混沌神经网络理论在负荷建模中的应用

针对现代电力系统条件下系统稳定性对负荷建模的新要求,分析了电力系统中的混沌现象和传统建模方法的不足,将混沌神经网络理论引入到负荷建模的研究中,提出了利用混沌神经网络理论进行负荷模型参数辨识的数学模型和算法。     

电力系统负荷建模中的小波神经网络新技术

电力系统负荷建模对电力系统规划，运行和控制决策起着关键的作用，讨论了负荷建模的基本方法，以及电力系统负荷建模和参数辨识中的小波神经网络新技术，反映了小波变换在系统负荷建模中的应用前景。     

电力系统负荷建模理论与实践

从电力负荷对系统暂态稳定、静态稳定、电压稳定、系统阻尼的影响等方面分析了电力负荷建模的要求,综述了现有的电力负荷模型结构、参数辩识方法,介绍了国内外电力负荷建模的实践,对电力负荷建模今后的研究提出了４点建设性意见。认为在现代电力系统中,必须立足本地区系统和负荷的实际情况,开展负荷模型实测工作。     

动态负荷建模中的负荷时变性研究

负荷的时变性是指受人们生活习惯等因素的影响负荷特性随时间变化的性质。该文将负荷时变性分解为负荷组成成分的时变性和负荷幅值大小的时变性分别进行研究，以降低问题的复杂程度，并探讨了实施的方法。提出了基于改进综合负荷模型结构及分组算法和多曲线拟合参数辨识的建模方法。该文根据负荷的时变规律，在不同时间选择不同的负荷模型参数来表征负荷，从而提高了负荷模型的精度，并以在实际工程中的一个应用实例说明了该方法的有效性。     

电力负荷建模研究述评

负荷模型对电力系统分析控制的重要性已受到广泛关注。文中从综合负荷的概念出发,综述了电力系统负荷建模方法、模型结构和参数辨识的最新理论和研究成果;分析了负荷模型参数分散性的原因以及模型分类和综合研究必要性,模型的验证工作是负荷建模进入实用化的关键之一,指出当前模型验证的困难所在。展望了未来负荷建模研究方向,指出应该对特殊行业和特殊用电设备的建模以其此种负荷对电网的运行分析的影响引起足够的重视。     

相空间重构和混沌神经网络融合的短期负荷预测研究

该文首次提出基于PSRT和ICNN融合的电力系统STLF模型，所构造的ICNN预测模型对负荷初值和混沌轨迹的游动性有很强的敏感性，可表征复杂的动力学行为和具有全局寻优的性能，以PSRT确定ICNN输入维数，训练样本集按预测相点步进动态相轨迹和最近邻点集原理形成的，可增强预测模型对混沌动力学的联想和泛化推理能力；文中用遗传算法作为ICNN的学习算法，对两类不同负荷系统日、周预测仿真测试，证实所研究的预测模型能有效、稳定的提高预测精度，且有较高的适应能力，为将基于PSRT和ICNN融合的电力系统STLF方法用于实际运行系统在理论上取得了有效的进展。     

基于神经网络的电力系统负荷特性辨识

负荷建模在电力系统分析中起着十分重要的作用。参数辨识是负荷建模的关键,好的辨识方法能够在最短的时间内找出最优的辨识结果,提高建模的效率。首先介绍了静态负荷模型和动态负荷模型,其次介绍了神经网络,最后基于神经网络对电力系统负荷特性辨识。应用线性BP（LBP）网络的参数辨识方法,分别对静态负荷模型（幂函数模型、多项式模型）和动态负荷模型（差分方程模型）的参数进行辨识。通过现场的实测数据辨识了模型的参数,并验证了模型的有效性。     

一种具有全电压范围适应性的综合负荷模型

提出了一种具有全电压范围适应性,能描述负荷失稳行为,适合于电压稳定分析的综合负荷模型,给出了模型参数的辨识。所构造的综合负荷模型结构简单,使用方便,具有明确的物理意义,能合理地解释电压稳定的机理,现场实测负荷数据的辨识结果说明模型具有较强的描述能力。     

电力负荷建模研究的发展趋势

针对目前电力系统负荷建模的现状,指出电力负荷建模研究的发展趋势.在地域规模方面,从节点负荷建模向广域负荷建模发展;在负荷内涵方面,从纯粹负荷建模向广义负荷建模发展;在适用范围方面,从小范围负荷建模向广谱负荷建模发展;在建模方法方面,从单个负荷建模方法向综合负荷建模方法发展;在数据来源方面,从单个数据来源向综合利用各种数据发展.给出了一些具体的负荷建模研究的思路和建议.     

