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。     

残差修正法在电力负荷预测中的应用

影响电力负荷的因素很多,而且这些因素都具有不确定性,即这些信息具有模糊性。因此,为了准确进行负荷预测,最好采用模糊预测来研究和处理电力负荷预测。一般对于电力系统中期负荷预测采用回归分析模型,但其预测结果往往有很大误差。为了提高电力负荷预测技术的水平,作者以其于实数输出值的模糊回归分析及用三角函数拟合残差的方法,提出了预测电力负荷的模糊线性回归－残差修正预测模型。该模型是在模糊线性回归模型的基础上推导出来的,它可以寻找最合适的线性函数使理想线性回归中的线差和达到最小。通过售电量模糊预测的仿真计算验证了所提出的预测模型的正确性和可行性。     

电压崩溃临近指标的小波神经元网络拟合算法

电压崩溃临近指标能够有效、快速地对电力系统电压安全进行评估。为此, 提出了一种电压崩溃临近指标的小波神经元网络模型。这个模型以非线性小波基为神经元函数, 通过优化伸缩因子和平移因子确定对应各神经元的小波基函数, 从而合成小波神经元网络, 达到全局最优拟和效果。经过训练的小波神经元网络能在线计算电压崩溃临近指标, 并且具有快速、准确等优点。文中对该模型与人工神经元网络模型进行了比较, 结果证明, 利用小波神经元网络模型进行电压崩溃临近指标预测比利用人工神经元网络模型具有更高的拟合精度, 计算速度更快。仿真结果表明, 该方法能有效地对电力系统电压崩溃做出早期预测, 是一种对系统电压安全进行快速、实时评估的有效工具。     

基于补偿模糊神经网络和线性模型的短期电力负荷预测

在考虑了气象因素对负荷的影响的基础上,提出了一种补偿模糊神经网络和线性模型相结合的短期电力负荷预测新方法.首先采用补偿模糊神经网络求出峰、谷负荷,然后利用线性外推法求出未来1日中24个时刻的负荷值.该方法具有神经网络和线性模型的优点,实例仿真结果表明其具有较快的收敛速度、较高的预测精度和较强的鲁棒性.     

基于补偿模糊神经网络和线性模型的短期电力负荷预测sfsfsf

在考虑了气象因素对负荷的影响的基础上，提出了一种补偿模糊神经网络和线性模型相结合的短期电力负荷预测新方法。首先采用补偿模糊神经网络求出峰、谷负荷，然后利用线性外推法求出未来1日中24个时刻的负荷值。该方法具有神经网络和线性模型的优点，实例仿真结果表明其具有较快的收敛速度、较高的预测精度和较强的鲁棒性。     

基于神经网络-模糊推理综合模型的短期负荷预测

针对由于神经元网络泛化能力不足等原因造成的预测精度不高甚至出现坏数据从而难以适用于负荷波动厉害的电网情况，提出一种基于神经网络-模糊推理综合模型的短期负荷预测方法。该方法结合了神经网络和模糊推理的优点，通过模糊推理来修正神经网络输出的预测结果，能有效地提高预测精度。特别是对于受天气影响比较明显而天气变化又比较剧烈的电网，能有效防止不合理预测结果的出现。在武汉电网的实际运行情况说明了本算法的有效性。     

辽宁电网短期负荷预测方法研究

主要介绍了适于辽宁电网短期负荷预测的基本方法－－线性外推法。同时针对北方气候对负荷影响的特殊性,提出了温度与负荷的幂函数关系及降水量与负荷的关系,以此修正线性外推基本方法的计算结果,并阐述了一种在运行实践中总结出的节假日负荷预测方法。     

基于短期相关性和负荷增长的中长期负荷预测

现有中长期负荷预测非线性模型存在预测困难及精度偏低且不稳定的问题。文中提出了一种基于短期相关性和年度负荷增长的预测方法,将非线性问题转化为线性问题来解决。该方法首先根据上一年相邻点和相邻周负荷之间的短期相关性构建线性回归模型;然后采用递归的方法计算出下一年各周所有负荷点的预测值;最后考虑年度负荷增长,对预测值进行修正得到最终预测结果。结合实际电网数据验证了该方法的有效性和实用性,为中长期负荷预测提供了一条可行的新思路。     

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。     

基于人工神经元网络及模型算法的空间负荷预测

改进了配电网的空间负荷预测方法,将其研究重点 放在对各类负荷的负荷密的预测上,在原始数据不充分的条件下,引入模糊隶属度分析和人工神经元网络中的聚类分析,对负荷进行分类和简化,从而得到环境因素相适应的负荷,预测取得了满意的效果。     

