基于XGB-Transformer模型的短期电力负荷预测

短期电力负荷预测作为电力系统的基本组成,能够指导电力公司制定经济合理的生产调度计划。由于电力负荷数据的时序特性和非线性特性,准确作出电力负荷预测具有很大的挑战。当下深度学习不断发展,其在复杂非线性关系建模和处理时序信息等方面表现突出。文章提出一种融合XGBoost和改进Transformer模型的新型短期电力负荷预测方法 XGB-Transformer。该方法考虑时间周期和气象因素对电力负荷的影响,利用基于XGBoost的特征选择方法进行数据规约,利用改进后的Transformer模型来学习序列内部规律和序列间的长距离依赖关系,以提高预测准确性与效率。该方法在真实的电力系统负荷数据上进行实验,结果表明XGB-Transformer方法在准确率和效率2个方面均优于传统方法和其他深度学习方法,证明了其有效性。     

基于PSO聚类分析与BP网络的短期电力负荷预测

针对短期负荷预测特点, 提出一种基于PSO聚类分析和BP网络的短期负荷预测方法, 通过PSO聚类分析将负荷历史数据分成若干类对输入数据预处理,建立了相应BP网络模型,采用附加动量和变学习速率法预测每小时负荷.以华东某地区实际负荷预测为例,分析结果表明,该方法适应性强、预测精度高、结果满意.     

基于花朵授粉算法和BP神经网络的短期负荷预测

为了提高短期电力负荷预测的准确性,降低因预测精度不高带来的电能损失,提出将花朵授粉算法（flower pollination algorithm,FPA）与BP神经网络相结合,利用FPA算法具有收敛速度快、全局搜索能力强的特点,对BP神经网络的权值和阈值进行优化,改善传统BP神经网络因权值和阈值的选择具有随机性而陷入局部最优和收敛速度慢的缺点。最后,通过某地区实际负荷数据验证了优化后的BP神经网络的预测精度得到了提高。     

基于CVMD-GRU-DenseNet混合模型的短期电力负荷预测

针对电力负荷时序变化非线性和多周期性特点,提出一种基于分解-预测-重构框架的CVMD-GRU-DenseNet短期负荷预测方法。分解阶段依据子序列间的相关熵确定VMD最佳分解数,提高负荷序列分解质量;预测阶段针对各子序列特点筛选输入特征,规律性强的低频分量采用GRU神经网络预测模型,强随机性的高频分量采用DenseNet神经网络预测模型;最后将各分量的预测结果重构为负荷预测曲线。湖北某市四季的实际负荷算例结果表明,该方法能有效提高短期负荷预测精度,并具有较强的泛化能力。     

基于BP神经网络的空调负荷预测

本文以城建国际大厦冷源系统的检测数据为依据,利用BP神经网络,建立了空调负荷预测模型,并取得了较好的结果。文章进一步分析了可能存在的误差及提高预测精度的方法。     

电力系统短期负荷预测的神经网络方法

本文构造了一种线性与非线性结合的神经网络,提出了短期负荷预测的神经网络方法。使用最近的观测资料对神经网络进行学习训练,调整神经元间的权值。然后对未来负荷进行预测。通过对华中电网的观测资料进行仿真,在正常情况下获得较好结果。     

负荷预测的变权重灰色模型及其应用

针对传统灰色预测模型GM(1,1)在电力负荷预测中存在的局限性,提出了电力系统中期负荷预测的变权重灰色模型.以河北承德为例进行负荷预测,并与指教平滑法、动平均法、二项式预测模型和GM(1,1)模型四种方法的预测结果及实际用电量进行分析比较.结果表明,该模型预测精度较高、简捷、合理、实用,可作为中期电力负荷预测的工具之一.     

变尺度混沌优化参数的LSSVM短期负荷预测

为解决短期电力负荷预测中LSSVM模型的参数难以确定的问题,利用变尺度混沌算法优化LSSVM模型的惩罚因子和核函数参数,构建了MSC-LSSVM模型,并将其应用于湖南省隆回县地区电网各小时点的数据分析和预测中。结果表明,MSC-LSSVM模型避免了人为选择参数的盲目性,预测精度较高。     

基于高阶BP神经网络的日最大负荷预测

随着社会的发展,人们的日常生活和工作生产越来越依赖于电力系统.精准的电力负荷预测是电网安全、稳定运行的重要保障.为减小节假日在日最大负荷预测过程中的影响,提出了法定节假日对日最大负荷的影响及日类型量化处理方法,并采用一种改进的BP(back propagation)神经网络——高阶BP神经网络进行连续多天最大负荷预测.实验算例结果表明:该数据处理和预测方法能有效地减小节假日对负荷预测的影响,提高了预测精度,并有较强的工程实践价值和应用前景.     

基于混合神经网络深度学习的短期负荷预测

针对能源互联网环境下用电用户数据量大、多维度这一特点,提出了一种混合神经网络深度学习的短期电力负荷预测方法。首先,考虑常见的电力系统负荷的影响因素,建立多维数据库,并进行偏相关分析,排除其他变量干扰;其次,将LSTM、GRU两种神经网络作为前端神经网络对多维数据库中数据进行处理;最后,采用随机概率剔除与Adam训练优化函数改进的BP神经网络作为末端神经网络,建立负荷预测模型。通过算例仿真对本文方法与传统BP神经网络、LSTM神经网络、GRU神经网络进行了对比,验证了所提方法的有效性。     

Machine learning based switching model for electricity load forecasting

In deregulated power markets, forecasting electricity loads is one of the most essential tasks for system planning, operation and decision making. Based on an integration of two machine learning techniques: Bayesian clustering by dynamics (BCD) and support vector regression (SVR), this paper proposes a novel forecasting model for day ahead electricity load forecasting. The proposed model adopts an integrated architecture to handle the non-stationarity of time series. Firstly, a BCD classifier is applied to cluster the input data set into several subsets by the dynamics of the time series in an unsupervised manner. Then, groups of SVRs are used to fit the training data of each subset in a supervised way. The effectiveness of the proposed model is demonstrated with actual data taken from the New York ISO and the Western Farmers Electric Cooperative in Oklahoma.     

