与主要影响因素之间的相互关系,并针对重庆地域特点,分析了各主要影响因素对该地区负荷的影响程度和主要影响时段。研究结果表明,目前温度、降雨量和节假日对重庆地区电力负荷的影响较大,可为研究重庆地区电力短期负荷预测方法和分析未来智能电网的负荷特性提供理论依据。     

基于RBF神经网络的短期电力负荷预测

深入研究了温度、湿度以及风速等气象条件对电力负荷的影响,建立了基于径向基函数（RBF）神经网络进行短期负荷预测的模型。以广东省某地区月负荷数据作为原始数据,利用RBF神经网络的非线性逼近能力预测出日负荷曲线,并用实测数据对其进行了检验,同时与同等条件下建立的BP神经网络模型预测的结果进行了综合对比。结果表明,基于RBF神经网络模型预测的误差比BP神经网络模型预测的误差要小,其预测精度可以为供电企业对负荷进行合理的规划和准确的调度提供依据,具有一定的工程指导意义。     

基于EEMD-样本熵和Elman神经网络的短期电力负荷预测

针对电力负荷序列的非线性、非平稳性等特点,提出了一种基于集总经验模式分解EEMD-样本熵和El-man神经网络的短期负荷预测方法。为了减小电力负荷序列局部分析的计算规模以及提高负荷预测的精度,先利用EEMD-样本熵将原始电力负荷序列分解成一系列复杂度差异明显的子序列;然后在综合考虑温度及日期类型等因素对各子序列影响的基础上,根据各子序列的特点构造不同的Elman神经网络对各子序列分别进行预测;最后将各子序列的预测结果叠加得到最终预测值,并对EUNITE国际电力负荷预测竞赛公布的数据进行仿真实验。仿真结果表明该方法能有效地提高负荷预测的精度。     

基于大数据分析的混沌神经网络模型在负荷预测中的应用

利用大数据分析方法对石家庄地区小时负荷数据的混沌特性展开数据挖掘分析,并综合考虑负荷历史数据、气象因子等影响因素,建立了基于混沌理论与神经网络相结合的负荷预测模型,并利用该模型对石家庄地区短期电力负荷进行了有效的预测。     

基于RBF神经网络与模糊控制的短期负荷预测

针对电力系统短期负荷预测,综合考虑温度、日期类型和天气等因素对短期电力负荷的影响,建立了径向基函数（Radial?Basis?Function,RBF）神经网络和模糊控制相结合的短期负荷预测模型。该模型利用RBF神经网络的非线性逼近能力对预测日负荷进行了预测,并采用在线自调整因子的模糊控制对预测误差进行在线智能修正。实际算例表明RBF神经网络与模糊控制相结合提高了预测精度。     

基于特性分析的改进BP神经网络短期电力预测方法

由于短期电力负荷、用电量受众多复杂的非线性因素影响,传统单一BP神经网络预测方法存在精度不高、收敛速度慢等问题。为了提高收敛速度和预测精度,根据影响因素特性将其分为长期、短期性影响因素,根据负荷、用电量曲线特性分别将其分为基准量和敏感量,并用决定系数法确定所需短期影响因素。应用遗传算法对BP神经网络的初始权值和阈值进行优化,将BP神经预测误差作为遗传算法的适应度函数,建立了基于特性分析的改进BP神经网络短期电力预测方法。选取中部某省2015—2019五年"迎峰度冬"期间数据进行验证,结果表明,该预测方法的精度和收敛速度都得到了提高。     

考虑温度因素的中期电力负荷概率密度预测方法

针对温度因素对中期电力负荷的影响,在现有的神经网络预测、区间预测和概率密度预测方法的基础上,研究在不同分位点上温度和历史负荷对电力系统中期负荷分布规律的影响,提出基于神经网络分位数回归的中期电力负荷概率密度预测方法。根据连续的条件分位数函数预测中期负荷在某天的概率密度,获得更多关于中期负荷预测信息。同时,通过比较在考虑温度因素下和不考虑温度因素下的条件概率密度预测曲线以及峰值对应的点预测值,可以得出,预测当天温度对中期负荷预测有较重要的影响,这为降低中期电力负荷预测的不确定因素提供了更多的决策信息和预测结果。     

