短期电力负荷预测的灰色-小波网络组合模型

短期电力负荷数据具有离散、无规则波动的特点,先利用灰色预测弱化其波动性,然后将负荷原始检测数据与其相对应的灰色预测数据进行重构后作为小波网络的训练样本,在此基础上建立基于灰色-小波网络组合模型的短期电力负荷预测新方法。该方法有效整合了灰色理论、小波分析和人工神经网络的优点,与传统BP网络相比,收敛速度更快,预测精度更高。仿真试验表明了该方法用于短期电力负荷预测的可行性和有效性。     

ACOA-RBF网络模型在短期负荷预测中的应用

为了进一步提高RBF神经网络的性能,实现准确、快速预测短期电力负荷的目的,将蚁群优化算法（ACOA）作为RBF神经网络的学习算法,建立了一种新的蚁群优化算法的RBF（ACOA-RBF）网络预测模型,利用山西某地区电网的历史数据进行短期负荷预测。仿真表明,这一算法与传统的RBF神经网络预测方法相比,能达到更好的预测效果。该优化算法改善了径向基神经网络的泛化能力,提高了山西电网短期负荷预测的精度,可有效用于电力系统的短期负荷预测。     

自适应变系数粒子群—径向基神经网络模型在负荷预测中的应用

为了提高短期电力负荷预测精度,提出了一种自适应变系数粒子群-径向基函数神经网络混合优化算法(AVCPSO-RBF).实现了径向基神经网络参数优化.建立了基于该优化算法的短期负荷预测模型,利用贵州电网历史数据进行短期负荷预测.仿真表明,该方法的收敛速度和预测精度优于传统径向基神经网络方法和粒子群-RBF神经网络方法及基于混沌理论的神经网络模型,该优化算法克服了径向基神经网络和传统的粒子群优化方法的缺点,改善了径向基神经网络的泛化能力,提高了贵州电网短期负荷预测的精度,各日预测负荷的平均百分比误差可控制在1.7%以内.该算法可有效用于电力系统的短期负荷预测.     

基于云模型的电力系统负荷组合预测

电力系统负荷预测的精确度决定着电网安全稳定、高效的运行.最小二乘支持向量机(LSSVM)被广泛应用电力系统负荷预测上,然而该方法在处理不确定性问题上有很多不足之处.为了更精确的选择核函数的参数,处理不确定性因素,提高短期负荷预测的精度,提出了一种将云模型、粒子群优化(PSO)和LSSVM相结合的组合模型.首先通过对各影响因子的不确定性分析,按不确定性高低将各影响因子分别应用Cloud-LSSVM和PSO-LSSVM进行预测,然后通过组合模型的加权计算的得到最终预测值.最后,通过仿真对比证明该模型能更好的处理不确定性,从而提高电力系统短期负荷预测精度.     

基于遗传算法优化和BP神经网络的短期天然气负荷预测

天然气负荷预测的研究,对于保证天然气管网用气量、优化管网的调度和设备维修具有极其重要的意义.短期天然气负荷预测问题具有周期性和随机性的变化规律.传统方法无法进行准确的预测,预测精度较低.为了提高天然气负荷的预测精度,提出一种基于遗传算法优化和BP神经网络的天然气负荷预测方法.采用遗传算法对BP神经网络连接权值和阈值等模型参数进行优化,从而建立最优的天然气负荷预测模型,并采用某企业的天然气负荷数据对所建立预测模型的可行性和有效性进行验证.仿真结果表明,相对于传统BP预测算法,基于遗传算法优化参数的BP神经网络提高了天然气负荷预测精度,具有一定的实际工程应用价值.     

基于包容性检验和证据理论的短期负荷预测

为了提高短期负荷的预测精度,提出一种包容性检验和证据理论的短期负荷组合预测模型(ET-DS).分别采用多个单一模型对短期负荷进行预测,采用包容性检验选择最合适的单一模型,利用证据理论获取单一模型的权值,实现短期负荷的组合预测,并采用短期负荷数据对模型性能进行仿真测试.仿真结果表明,相对单一模型及其它组合模型,ET-DS组合模型更加准确刻画了短期负荷变化趋势,提高了短期负荷预测精度,预测结果可为电力规划提供有价值参考意见.     

