电力系统短期负荷预测的共轭梯度ANN方法

针对传统BP学习算法的缺陷,提出了基于共轭梯度优化技术的ANN学习 算法。ANN模型中考虑了温度、天气情况的影响,可进行工作日、一般休息日和节假日的预 测。计算表明,该ANN模型和学习算法实用、有效。     

电力系统短期负荷预测的共轭梯度ANN方法

针对传统ＢＰ学习算法的缺陷,提出了基于共轭梯度优化技术的ＡＮＮ学习算法。ＡＮＮ模型中考虑了温度、天气情况的影响,可进行工作日、一般休息日和节假日的预测。计算表明,该ＡＮＮ模型和学习算法实用、有效。     

用向前神经元网络进行短期负荷预测的方法

构造一个向前神经元网络，并以福建电网历史负荷数据为样本点，用反传学习法对网络进行学习训练，得到一个短期负荷预测的神经元网络，用该网络对未来２４小时的负荷进行预测，其预测值的平均百分比误差在２％以内，精度优于传统的负荷预测法。     

ANN在电力系统中期负荷预测中的应用

本文提出了ANN在电力系统中期负荷预测中的应用。基于优化理论，采用改进型BP算法，该算法学习精度高，收敛速度快。通过仿真算例证明了该算法的优点，并将训练结果应用到了配网规划的实例中，验证了ANN在中期负荷预测中的可行性。     

电力负荷短期预测的神经网络方法研究

设计了一个三层神经网络模型来实现电力系统的短期负荷预测。用了改进的BP学习算法,以提高训练的收敛速度。预测仿真结果表明,所设计的神经网络是可以进行短期负荷预测的。     

短期负荷预测方法的研究及在线应用

根据邯郸地区的负荷特点,将负荷预测分为正常日和节假日两种预测模型。在正常日预测中,采用基本负荷加修正负荷的思想,修正负荷通过自组织人工神经网络训练得到;在节假日预测中,采用将历史负荷按“近大远小”中权平均的思想。同时,应用最小二乘递推算法修正模型,进行在线预测。此外,还开发出相应的软件包用于实际预测工作,并根据邯郸地区的实际情况,通过对ＭＩＳ中公共数据库的访问,实现了负荷、气象数据的自动获取和录入     

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。     

基于小波网络的短期负荷预测方法

提出一种基于小波网络的短期负荷预测模型，小波网络结合了小波变换良好的时频局域性质和神经网络的自学习能力，因此具有比神经网络更灵活的函数逼近能力，同时有效地改善了神经网络难于合理确定网络结构、存在局部最优等缺陷，算例表明，这种模型是快速准确的。     

基于相似日的神经网络短期负荷预测方法

人工神经网络是模仿人脑神经元结构、特性和大脑认知功能而构成的新型信号、信息处理系统。针对电力负荷短期预测，提出了一种基于相似日的神经网络预测方法，采用反向传播算法，考虑气象因素对负荷的影响，提高了学习效能，具有较好的预测精度。本方法适合在短期负荷预测中使用，预测结果验证了上述结论。     

基于模式识别技术的短期负荷预测

分析影响电力负荷的主要因素,并提出了一种基于模式识别技术选取负荷样本,利用人工神经网络进行负荷预测的方法。设计了一套可以自动完成负荷数据的收集、甄别和预处理,对负荷预测过程进行灵活控制,达到一定的预测精度,并具有美观实用的结果输出和演示功能的短期负荷预测系统。     

基于级联神经网络的短期负荷预测方法

针对常和BP算法预测速度慢、易陷入局部最优解的缺点，提出了基于RBF网络和BP网络的级联神经网络预测方法，把天气因素和历史负荷对负荷预测值的影响分开考虑，其中RBF子网络用于描述历史负荷的影响，BP子网络则对在RBF子网络中难以考虑的天气因素给出了较好的映射关系，最终将两个子网络组合为一个级联神经网络，一系列的研究算例证明该方法是快速，准确的。     

电力系统短期负荷预测的模糊神经网络方法

针对电力系统短期负荷预测问题,考虑到气象因素对负荷的影响,提出了一种模糊神经网络的短期负荷预测方法,首先根据评价函数选取相似日学习样本,然后利用隶属函数对影响负荷的特征因素向量的分量进行模糊处理,采用反向传播算法,对24点每点建立一个预测模型,提高了学习效能,适合在短期负荷预测中使用,具有较好的预测精度。     

基于神经网络的电力系统短期负荷预测研究

电力系统负荷预测是电力生产部门的重要工作之一，作者利用BP神经网络进行电力系统短期负荷预测，在保证有足够的训练样本的前提下，对预测模型进行合理分类，构造了相应于不同季节的周预测，日预测模型，并对输入变量的选择，特别是温度的选取问题，进行了讨论，在神经网络训练的过程中，往往会出现过拟合的现象，给预测的结果带来不利的影响，为此在训练过程中，将样本随机地分离为训练集和测试集来防止这个问题，典型算例的计算表明，该方法是有效的。     

基于负荷频谱分析的电力系统短期负荷预测

电力系统短期负荷具有非常大的不确定性,而其日负荷信号的频谱具有连续变化的特性。从信号频谱分析角度,对日负荷信息进行建模分析,并通过小波变换,将日负荷数据分解为不同尺度上的投影子序列,用子序列作为小波神经网络的训练样本,然后用训练好的神经网络模型对电力系统的短期负荷进行预测。在Matlab仿真软件中,采用某市某线路的某日负荷数据对算法进行仿真验证,取得了较好的预测结果。     

电力系统短期负荷预测算法的应用与探讨

结合山西省电力系统的特点，提出３种比较适用的短期负荷预测算法。通过对实际系统的试验表明，这几种算法均具有较高的预测精度，可以满足系统运行的要求。     

人口迁移神经网络在电力系统短期负荷预测中的应用

首次将人口迁移算法用于神经网络的训练过程,建立了相应的优化模型.依据人口迁移算法的神经网络,提出一种短期负荷预测的新方法.实验表明,该方法具有预测精度高、误差小的优点.     

一种改进的电力系统短期负荷预测方法

为提高电力系统短期负荷预测精度,综合模糊逻辑和神经网络的长处构建了基于自适应模糊神经网络的短期负荷预测模型.将该模型和算法应用于地区电网的短期负荷预测,预测效果良好.     

基于小波分析的电力系统短期负荷预测方法

在分析电力负荷频谱特性时发现负荷信号的变化过程具有连续频谱的特性。该文在此基础上提出一种基于小波变换的电力系统短期负荷预测新方法：通过小波变换，将各序列分量分别投影到不同的尺度上，对不同的子负荷序列进行数据处理，并分别采用相匹配的模型进行预测，最后退过小波重构，得到完整的负荷预测结果。算例计算表明新方法具有较高的预测精度和较强的适应能力。     

基于ANN和模糊控制相结合的电力负荷短期预测方法

提出了一种ANN与模糊控制(FC)相结合的电力负荷短期预测方法。通过优化训练样本、变步长和变动量因子来改进BP算法,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。算例计算表明ANN与模糊控制相结合提高了预测精度。     

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。