一种基于多神经网络的组合负荷预测模型

针对BP神经网络、RBF神经网络和小波神经网络应用于负荷预测时所遇到的问题,提出了一种基于各种神经网络的组合预测模型。该模型为单输出的3层神经网络,即将3种神经网络的预测结果作为神经网络的输入,将实际负荷值作为神经网络的输出,使训练后的网络具有预测能力。该模型能降低单个神经网络的预测风险,提高预测精度。仿真结果表明,所提出的组合预测模型的精度高于其中任一单一网络模型,也高于传统的线性组合预测模型。     

基于局部均值分解与神经网络的短期负荷预测

短期负荷预测是电力系统调度和运行的基础,为了提高电力系统短期负荷预测的精度,提出了基于局部均值分解和人工神经网络的电力系统短期负荷预测方法。该方法首先对负荷序列进行局部均值分解,针对分解后具有不同特点的各PF分量设定具体的神经网络参数进行预测,将各分量的预测结果进行重构得到最终的预测结果。仿真实验表明,LMD-BP神经网络的预测方法与传统的EMD-BP神经网络方法相比具有更高的预测精度,同时也验证了该方法的实用性和有效性。     

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。     

基于人工鱼群算法神经网络的电力系统短期负荷预测

人工鱼群算法是一种新型的寻优策略,文中将人工鱼群算法用于RBF神经网络的训练过程,建立了相应的优化模型.依据人工鱼群算法的神经网络,提出一种短期负荷预测的新方法,实践表明:该方法具有预测精度高、误差小的优点,是值得广泛推广的好方法.     

基于CNN-BiGRU-NN模型的短期负荷预测方法

为充分挖掘蕴含在大量采集数据中的有效信息,提高短期负荷预测精度,提出一种基于卷积神经网络（CNN）和双向门控循环单元（BiGRU）、全连接神经网络（NN）的混合模型的短期负荷预测方法,将海量的历史负荷数据、气象信息、日期信息按时间滑动窗口构造特征图作为输入,先利用CNN提取特征图中的有效信息,构造特征向量,再将特征向量作为BiGRU-NN网络的输入,采用BiGRU-NN网络进行短期负荷预测。以2016年举办的全国第九届电工数学建模竞赛试题A题中的负荷数据作为实际算例,实验结果表明：该方法与DNN神经网络、GRU神经网络、CNN-LSTM神经网络短期负荷预测法相比,有更高的预测精度。     

基于多神经网络融合的短期负荷预测方法

为了利用不同深度神经网络的优势,提高深度学习算法对短期负荷的预测能力,提出一种基于多神经网络融合的短期负荷预测方法。以电力系统历史有功负荷、季节、日期类型和气象数据为输入特征,并行架构的深度神经网络和注意力机制网络为核心网络;以并行架构中的卷积神经网络通道提取静态特征,门控循环单元网络通道挖掘动态时序特征,采用注意力机制网络融合提取的特征并动态调整网络对不同特征的依赖程度;使用Maxout网络增强网络整体的非线性映射能力,通过全连接网络输出预测结果。与支持向量机、长短期记忆网络的算例结果对比表明,所提方法具有更高的预测平稳性和准确性。     

基于小波分解的电力系统短期负荷预测方法研究

为提高预测精度,提出一种基于负荷分解的电力系统短期负荷预测方法。即将负荷分成周期性不同的几部分,对分解后的各负荷序列通过相匹配的神经网络方法进行预测,并考虑温度因素的影响,采用线性回归模型对神经网络预测结果修正得到最终预测结果,预测结果与实际数据对比得出,预测方法更具准确性。     

基于功率谱分解和实时气象因素的短期负荷预测

提出了基于功率谱分解和实时气象因素的短期负荷预测方法,采用快速傅里叶变换(fast Fourier transform,FFT)对负荷序列进行变换得到功率谱,依据变换结果分析功率谱得出负荷基频、低频和高频分量的频率范围,采用有限脉冲响应(finite impulse response,FIR)滤波器从负荷中分离出各 个负荷分量。分析各个负荷分量的特点,针对各个负荷分量分别设计预测模型,对基频分量采用Elman回归神经网络进行预测,这部分较好地反映出基频分量的时间序列特性;对低频和高频分量分别采用自适应线性回归神经网络进行预测,在对这部分分量的预测中重点引入实时气象因素,以利用最新的气象信息提高预测精度。通过在某地区的实际应用证明了所提出方法的有效性。