短期负荷预测方法综述

电力系统为电力用户提供可靠、优质、经济、环保电能的前提条件是能对电力负荷进行精确的预测。电网中的调度部门要根据短期负荷的预测结果来安排发电和供电计划,从而优化资源配置,提高经济效益。因此,短期负荷预测具有重大意义。为了提高负荷预测的准确性,较为全面的综述了短期负荷预测方法的研究状况。首先简述了短期负荷预测的意义、特点以及影响因素,综合叙述了短期负荷预测方法的历史发展。然后分别从数据预处理和组合预测两个方面总结了各个方法的研究现状和存在的问题。最后指出了当前短期负荷预测研究的主要问题以及下一步可能的研究方向。 得出的结论是对历史数据进行预处理后结合时下流行的机器学习算法能提高电力系统短期负荷预测的精度。     

短期电力负荷预测模型的建立与应用

研究短期电力负荷问题.电力负荷影响因子多,且含有噪音信息,传统短期电力负荷预测方法难以对其进行准确的预测,导致电力负荷精度低.为了提高短期电力负荷预测精度,提出了KPCA - BPNN的短期电力负荷预测模型.模型对电力负荷影响因素进行分析,并利用KPCA提取其主元特征分量,然后利用BPNN进行建模预测,最后对湖南某城市的短期电力负荷进行预测.仿真表明,KPCA - BPNN不仅加快了电力短期负荷预测预测速度,同时提高了电力短期负荷预测精度,是一种新型实用的电力系统短期负荷预测模型.     

改进神经网络的短期负荷预测模型及仿真

在电力负荷准确预测问题的研究中,电力负荷具有周期性、随机性和非线性的特点,而传统方法存在负荷预测精度低的难题,为了提高负荷的预测精度,提出一种改进神经网络的短期负荷预测模型(CPSO-BPNN).首先利用非线性预测能力强的BP神经网络对短期负荷建模;然后结合混沌粒子群优化算法挖掘短期负荷的变化规律以提高短期负荷预测精度;最后对模型性能进行仿真.仿真结果表明,CPSO-BPNN解决了传统方法存在的难题,提高了短期负荷的预测精度,为非线性负荷预测提供了依据.     

基于ICOA和SVR的短期负荷预测北大核心

针对短期负荷预测精度与运行时间难以兼顾的问题,提出一种基于改进郊狼优化算法的支持向量回归模型。阐述了支持向量回归模型的原理,分析郊狼优化算法并在郊狼成长方式和贪心选择策略上进行改进。通过利用负荷、天气、日期等数据训练SVR模型,同时采用改进郊狼优化算法选择SVR参数并建立ICOA-SVR负荷预测模型。经算例分析与比较,表明在短期负荷预测方面,ICOA-SVR模型比COA-SVR、BP神经网络和LSTM模型具有更高的预测精度和更快的预测速度。     

电网供电系统短期电力负荷预测优化仿真

对电网供电系统短期电力负荷预测模型进行优化,能提升预测结果的准确性和鲁棒性.虽然现有预测模型可以满足预测速度的要求,但预测结果的精确性和稳定性却无法保证.为了得到更加准确和稳定的预测结果,提出了细菌觅食算法优化极限学习机预测模型.首先在电力负荷样本数据中形成训练样本和预测样本集,利用细菌觅食优化算法对极限学习机预测模型中的不确定参数进行优化,然后利用改进后的模型进行电力负荷预测.新模型的优化仿真结果显示,利用细菌觅食算法优化极限学习机预测模型的预测精度和稳定性均优于传统预测模型的预测结果,该算法具有很好地实用性.     

基于VMD与MOGOA-LSTM的短期负荷预测模型

为了提高短期负荷预测的准确度,降低非平稳信号对模型预测造成的影响,提出一种集数据挖掘和多目标优化网络于一体的短期负荷预测模型。该方法将电力负荷数据通过变分模态分解技术分解成若干个不同频率的模态分量,采用相间重构方法动态确定人工神经网络的训练测试比和神经元设置,采用长短期记忆神经网络对各分量进行模型搭建,并在长短期记忆神经网络的基础上加入多目标蝗虫智能优化算法来优化网络内部参数,累加所有分量模型预测的值,实现短期负荷预测。仿真结果表明,与统计学方和混合模型相比,本文提出的模型在短期预测方面的预测精度较高、泛化能力更强。     

A novel combined model based on hybrid optimization algorithm for electrical load forecasting