基于GRU-NN模型的短期负荷预测方法

目前基于统计分析和机器学习的预测方法难以同时兼顾负荷数据的时序性和非线性特点。文中提出了一种基于GRU-NN模型的短期电力负荷预测方法。该方法基于深度学习思想处理不同类型的负荷影响因素,引入门控循环单元(GRU)网络处理具有时序性特点的历史负荷序列,建模学习负荷数据内部动态变化规律,其输出结果与其他外部影响因素(天气、日类型等)融合为新的输入特征,使用深度神经网络进行处理,整体分析特征与负荷变化的内在联系,最后完成负荷预测。以美国某公共事业部门提供的公开数据集和中国某地区的负荷数据作为实际算例,该方法预测精度分别达到了97.30%和97.12%,并与长短期记忆神经网络、多层感知机以及GRU神经网络方法进行对比,实验结果表明所提方法具有更高的预测精度和更快的预测速度。     

多元指数加权电力负荷灰色优化组合预测

由于电力负荷具有增长性和波动性并且受到多个因素影响,使得电力负荷的变化呈现出复杂的多元性及非线性组合特性,对于这种具有复杂的多元性及非线性组合特性的序列,使用传统的模型进行预测,预测精度往往不理想.为了提高预测精度,作者为提出了多元指数加权电力负荷灰色优化组合预测模型.其中灰色优化组合预测模型用于进行非线性增长趋势的电力负荷预测,指数加权法能解决历史负荷的波动性问题.实际算例表明,所提出的方法由于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.     

互信息在电力系统中长期负荷预测中的应用

传统电力负荷预测方法常以电力负荷自身的历史序列特征外推预测未来负荷,或者用确定性相关关系来模拟少数几种电力负荷关联因素的影响,导致对负荷变化规律的把握存在缺陷.信息领域中的互信息理论用于分析两个随机变量间的相互依赖程度,其中包含了线性和非线性关联关系,用以描述电力负荷及其影响因素的关联程度,为进一步的预测工作提供依据.应用互信息理论,建立了电力负荷预测的互信息网络模型,根据各影响因素与电力负荷间的互信息对其量化、比较和逐层筛选,在得到各经济社会指标与负荷之间的关联程度的基础上,对未来负荷进行预测.将本模型应用于实际电力系统预测,得到了令人满意的预测结果.     

基于优化RBF神经网络的电力负荷预测研究

针对传统方法无法对现代电力系统负荷非线性模型进行有效预测的问题,提出采用RBF神经网络来实现电力负荷预测。在经典RBF神经网络的基础上,提出采用K交叉验证方法对网络结构进行优化并且给出了网络最优学习率的自应调整策略;在建模过程中,不仅利用以往的历史数据,而且充分考虑天气、政策等因素的影响,并根据预测周期的不同,合理分配了权重。试验结果表明,优化后的RBF神经网络性能更优,对于电力负荷的预测结果准确度更高,为电力负荷预测提供了一条有效途径。     

基于小波变换和遗传算法优化神经网络负荷预测

提出了采用小波变换和遗传算法优化神经网络的混合模型对电力负荷进行短期预测。首先通过小波变换,将原始负荷序列分解到不同的尺度上,然后根据不同的子负荷序列的特性分别建立相匹配的神经网络模型,采用遗传算法优化各神经网络模型的初始权值,最后对各分量预测结果进行重构得到最终预测值。采用成都某地区2009年的实际负荷对所提方法进行验证,实验结果表明基于该方法的负荷预测系统具有较高的预测精度。     

基于组合式神经网络的短期电力负荷预测模型

通过对电力负荷变化规律和影响因素的分析,提出了一种基于组合式神经网络的短期电力负荷预测模型。该模型综合运用神经网络、模糊聚类分析和模式识别理论方法进行建模。首先,采用模糊聚类分析方法,以每天的24点负荷数据、天气数据以及天类别数据为指标,将历史数据分成若干类别;其次,对每一类别建立相应的神经网络预测模型;预测时通过模式识别,批出与预测天相符的预测类别,利用相应的神经网络预测模型进行24小时的短期电力负荷预测。对绍兴地区2年多的实际负荷变化数据进行预测分析的结果表明,该模型不仅对普通工作日有较高的预测精度,对双休日、节假日和一些特殊情况也有较好的预测精度。     

