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.     

基于遗传优化神经网络的电力系统短期负荷预测

电力系统短期负荷预测是电力系统运行管理和实时控制所必须的基本内容,预测结果的准确性对电力系统的安全、优质,经济运行具有重要意义.通过非参数预测法建立电力系统短期负荷预测模型,以此作为Elman神经网络训练的样本集,实现网络样本设计,结构设计与网络训练,充分发挥Elman神经网络动态特性,将改进的遗传算法和Elman神经网络相结合,通过选择,交叉、变异等遗传操作,实现了神经网络权值优化.采用基于遗传优化神经网络的电力系统短期负荷预测新算法,提高了负荷预报精度,具体算例证明了算法的可行性和有效性.     

基于PSO的模糊神经网络短期负荷预测

针对短期负荷预测的特点,提出基于粒子群(PSO)优化的模糊神经网络短期负荷预测模型。将PSO与模糊优选人工神经网络进行融合,在对模糊优选神经网络训练中采取PSO算法和梯度下降算法相结合的方法,充分发挥PSO全局寻优的能力和梯度下降局部细致搜索优势。对广西某地区进行短期负荷预测,并与实际值进行比较分析,结果表明这一模型应用于短期负荷预测能获得较高的预测精度,是一种行之有效的短期负荷预测方法。     

基于遗传神经网络的短期负荷预测研究

电力短期负荷预测在实时控制和保证电力系统经济、安全与可靠运行方面起着重要作用,对于系统运行具有重大影响。根据电力短期负荷的变化特点,综合考虑温度、天气、风力等因素,提出了基于遗传算法优化人工神经网络方法的短期负荷预测模型。在试验中采用单一的人工神经网络和优化的神经网络建模分别对广东省某城市电网的短期负荷进行预测。实际预测结果表明,基于遗传算法优化神经网络方法预测模型的预测准确度明显高于单一神经网络方法的预测准确度。     

基于PSO算法优化GRU神经网络的短期负荷预测

为了实现高精度的电力系统短期负荷预测,提出了基于粒子群优化(particle swarm optimization,PSO)算法优化门控循环单元(gated recurrent unit,GRU)神经网络的电力系统短期负荷预测模型。首先建立GRU神经网络,GRU神经网络采用了门控循环单元,与采用传统循环单元的传统循环神经网络相比,克服了传统循环神经网络中可能出现的梯度爆炸和梯度消失问题;继而采用具有较强全局优化能力的改进粒子群算法对GRU神经网络参数进行优化,有效提高模型的预测精度。通过实际算例仿真分析,并与传统的GRU神经网络预测模型以及反向传播(back propagation,BP)神经网络预测模型进行对比,验证了所提电力系统短期负荷预测模型具有较好的精度和稳定性。     

以神经网络与模糊逻辑互补的电力系统短期负荷预测模型及方法

根据电力系统短期负荷预测的特点,采用神经网络与模糊逻辑互补的方法建立了负荷预测模型.通过粗糙集理论中的信息熵概念对神经网络的输入参数进行了筛选,以与待预测量相关性大的参数作为输入,不仅减少了神经网络的工作量,缩短了计算时间,而且提高了预测的准确性;在神经网络中,通过引进动量系数和遗忘系数优化网络,提高了ANN的收敛速度;在模糊逻辑中,充分利用了人们对负荷变化取得的主观经验,引进不平均隶属函数,来反映负荷对温度的敏感性.     

基于遗传优化神经网络的电力系统短期负荷预测

电力系统短期负荷预测是电力系统运行管理和实时控制所必须的基本内容,预测结果的准确性对电力系统的安全、优质,经济运行具有重要意义。通过非参数预测法建立电力系统短期负荷预测模型,以此作为Elman神经网络训练的样本集,实现网络样本设计、结构设计与网络训练,充分发挥Elman神经网络动态特性,将改进的遗传算法和Elman神经网络相结合,通过选择,交叉、变异等遗传操作,实现了神经网络权值优化。采用基于遗传优化神经网络的电力系统短期负荷预测新算法,提高了负荷预报精度,具体算例证明了算法的可行性和有效性。     