Accurate electrical load forecasting always plays a vital role in power system administration and energy dispatch, which are the foundation of the smooth operation of the national economy and people’s daily life. Thinking from this vision, many scholars have made great efforts to seek suitable optimization algorithms to improve the performance of existing forecasting algorithm. However, most of the studies ignore the inherent disadvantages of single optimization algorithm, which leads to sub-optimal forecasting performance. Therefore, a novel electric load forecasting system was successfully proposed in this paper by the combination of data preprocessing, hybrid optimization algorithms, and several single classical forecasting methods, which successfully overcomes the defects of single traditional forecasting models and achieves higher forecasting accuracy than that of single model optimization. Besides, the 30 min interval data of Queensland, Australia from March to April is used as illustrative examples to evaluate the performance of the developed model. The results of tests demonstrate that the proposed hybrid model can better approximate the actual value, and it can also be employed as a useful tool for smart grids dispatching planning.     

基于结合混沌纵横交叉的粒子群算法优化极限学习机的短期负荷预测

为了解决传统的单一负荷预测模型精度低以及常规智能算法在解决高维、多模复杂问题时容易陷入局部最优的问题,提出了一种结合混沌纵横交叉的粒子群算法（CC-PSO）优化极限学习机(ELM)的短期负荷预测模型。ELM的泛化能力与其输入权值和隐含层偏置密切相关,采用结合混沌纵横交叉的粒子群算法优化ELM的输入权值与隐含层偏置,提高了ELM的泛化能力和预测精度。选择广东某地区实际电网负荷数据进行分析,研究结果表明,相对于BP神经网络和支持向量机,ELM具有更高的泛化能力和预测精度;CC-PSO相对于粒子群和遗传算法具有更高的全局搜索能力,CC-PSO-ELM模型具有较高的负荷预测精度。     

基于气象数据可视化降维和多模加权组合的短期负荷预测

针对短期负荷预测中数据预处理的必要性和单一预测模型的局限性,提出了一种基于气象数据可视化降维和多模加权组合的短期负荷预测方法。该方法将可视化降维、模态分解降噪、单一预测模型和权重确定理论相结合,构建了气象数据降维、历史负荷分解、模态分量降噪和多模加权组合的短期负荷预测模型。通过设置3种对比实验环境,对某地区供电公司所提供的电力负荷和气象数据进行分析。预测结果及误差分析表明,所提短期负荷预测方法在保留高维气象因素本质特征结构的同时,能有效结合数据预处理方法及单一预测模型的特点,有效提升该地区电网负荷的预测精度。     

基于进化神经网络的短期电网负荷预测算法

本文提出了一种基于进化神经网络的短期电网负荷预测算法。该算法使用了改进的人工蜂群算法与BP神经网络融合生成的进化神经网络,并且使用改进的人工蜂群算法对进化神经网络的偏置和权重进行优化。该算法将火电历史负荷数据作为输入,使用进化神经网络训练预测模型,预测未来一段时间内的电网负荷。首先获取历史负荷数据,然后将收集到的数据应用于进化神经网络模型训练。人工蜂群算法作为一种全局搜索算法,可以有效地探索模型参数空间,寻找最佳的模型参数组合以提升预测精度。为了验证所提出的负荷预测方法的有效性,本文使用了火电网负荷数据进行测试。实验结果表明,在短期电网负荷预测方面,本文提出的进化神经网络比传统方法预测结果更加准确可靠。     

A new short-term load forecasting method of power system based on EEMD and SS-PSO

Aiming to the disadvantages of short-term load forecasting with empirical mode decomposition (EMD) such as mode mixing and many high-frequency random components, a new short-term load forecasting model based on ensemble empirical mode decomposition (EEMD) and sub-section particle swarm optimization (SS-PSO) is proposed in this paper. Firstly, the load sequence is decomposed into a limited number of intrinsic mode function (IMF) components and one remainder by EEMD, which can avoid the mode mixing problem of traditional EMD. Then, through calculating and observing the spectrum of decomposed series, some low-frequency IMFs are extracted and reconstructed. Other IMFs can be forecasted with appropriate forecasting models. Since IMF1 is main random component of the load sequence, the linear combination model is adopted to forecast IMF1. Because the weights of the linear combination model are very important to obtain high forecasting accuracy, SS-PSO is proposed and used to optimize the linear combination weights. In addition, the factors such as temperature and weekday are taken into consideration for short-term load forecasting. Simulation results show that accuracy of the load forecasting model proposed in the paper is higher than that of BP neural network, RBF neural network, support vector machine, EMD and their combinations.