混沌时间序列预测在短期电力负荷预测中的应用

混沌吸引子具有空间的遍历性、总体的稳定性、吸引性和内部分形性，使得混沌预测成为可能。采用非线性系统理论对电力系统的历史数据进行分析，并基于改进的混沌吸引子模型对山西电网实际负荷数据进行短期预测，预测结果相对误差小、精度高，为电力系统短期负荷预测提供了一种新的预测方法。     

混沌时间序列预测在短期电力负荷预测中的应用

混沌吸引子具有空间的遍历性、总体的稳定性、吸引性和内部分形性,使得混沌预测成为可能。采用非线性系统理论对电力系统的历史数据进行分析,并基于改进的混沌吸引子模型对山西电网实际负荷数据进行短期预测,预测结果相对误差小、精度高,为电力系统短期负荷预测提供了一种新的预测方法。     

基于混沌理论的电力短期负荷预测

采用基于混沌算法的自适应预测模型进行电力系统短期负荷预测,通过进化算法建立一种自适应机制,使得网络能够根据学习和训练的结果优化非线性反馈项.算例表明,该算法具有很强的自适应能力和鲁棒性,预测精度高.     

短期负荷预测最大Lyapunov指数预报模式预测值的判定

首先分析了相空间中混沌吸引子邻近轨道间的平行、交叉、折叠3种拓扑关系,根据负荷吸引子的特点提出了负荷时序最大Lyapunov指数预报模式预测值的判定依据,并探讨了相空间中临近点(轨道)的选择方法。仿真试验表明改进的负荷预测建模策略避免了原有Lyapunov指数预报模式预测值选择的盲目性,吸引子临近点的选择符合电力负荷数据的特点,所建立的短期负荷预测模型提高了预测精度并达到了预期效果。     

基于神经网络与混沌理论的电力系统短期负荷预测

短期负荷预测是电力调度部门的重要工作之一.负荷预测的精度直接影响到电网的安全、经济和稳定运行.本文针对目前负荷预测中单一预测理论精度较低的问题提出采用BP神经网络与混沌理论相结合的算法.以变步长和附加动量法进行改进,同时以混沌时间序列来确定网络结构,从而克服了算法对大量训练样本的依赖.提高预测精度和速度.对成阳区域电网负荷的实际预测结果表明了该方法的有效性.     

电网短期负荷预测的混沌方法

通过计算四川全省电网小时负荷时间序列的混沌特征量：饱和关联维数、最大Lyapunov指数和Kolmogorov熵，论证了该小时负荷序列属于混沌时间序列。以负荷相空间重构为前提，分别应用混沌分析法的相似点模型、线性回归模型及Lyapunov指数模型对其短期负荷预测，并对比了三种模型预测的效果，预测结果表明了混沌预测方法的有效性。     

短期电力负荷的模糊神经网络预报方法

提出了一种用于短期电力负荷预报的模糊神经网络预报方法，该方法可以直接由模糊信息预测出未来一天或一周的各小时负荷，文中通过实际处例证所提模型和方法的有效性。     

电力短期负荷时间序列混沌特性分析的技术改进

电力短期负荷具有混沌特性。通过深入研究其混沌吸引子的形状、关联维数及最大Lyapunov指数,发现这些混沌特征数对电力短期负荷预测具有重要意义。在相空间重构的基础上,经研究发现电力短期负荷二维相图两坐标间延迟时间为8时,其混沌吸引子能得到最好的再现;对计算关联维数的G-P算法中关键参数的选取提出了简单易行的方法,使该算法更易于操作;对计算最大Lyapunov指数的小数据量方法做进一步改进,提出了一套固定参数,并用Henon系统数据验证了该方法的有效性。用上述改进方法进一步分析了电力短期负荷的混沌特性。     

电力短期负荷时间序列混沌特性分析的技术改进

电力短期负荷具有混沌特性.通过深入研究其混沌吸引子的形状、关联维数及最大Lyapunov指数,发现这些混沌特征数对电力短期负荷预测具有重要意义.在相空间重构的基础上,经研究发现电力短期负荷二维相图两坐标间延迟时间为8时,其混沌吸引子能得到最好的再现;对计算关联维数的G-P算法中关键参数的选取提出了简单易行的方法,使该算法更易于操作;对计算最大Lyapunov指数的小数据量方法做进一步改进,提出了一套固定参数,并用Henon系统数据验证了该方法的有效性.用上述改进方法进一步分析了电力短期负荷的混沌特性.     