混沌优化用于电力系统静态负荷模型参数辨识

提出了一种应用混沌优化方法进行电力系统静态负荷模型参数辨识的新策略。混沌优化方法利用混沌变量的随机性、规律性、遍历性寻优,能够克服传统的基于梯度寻优的辨识方法容易陷入局部极小点的不足,而且方法简单、快速、易于掌握。实际算例的结果证实了混沌优化方法用于电力系统静态负荷模型辨识的有效性。     

基于混沌学习算法的神经网络短期负荷预测

基于混沌理论对电力负荷的复杂时间序列进行分析,得出该时间序列属于混沌序列的结论,就此提出了一种新的神经网络（NN）学习算法——混沌学习算法。该算法中的混沌轨道的游动性有利于系统跳出局域极值的束缚而寻求全局最优,这样克服了前馈NN 的BP学习算法所存在的本质问题,使NN训练的收敛性好、速度快、误差小。文中通过对实际系统负荷预测结果,与BP算法预测结果比较,证明了混沌学习算法的电力负荷短期预测具有明显好的效果。     

基于混沌模拟退火神经网络模型的电力系统经济负荷分配

在传统混沌神经网络模型的基础上，提出了一种具有衰减混沌噪声的混沌模拟退火神经网络模型(CSA-DCN)。该模型结合了Hopfield神经网络(HNN)与模拟退火算法(SA)的优点，并引入通过Logistic映射迭代函数产生的衰减混沌噪声，从而使该模型可以有效地解决高维、离散、非凸的非线性约束优化问题。例如电力系统经济负荷分配(ELD)问题，在考虑网损、阀点效应的情况下，将该模型应用于解决ELD问题。通过多个算例仿真计算表明，该模型的算法是可行和有效的。CSA-DCN模型是一种适用性很强的优化模型，可以应用于电力系统或其它行业系统的优化问题中。     

采用谱分析建模和基于人工神经网络的短期负荷预测方案

提出了一种基于谱分析法进行建模的短期负荷预测方案,该方案利用负荷历史数据的谱分析结果进行人工神经网络(ANN)模式分类和选择输入变量.方案采用快速傅立叶变换(FFT)进行负荷数据预处理,运用滤波算法及小时负荷曲线的频谱分析来研究电网负荷的周期特性,所得结果表明四季负荷的谱特性具有明显差异,应采用不同的模型和方案进行预测.谱分析有助于各时段预测方案提取输入变量.利用该思路构造的基于人工神经网络的负荷预测方案被用于预测广东省网的负荷,与其他普遍采用的输入变量预测结果的对比表明,所提方案在短期负荷预测中的性能良好.     

电力系统负荷预报的神经网络LBP算法

本文提出了一种能够反映工作日电力负荷波动性并可同时进行假日负荷预报的神经网络算法。该算法在一个神经网络中构造多个相互关联的子网络,将一周７日根据负荷特点分为四类特征日期,通过解码器根据输入的日期特征量激活对应的子网络,对基训练并作出预报。通过对实际系统的实验表明,该算法具有较高的预报精度。     

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。     

遗传神经网络在电力系统短期负荷预测中的应用

为了克服传统BP神经网络中存在的一些缺陷,实现准确、快速预测电力系统负荷的目的,作者通过将遗传算法与神经网络结合,构造了一种遗传神经网络来进行电力系统短期负荷预测,方法的思路是：首先,利用遗传算法有指导地计算神经隐层节点数,从而确定一个较合理的神经网络结构;其次,由遗传算法从初始权值的解群中选取出一个优秀的初始权值,克服初始权值选取的盲目性;最后,将得到的神经网络结构和优秀的初始权值结合起来,利用改进的BP算法进行电力系统短期负荷预测,仿真计算表明该方法达到了提高预测精度和改善网络性能的要求。     

一种基于小波神经元网络的短期负荷预测方法

小波神经元网络比多层前馈神经网络具有更多自由度和更好的适应性.为更好地反映气象因素对负荷的影响及提高负荷预测的精度,文章选用Morlet小波构建小波神经元网络,采用误差反传学习算法来训练网络,采用自学习隶属度分析聚类的新方法选择训练样本.并应用武汉电网近年的负荷数据和气象资料进行了建模和预测,预测结果表明所建立的小波神经元网络预测模型具有较好的收敛性,采用自学习隶属度分析聚类方法选择训练样本能改善预测精度.     

短期电力负荷预测的小波神经元网络模型的研究

根据短期电力负荷预测的特点,提出一种负荷预测新算法－小波神经元网络负荷预测模型,它以非线性小波基为神经元函数,通过伸缩因子和平移因子计算小波基函数合成的小波网络,从而达到全局最优的逼近效果,同时有效地克服了人工神经元网络学习速度慢,难以合理确定网络结构,存在局部极小点的固有缺陷。经实例验证,该方法能有效地提高预测精度,可用于短期电力负荷预测。     

应用人工神经网络进行中期电力负荷预报

应用人工神经网络(ANN)对电力负荷进行了中期预报，对ANN的主要参数作了比较计 算和优化调整，得到了较为满意的预报结果。