电力系统短期负荷预测的高木-关野模型研究

电力系统短期负荷预测在电力系统的运行设计中有重要的意义，利用模糊神经网络的方法进行电力负荷预测是国际上近年来很热门的一个方向。本文在传统的BP神经网络基础上，提出了一种短期负荷预测的模糊神经网络模型一高木一关野模型，以某供电局2000年的负荷实测值建立模型，进行了负荷预测，与实际值进行比较分析表明，这一模型应用于短期负荷预测能获得较高的预测精度，具有一定的研究价值。     

基于优化灰色理论和神经网络的电力负荷短期预测

为提高电力系统短期负荷的预测精度,确保电网安全和经济运行,提出一种基于优化的灰色理论和Elman神经网络混合方法。该方法充分考虑温度因素、周类型、天气状况等影响预测精度的不确定因素,通过数据模拟预测,该方法具有较高的预测精度和收敛速度,在电力系统短期负荷预测中具有一定的应用价值。     

基于RBF神经网络的短期负荷预测

电力系统短期负荷预测是电力部门的重要工作之一.在短期负荷预测中,电力负荷变化受多方面因素的影响,负荷曲线呈现出强烈的非线性.正确认识和分析负荷影响因素对负荷的影响一直是短期负荷预测的关键问题.采用径向基函数神经网络进行电力系统短期负荷预测可获得更高的预测精度.文中研究了电力市场下基于径向基神经网络的短期负荷预测建模及其仿真.     

基于改进粒子群-径向基神经网络模型的短期电力负荷预测

为了准确、快速、高效地预测电网短期负荷,提出了改进的粒子群–径向基神经网络算法。用改进的粒子群算法训练径向基神经网络,实现了径向基函数神经网络的参数优化。建立了短期电力负荷预测模型,综合考虑气象、天气、日期类型等影响负荷的因素进行短期负荷预测。算例结果表明,该算法优于径向基神经网络法和粒子群–径向基网络算法,克服了径向基网络和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,输出稳定,预测精度高,收敛速度快,平均百分比误差可控制在1.2%以内。     

基于免疫聚类径向基函数网络模型的短期负荷预测

提出了一种免疫聚类径向基函数神经网络（ICRBFNN）模型来预测电力系统短期负荷。在ICRBFNN的设计中，根据共生进化和免疫规划原理，提出了共生进化免疫规划聚类算法，该算法可以自动确定RBF网络隐层中心的数量和位置，并采用递推最小二乘法确定网络输出层的权值。对华东某市进行的电力系统短期负荷预测表明，与传统的径向基函数神经网络（RBFNN）预测方法相比，ICRBFNN方法具有更高的预测精度和更短的训练时间。     

Short-term load forecasting for special days in anomalous loadconditions using neural networks and fuzzy inference method

Conventional artificial neural network (ANN) based short-term load forecasting techniques have limitations in their use on holidays. This is due to dissimilar load behaviors of holidays compared with those of ordinary weekdays during the year and to insufficiency of training patterns. The purpose of this paper is to propose a new short-term load forecasting method for special days in anomalous load conditions. These days include public holidays, consecutive holidays, and days preceding and following holidays. The proposed method uses a hybrid approach of ANN based technique and fuzzy inference method to forecast the hourly loads of special days. In this method, special days are classified into five different day-types. Five ANN models for each day-type are used to forecast the scaled load curves of special days, and two fuzzy inference models are used to forecast the maximum and the minimum loads of special days. Finally, the results of the ANN and the fuzzy inference models are combined to forecast the 24 hourly loads of special days. The proposed method was tested with actual load data of special days for the years of 1996-1997. The test results showed very accurate forecasting with the average percentage relative error of 1.78%     

电力系统中长期负荷预测的最大模糊熵模型研究

根据模糊数学理论和熵的性质，建立了应用于电力系统中长期负荷预测的模糊熵模型。该模型采用最大模糊熵的高斯聚类算法，根据历史年各项经济和人口指标，将其进行分类，然后将预测年各项指标与各类的特征指标相比较，从而预测出该年的负荷增长率。实际算例表明建立在模糊熵基础上的这种模型是有效的。     