短期电力负荷预报的自适应模糊神经网络方法

提出了一种的新的电力预报法－自适应模糊神经网络方法,该自适应模糊神经网络推理系统具有类似于神经网络的结构,并应用了一种混合的自适应学习算法,在此基础上,研究了该方法在电力负荷预报中的应用并与神经网络方法作了比较。     

短期负荷预测Volterra滤波器间隔采样模型

针对现有Volterra滤波器模型按混沌轨道逐点训练的模式易发生训练不充分或过拟合现象并最终影响短期负荷预测效果的问题,提出了依据相空间邻近轨道演化相似性特点,建立基于高阶非线性Volterra滤波器(HONFIR)的短期负荷预测多步预测模型(MSF-HONFIR).通过定义距离相似度、趋势相似度来衡量轨道演化相似性,提出了负荷吸引子邻近轨道判别的新方法.在MSF-HONFIR模型基础上将原始负荷序列分解为多个子序列并分别对各个子序列建立预测模型,显著削弱了系统累积误差.短期负荷预测仿真结果表明MSF-HONFIR模型的多步预测性能优于原有HONFIR模型.     

中期电力负荷预测及负荷模型的研究

对电力系统中期负荷预测提出了按照时间段预测趋势修正的新方法 ,同时提出了多阶梯中期负荷模型。     

基于混沌时间序列法的微网短期负荷预测

针对微网中居民小区用电量较低、负荷波动大的特点,提出了结合混沌理论重构相空间并建立最大Lyapunov指数模型的方法。该方法不直接考虑影响负荷的气候、电价等因素,输入数据参数较少,采用C-C方法求延迟时间与嵌入维,运用改进的最大Lyapunov指数方法进行预测。将此方法用于安徽某一小区的实际负荷数据预测,预测结果表明该算法的预测精度较高,可以为微网的优化运行提供负荷依据,仿真结果验证了算法的有效性和实用性。     

最大Lyapunov指数法在电力系统短期负荷预测中的应用

研究最大Lyapunov指数的预测方法在电力系统短期负荷预测中的应用。针对最大Lyapunov指数的单步预报模式进行多步预测时存在严重的误差累积效应的缺点,文章提出了最大Lyapunov指数的多步预报模式。通过对山西省电网的实际负荷数据进行预测,结果表明多步预测时,基于最大Lyapunov指数的多步预报模式有更高的精度。     

最大Lyapunov指数法在电力系统短期负荷预测中的应用

研究最大Lyapunov指数的预测方法在电力系统短期负荷预测中的应用。针对最大Lyapunov指数的单步预报模式进行多步预测时存在严重的误差累积效应的缺点，文章提出了最大Lyapunov指数的多步预报模式。通过对山西省电网的实际负荷数据进行预测，结果表明多步预测时，基于最大Lyapunov指数的多步预报模式有更高的精度。     

改进的时变非线性负荷预测组合算法

为了提高超短期负荷预测精度,提出了一种改进的基于学习的时变非线性组合预测算法,该算法在基预测器中增加了基于最大Lyapunov指数的混沌时间序列预测模型,其中最大Lyapunov指数为序列特征属性,在进行组合预测时将序列的特征属性和基预测器预测的结果形成元知识,作为元预测器的输入,从而发现并且纠正基预测器的系统偏差.在...     

基于结构化负荷模型的电力负荷概率区间预测

为了考虑电力负荷的不确定性,概率和区间预测成为电力负荷预测的重要方式之一.针对传统的负荷概率及区间预测方法没有考虑不同负荷成分的不确定性对电力负荷影响的问题,在分析电力负荷成分的基础上,基于结构化电力负荷模型提出一种电力负荷概率及区间预测方法.首先,对电力负荷的成分进行分析,针对不同负荷成分分别进行建模,构成结构化电力...     

灰色模型在普通日短期电力负荷预测中的应用

讨论了灰色模型GM（1，1）及灰色差值模型在短期电力负荷预测中的应用，提出了适合普通日电力负荷预测的数据处理方法，提高了短期电力负荷预测的精度。