基于改进BP神经网络算法的短期负荷预测

分析了电力系统负荷的组成、分类及其周期性的变化规律,对神经网络基本理论方法进行了细致地研究。应用改进的BP神经网络,建立了充分考虑各种因素的电力系统短期负荷预测模型。最后通过实例仿真,比较三种改进的BP学习算法,结果表明在本模型中,Levenberg-Marquardt(LM)学习算法在收敛速度以及预测精度上要优于拟牛顿法和SCG算法。     

一种基于神经网络理论的电力系统短期负荷预测方法

文章构造了一种线性与非线性相结合的神经网络,并提出了用以对电力系统短期负荷进行预测的新方法。它以历史负荷数据、气候变量和预测的气候变量作为人工神经元的输入,预测负荷值作为人工神经元的输出。使用最近的数据作为训练样本,用反向传播算法(BP)对神经网络进行训练,然后用训练后的神经元预测负荷。并以华中电网1992年10月的资料进行仿真计算,测算结果与实际负荷曲线最大的误差仅为4.65％。     

基于累积式自回归动平均法和反向传播神经网络的短期负荷预测模型

针对电力系统短期负荷的特点建立了将累积式自回归动平均法(autoregressive integrated moving average,ARIMA)和采用反向传播算法(back propagation,BP)的神经网络法相结合的短期负荷预测模型。该模型利用ARIMA方法对线性时间序列逼近能力强的特点首先对预测日负荷进行预测,然后应用BP神经网络方法对预测结果进行修正,因此克服了单一算法存在的不足。应用该模型对某地区电网进行负荷预测,结果表明该方法的预测效果较好     

基于免疫小波网络的短期负荷预测模型

为了克服传统BP神经网络在结构设计和学习算法中存在的缺陷,提出了一种免疫小波网络(IWN)来预测电力系统短期负荷.在IWN的设计中,根据共生进化和免疫规划原理,提出共生进化免疫规划算法,可以自动确定小波网络隐层神经元的数量和参数.电力系统短期负荷预测的算例计算表明,与传统的BP神经网络预测方法相比,该方法具有更高的预测精度.     

一种基于改进级联神经网络的短期负荷预测

提出了一种改进的级联神经网络方法，用于电力系统的短期负荷预测，并且采用基于模型逼近度和接受概率的变步长变尺度BP算法提高神经网络本身的效率和精度，通过对实际数据的仿真表明，可用于电力系统短期负荷预测。     

基于小波神经网络的中长期电力负荷预测

电力系统负荷预测是1项复杂的系统工程,其不仅涉及的领域广泛,而且不确定性的因素较多。文中在传统BP神经网络算法、改进型BP神经网络算法基础上,将BP神经网络与小波分析相结合,构建了小波神经网络模型,然后分别应用BP神经网络、改进型BP神经网络和小波神经网络对宁夏石嘴山地区电力负荷进行了中长期预测。通过对比分析表明,采用小波神经网络获得的预测数据比前2种方法获得的预测数据误差均要小。这说明了小波神经网络的预测结果更加准确,即采用BP神经网络与小波分析相结合的方法比单纯地采用BP神经网络算法进行电网负荷预测的效果更佳     

基于改进BP神经网络的短期电力负荷预测方法研究

针对短期负荷预测精度低、准确性差等问题,将猫群算法CSO和BP神经网络相结合用于短期负荷预测,模型的输入因子是负荷数据和气象信息等,利用猫群算法对BP神经网络的权值和阈值进行优化,得到BP神经网络预测模型的最优解,建立了短期预测模型。通过实例验证了预测模型的有效性和有效性,结果表明,改进模型能够有效降低BP神经网络模型的预测误差,提高预测精度,为我国电力系统短期负荷预测的发展提供了参考和借鉴。     

自适应神经网络在负荷动态建模中的应用

人工神经网络(ANN)具有的自适应、自学习、非线性重构等特点，使之成为解决电力系统负荷建模的有效途径。该文利用模糊理论对典型BP神经网络(TBP)的学习速度因子和权值惯性因子进行修正，采用自构形学习算法对网络拓扑2个方面进行改进，提出自适应神经网络(ABP)。结合现场试验和仿真数据，对TBP和ABP在负荷建模的速度和精度2方面进行了比较。同时，就负荷建模问题对自适应神经网络模型阶次和隐层神经元个数等因素进行了探讨。     

动态调整蚁群-BP神经网络模型在短期负荷预测中的应用

为提高短期电力负荷预测精度,提出了动态调整人工蚁群算法(DAACS),对BP神经网络参数进行优化,建立了动态调整人工蚁群-BP神经网络组合算法(DAACS-BP)预测模型,综合考虑气象、天气、电价、日期类型等影响因素,对四川电网进行短期电力负荷预测.仿真表明,该方法克服了BP神经网络和人工蚁群算法易陷于局部极值、搜索质量差和精度不高的缺点,改善了BP神经网络的泛化能力,收敛速度快,输出稳定性好,提高了电网短期负荷预测的精度,可有效用于电力系统短期负荷预测.     