Next day load curve forecasting using hybrid correction method

This work presents an approach for short-term load forecast problem, based on hybrid correction method. Conventional artificial neural network based short-term load forecasting techniques have limitations especially when weather changes are seasonal. Hence, we propose a load correction method by using a fuzzy logic approach in which a fuzzy logic, based on similar days, corrects the neural network output to obtain the next day forecasted load. An Euclidean norm with weighted factors is used for the selection of similar days. The load correction method for the generation of new similar days is also proposed. The neural network has an advantage of dealing with the nonlinear parts of the forecasted load curves, whereas, the fuzzy rules are constructed based on the expert knowledge. Therefore, by combining these two methods, the test results show that the proposed forecasting method could provide a considerable improvement of the forecasting accuracy especially as it shows how to reduce neural network forecast error over the test period by 23% through the application of a fuzzy logic correction. The suitability of the proposed approach is illustrated through an application to actual load data of the Okinawa Electric Power Company in Japan.     

一种基于模糊逻辑和神经网络的短期负荷预测的方法

应用模糊理论、人工神经网络等智能技术,确定了有效的电力系统短期负荷预测方法,其中着重考虑了天气因素对电网负荷的影响,采用了具有高度非线性映射能力的人工神经网络与具有较强结构性知识表达能力的模糊逻辑相结合的算法来预测负荷,经初步测试表明,该方法具有良好的预测精度。     

基于区间二型模糊逻辑的电力负荷预测研究

针对电力负荷具有强随机性而难以准确预测的问题,引入二型模糊逻辑以减小预测误差。建立了区间二型模糊模型用于电力负荷的短期时间序列预测,先利用反向传播算法来调节模型的参数,再利用相似度来精简冗余模糊集合,最后利用奇异值分解法来优选模糊规则。同时,建立了基于反向传播算法的一型模糊模型与区间二型模糊模型,以及基于反向传播-奇异值分解混合迭代算法的区间二型模糊模型,将其预测结果作为检验性能的基准。仿真结果表明,反向传播-相似度-奇异值分解混合迭代算法能够有效地消除冗余模糊集合与模糊规则带来的不良影响,基于其建立的预测模型具有较高的预测精度,能较好地跟踪实际负荷曲线,性能优于另外三个模型。     

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。     

基于神经网络和模糊理论的短期负荷预测

电力系统负荷预测是能量管理系统(EMS)的重要组成部分,它对电力系统的运行、控制和计划都有着非常重要的影响,提高电力系统负荷预测的准确度既能增强电力系统运行的安全性,又能改善电力系统运行的经济性,但负荷预测的复杂性、不确定性使传统的基于解析模型和数值算法的模型难以获得精确的预测负荷。为提高电力系统短期负荷预测准确度,构建了一种新型的负荷预测模型。该模型首先采用多层前馈神经网络,以与预报点负荷相关性最大的几种因素作为输入因子,以改进BP算法作为预测算法,来获得预报日相似日负荷曲线;然后引入自适应模糊神经网络,用于预测预报日的最大、最小负荷;针对模糊神经元的权值更新问题,采用一种新的权值更新算法———一步搜索寻优法,在获得预报日相似日各点负荷和最大、最小负荷的基础上,通过纵向变换,对预报日的负荷修正,进一步减小预测误差。用上述模型和算法预测某地区电网的短期负荷,取得了良好的预测效果。     

应用模糊线性回归模型预测中长期电力负荷

针对负荷影响因素的复杂性和不确定性,结合模糊数学和线性回归模型,讨论应用模糊线性回归模型预测负荷的变化区间。推导了模糊线性回归模型参数求解的数学模型,详细讨论了隶属度的取值对模型参数的影响。应用该模型进行实际预测,分析结果表明该方法的有效性。对模糊预测结果的评判进行了探讨,提出了利用实际值在预测区间的隶属度之和判别预测结果优劣的方法。