基于MFOA-GRNN模型的年电力负荷预测EI北大核心CSCD

精确的年电力负荷预测为电力建设和电网运行提供可靠的指导。受多种因素的影响,年电力负荷曲线呈现出非线性特性,因此年电力负荷预测问题的解决需要建立在非线性模型的基础之上。广义回归神经网络（GRNN）已被证明在处理非线性问题上是非常有效的。该网络只有一个扩展参数,如何确定适当的扩展参数是使用GRNN进行预测的关键点。提出了一种将多种群的果蝇优化算法（MFOA）和GRNN相结合的混合年电力负荷预测模型,用以解决上述问题。其中,MFOA用作为GRNN电力负荷预测模型选择适当的扩展参数。最后通过模拟实验数据分析,MFOA-GRNN模型的年电力负荷预测平均绝对百分比误差为0.510%,均方误差为0.281。并且将其结果与差分进化的支持向量机模型（DE-SVM）、粒子群优化的GRNN模型（PSO-GRNN）、以及果蝇优化的GRNN模型（FOA-GRNN）的预测结果进行了比较。最终得出,文中所提出的MFOA-GRNN模型在年电力负荷预测中的预测性能优于上述3种模型。     

基于RBF神经网络的短期负荷预测

电力系统短期负荷预测是电力部门的重要工作之一.在短期负荷预测中,电力负荷变化受多方面因素的影响,负荷曲线呈现出强烈的非线性.正确认识和分析负荷影响因素对负荷的影响一直是短期负荷预测的关键问题.采用径向基函数神经网络进行电力系统短期负荷预测可获得更高的预测精度.文中研究了电力市场下基于径向基神经网络的短期负荷预测建模及其仿真.     

基于MFOA-GRNN模型的年电力负荷预测

精确的年电力负荷预测为电力建设和电网运行提供可靠的指导。受多种因素的影响,年电力负荷曲线呈现出非线性特性,因此年电力负荷预测问题的解决需要建立在非线性模型的基础之上。广义回归神经网络(GRNN)已被证明在处理非线性问题上是非常有效的。该网络只有一个扩展参数,如何确定适当的扩展参数是使用GRNN进行预测的关键点。提出了一种将多种群的果蝇优化算法(MFOA)和GRNN相结合的混合年电力负荷预测模型,用以解决上述问题。其中,MFOA用作为GRNN电力负荷预测模型选择适当的扩展参数。最后通过模拟实验数据分析,MFOA-GRNN模型的年电力负荷预测平均绝对百分比误差为0.510%,均方误差为0.281。并且将其结果与差分进化的支持向量机模型(DE-SVM)、粒子群优化的GRNN模型(PSO-GRNN)、以及果蝇优化的GRNN模型(FOA-GRNN)的预测结果进行了比较。最终得出,文中所提出的MFOA-GRNN模型在年电力负荷预测中的预测性能优于上述3种模型。     

基于改进关联分析的行业短期电力负荷预测

行业短期电力负荷的准确预测对于地区电网的安全经济运行具有重要意义。为此，提出一种基于关联分析和卷积神经网络的行业短期电力负荷预测模型。首先，对k-means聚类算法进行优化，并对行业负荷和外部影响因素的原始数据进行聚类处理，以改善后续关联分析的准确性；然后，提出一种基于标准互信息的改进关联分析方法，对各种外部影响因素和行业负荷的关联性进行定量分析；最后，基于卷积神经网络设计一种计及外部影响因素关联性的负荷预测网络，网络在经过训练后可用于行业短期电力负荷的预测。对照实验结果表明，所提模型在各行业的短期电力负荷预测中都具有更好的准确性和稳定性。     

灰色神经网络在电力系统短期负荷预测中的应用研究

为了有效地实现电力生产和供应,对各电网的电力负荷进行准确预测就十分必要。传统的GM（1,1）预测模型有建模数据少、计算简单和良好的短期预测能力等优点,这使得其在电力负荷的短期预测中得到了很好的应用,但是它不能有效处理电力系统的非线性问题,所以这种预测方法的预测精度不是很好。文章根据电力系统的非线性和波动性提出用灰色预测模型和神经网络理论相结合的灰色神经网络模型对电力负荷的时间序列进行短期预测。实验结果表明这种方法是可行的、有效的。     

基于证据理论加权的电力负荷组合预测

为了提高电力负荷的预测准确度,提出了一种基于证据理论加权的电力负荷组合预测模型。首先分别采用自回归移动平均模型、灰色模型和BP神经网络对电力负荷进行预测,分别得到电力负荷的线性、周期性和非线性预测结果;然后采用证据理论确定自回归移动平均模型、灰色模型和BP神经网络的预测权值;最后进行加权得到电力负荷的预测结果,并将该模型应用于具体的电力负荷建模与预测中。实验结果表明,该模型可以描述各单一模型对电力负荷预测结果的贡献,更加准确地描述电力负荷的变化特点,预测准确度能够满足实际应用的要求。