基于误差修正的BP神经网络模型在河道洪水预报中的应用

针对经典BP神经网络模型,增设误差修正系数,实现网络误差修正权重倾向于输出样本的较大值,据此提出了一种计算输入输出向量的归一化公式,并建立了具有洪峰识别的洪水预报BP网络预报模型。采用新模型对宜昌水文站典型年实测流量过程进行了预测检验,其结果与实测值较吻合,对流量过程及洪峰流量过程的预报精度较经典BP模型高。     

基于BP神经网络的工业锅炉房负荷预测

针对工业锅炉房日负荷变化的特点,采用BP人工神经网络模型对热负荷进行预测。在建立模型时,考虑不同小时的热负荷差异,采用24个单输出的BP网络来分别预测每天24h负荷值;利用MATLAB神经网络工具箱NNT(Neural Network Toolbox)分别实现对24个BP网络预测模型的构建及算法改进;最后,应用一个实例对建立的预测模型和实现方法进行了仿真分析,结果证明,该负荷预测模型网络结构小、收敛速度快、预测精度高、具有较高的实用价值。     

中小型水电站年负荷率的灰色预测

通过对中小型水电站年负荷率变化特点及其预测问题的分析,建立了中小型水电站年负荷率预测的灰色数学模型,并就预测中样本序列的拓朴选择、预测的目标等问题提出了相应的策略,最后结合实例说明了本文方法的应用。结果表明,本文方法及分析思路对中小型水电站年负荷率的预测具有较好的应用和参考价值。     

基于BP神经网络的大伙房水库洪水预报

鉴于大伙房水库洪水预报模型为集总式模型,其参数不仅需要优选法选定或人工试错法确定,还需要实时校正,因此根据大伙房流域特点提出了一种半分布式BP神经网络洪水预报模型,实现了模型中参数的自动率定,且由于其半分布式的特点还规避了原集总式模型的部分劣势。即采用DEM和ArcGIS根据水文站及自然流域分水线划分流域,创建BP神经网络,然后应用于各子流域断面及入库断面,预报其流量值,并在每个网络中均运用逐步回归分析法对输入层数据进行筛选,以得到影响最显著因子。将所建模型应用于大伙房水库,预报精度较好,可用于大伙房水库的正式预报。     

基于改进BP网络的日径流预报模型研究

针对常规BP算法收敛速度慢和难以获得全局最优的不足,将网络误差函数的改变量引入权值和偏移值的调整,采用自适应学习速率和自适应动量因子调整策略,建立了基于多层感知器神经网络(MLP-ANN)的水文预报模型.采用自相关函教(ACF)和交又相关函数(CCF)确定网络输入因子并使用试错法优化网络结构.以湖南省双牌水库日入库流量预测为应用实例,并将模拟结果与常规BP网络模型和新安江模型进行对比分析.结果表明,改进模型收敛速度快、预报精度高.     

基于LH-BP松散耦合模型的日径流预测

鉴于基流过程对降雨不敏感,致使传统的BP神经网络日径流预测性能受到制约的问题,结合LyneHollick(LH)数字滤波算法和BP算法的优点,建立了基于LH分割基流与BP神经网络日径流预测的松散耦合模型(LH-BP)。先采用LH数字滤波算法分割出基流,再利用BP神经网络预测锦江流域四个水文站的直接径流和基流。结果表明,LH-BP耦合模型较传统的BP模型性能更优,弥补了传统的BP模型对日径流模拟与预测的不足。     

Estimation of composite load model with aggregate induction motor dynamic load for an isolated hybrid power system

It is well recognized that the voltage stability of a power system is affected by the load model and hence, to effectively analyze the reactive power compensation of an isolated hybrid wind-diesel based power system, the loads need to be considered along with the generators in a transient analysis. This paper gives a detailed mathematical modeling to compute the reactive power response with small voltage perturbation for composite load. The composite load is a combination of the static and dynamic load model. To develop this composite load model, the exponential load is used as a static load model and induction motors (IMs) are used as a dynamic load model. To analyze the dynamics of IM load, the fifth, third and first order model of IM are formulated and compared using differential equations solver in Matlab coding. Since the decentralized areas have many small consumers which may consist large numbers of IMs of small rating, it is not realistic to model either a single large rating unit or all small rating IMs together that are placed in the system. In place of using a single large rating IM, a group of motors are considered and then the aggregate model of IM is developed using the law of energy conservation. This aggregate model is used as a dynamic load model. For different simulation studies, especially in the area of voltage stability with reactive power compensation of an isolated hybrid power system, the transfer function \mathrm{\Delta }Q/\mathrm{\Delta }V of the composite load is required. The transfer function of the composite load is derived in this paper by successive derivation for the exponential model of static load and for the fifth and third order IM dynamic load model using state space model.     

基于小波分析的BP网络预测模型及其在年径流预测中的应用

鉴于小波变换序列中尺度系数系列和小波系数系列变化特征存在较大差异,提出了一种新的小波分析与BP网络结合方式,即建立两个BP网络分别对两类系数系列进行预测,再对各小波变换系数的预测值进行小波重构,获得原序列的预测值。将该模型应用于二滩电站入库年径流量预测,结果表明该模型预测精度高,可为水电站提供可靠的入库年径流预测结果。