短期负荷预测的支持向量机方法研究

提出了一种基于支持向量机(SVM)理论的电力系统短期负荷预测方法。该方法采用结构风险最小化原则(SRM)，与采用经验风险最小化原则（ERM)的传统神经网络方法相比，具有更好的泛化性能和精度，减少了对经验的依赖。SVM算法以统计学习理论作为其理论基础，它的训练等价于解决一个二次规划问题。为了提高负荷预测精度，文中在训练数据集中采用了负荷数据和温度数据。通过和多层BP神经网络进行比较的试验，结果证明了其在短期负荷预测中的有效性。     

负荷建模研究现状综述

对电力系统负荷建模研究的现状进行了总结和评述，并介绍了作者对负荷建模进一步研究的一些初步思路，内容包括基本概念，负荷建模研究的重要性，模型结构选择和参数辨识，负荷特性的时变性和进一步研究的思考。     

决策支持系统(DSS)在电力系统负荷预报中的应用

提出了一种混合算法的决策支持系统，该系统综合多种预报算法的优 点，利用决策理论，在短期、超短期电力系统预报中优选最佳算法，提高预报的准 确度，并考虑了该系统的可扩充性和易修改性。     

电力系统负荷模型的应用接口

针对负荷模型应用的薄弱环节,探讨了负荷模型的应用接口问题。内容包括：仿真计算中的负荷模型的处理;在ＢＰＡ中加入差分方程的负荷模型的方法：不同时步模型的转化;系统故障或操作后的跃变量计算中新的负荷模型的处理。章最后给出的例子说明了负荷模型加入的正确性。     

高斯-快速解耦潮流算法

高斯法潮流计算中,PV节点转化为PQ节点易造成计算收敛缓慢,对此文中提出了应用快速解耦法处理网络中PV节点的方法。该方法应用传统高斯法处理PQ节点,利用高斯消元法消去网络中的PQ部分,得到了一个由PV节点和平衡节点组成的网络,然后用快速解耦法求解这个网络,从而实现了算法的快速收敛。该方法有恒定的雅可比矩阵、且内存占用量小、收敛可靠、计算速度快。     

考虑变压器分接头动作次数限制的综合无功优化

为减少变压器分接头动作次数，延长设备使用寿命，提出一种分段计算的方法来满足1d的综合无功优化方法。即根据总负荷和部分节点1d的负荷水平和变化趋势及1d内变压器分接头动作次数的限制，将1d划分为几个分段，对每个分段分别进行无功优化计算，根据电压合格率决定是否增加分段。这种方法能比较容易地满足1d内变压器分接头动作次数的限制，而且对于大部分时间段只进行发电机端电压和补偿容量的优化计算，减少了计算时间。提出的单一负荷的无功优化在算法上采用了具有较强的全局寻优能力和较好的适应性的新算法——遗传算法和Alopex方法相结合的算法作为无功优化的求解方法。算例计算结果表明所提出的方法是可行的。     

电力系统概率潮流计算及其应用

文中探讨概率潮流计算在电力系统规划设计和运行方式研究中的应用.提出了在随机潮流计算中设置电压控制节点的概念和方法,可用来分析节点电压随机波动对系统其他节点电压和支路潮流的影响.对于电压控制节点,还可以计算出无功注入功率的随机分布,并由此确定在这些节点上应配置的无功补偿设备容量.通过计算实例验证了算法有效性和准确性.     

电流型牛顿法潮流

提出了电流型牛顿法潮流的一般算法,该算法潮流方程基于节点电流平衡,雅可比矩阵与传统功率型牛顿法潮流相比,具有形式整齐、便于编程实现的特点。在处理PV节点时,引入PV节点无功注入功率作为状态变量,使得处理PV节点与PQ节点相互转化问题非常方便。算例表明,该方法与传统的功率型牛顿潮流具有相同的收敛性,是对牛顿法潮流理论的补充。     

灰色负荷预测的参数修正法

本文提出灰色预测模型GM（1,1）的α参数作正方法,实验表明本方法应用于电力系统负荷预测有较高的精度。     

电力系统整流器负载的谐波抑制方法

本文地对电力系统中整流负载存在谐波电流大和功率因数低的问题,提出了一种改善系统谐波和功率因数ＰＷＭ控制方法,并研究了相应的控制策略及控制系统。     

不确定性的电网规划方法研究

提出一种考虑不确定性因素影响的电网规划方法。在以模糊集合论描述和处理规划中的不确定模糊性因素的基础上,建立了以模糊供电总成本最小为优化目标的电网规划模型,