基于经验模式分解与人工神经网络的短期电力负荷预测

为了有效预测具有一定周期性和随机性的非平稳时间序列的电力负荷,提高预测精度,提出了一种基于经验模式分解(EMD)和人工神经网络(ANN)的电力短期负荷预测方法.该法利用EMD的自适应性,自动地将目标负荷序列分解为若干个独立的内在模式分量(IMF),对各分量分别进行分析,可准确把握负荷变化特性和环境因素影响.对这些分量采用相匹配ANN模型进行预测,综合得到负荷序列的最终预测结果.仿真试验表明,与传统BP神经网络预测方法相比该方法具有较高的精度和较强的适应能力.     

基于经验模式分解与人工神经网络的短期电力负荷预测

为了有效预测具有一定周期性和随机性的非平稳时间序列的电力负荷,提高预测精度,提出了一种基于经验模式分解(EMD)和人工神经网络(ANN)的电力短期负荷预测方法。该法利用EMD的自适应性,自动地将目标负荷序列分解为若干个独立的内在模式分量(IMF),对各分量分别进行分析,可准确把握负荷变化特性和环境因素影响。对这些分量采用相匹配ANN模型进行预测,综合得到负荷序列的最终预测结果。仿真试验表明,与传统BP神经网络预测方法相比该方法具有较高的精度和较强的适应能力。     

基于经验模态分解与动态神经网络的短期负荷预测

提出了采用经验模态分解(EMD)、动态神经网络与BP型神经网络相结合的混合模型进行电力系统短期负荷预测的方法。首先运用EMD将非平稳的负荷序列分解,然后根据分解后各分量的特点构造不同的动态神经网络对各分量分别进行预测,最后对各分量预测结果采用BP网络进行重构得到最终预测结果。仿真结果表明基于该方法的电力系统短期负荷预测具有较高的精度。     

基于EMD和相关向量机的短期负荷预测

为提高电力负荷预测的准确性,提出一种基于经验模态分解EMD(empirical mode decomposition)与相关向量机RVM(relevant vector machine)的短期负荷预测方法。该方法利用EMD将目标负荷序列分解为若干个不同频率的固有模态分量I MF(intrinsic mode function),通过分析各个分量的特征规律,构造不同的RVM模型对各分量分别进行预测,再将各分量预测值通过RVM组合得到最终预测值。仿真结果表明,通过EMD分解,预测效果有显著改善,而RVM模型较之BP神经网络模型与SVM模型具有更高的预测精度。     

基于EMD和SVM的短期负荷预测

为了有效预测具有一定周期性和随机性的非平稳时间序列性的电力负荷,提高预测精度,提出了结合经验模式分解(EMD)和支持向量机(SVM)的短期负荷预测法。该法运用EMD将负荷序列分解成若干个不同频率的平稳分量,分解后的分量突出了原负荷的局部特征,能更明显的看出原负荷序列的周期项、随机项和趋势项;根据各个分量的变化规律,选择合适的SVM参数和核函数构造不同的支持向量机分别预测;由SVM对各分量的预测值组合得到最终预测值。仿真试验表明,此方法与单一的SVM预测法及BP神经网络预测法相比,具有较高的精度和较强的推广能力。     

基于粗糙集的遗传神经网络短期负荷预测方法

结合粗糙集理论、遗传算法和神经网络的优点,提出了一种新的短期负荷预测方法一基于粗糙集的遗传神经网络负荷预测模型.由于影响短期负荷预测的因素众多,通过粗糙集理论中的属性约简对神经网络的输入进行了筛选,找到与预测量相关性大的影响因素作为输入量,减少了神经网络的工作量.为了解决神经网络自身收敛速度慢和容易陷入局部极小的缺陷,利用具有全局搜索能力强等优点的遗传算法与之相结合.实验证明了该算法在速度和精度上都能得到了提高,此方法在短期负荷预测中是可行性、有效性.     

主分量启发式约简算法的短期负荷预测

针对众多不确定要素影响电力负荷预测准确度的问题,对粗糙集理论进行研究的基础上,提出了基于属性主分量的启发式约简算法,对天气及负荷历史数据进行处理,并建立了与广义回归神经网络结合的短期负荷预测模型。通过属性约简算法提取对未知负荷变化影响大的关键要素,得到的要素属性作为该模型的学习样本。算例结果表明,新算法与根据经验选取输入参数的传统广义回归神经网络相比,预测准确度有了明显的提高,计算量减少,更适用于短期电力负荷预测。     

利用粗糙集约简算法改进BP神经网络负荷预测模型

传统神经网络预测模型受网络结构复杂性和样本复杂性的影响,容易出现“过学习”或低泛化能力。利用粗糙集理论中的几种属性约简算法对与负荷相关的各种历史数据进行约简,剔除与决策信息不相关的属性。实例证明该方法简化了BP神经网络的输入变量,从而缩短了神经网络模型的训练时间,提高了预测性能。     

基于粗糙集的遗传神经网络短期负荷预测方法

结合粗糙集理论、遗传算法和神经网络的优点,提出了一种新的短期负荷预测方法-基于粗糙集的遗传神经网络负荷预测模型。由于影响短期负荷预测的因素众多,通过粗糙集理论中的属性约简对神经网络的输入进行了筛选,找到与预测量相关性大的影响因素作为输入量,减少了神经网络的工作量。为了解决神经网络自身收敛速度慢和容易陷入局部极小的缺陷,利用具有全局搜索能力强等优点的遗传算法与之相结合。实验证明了该算法在速度和精度上都能得到了提高,此方法在短期负荷预测中是可行性、有效性。     

基于机器学习的短期电力负荷预测方法研究

针对短期电力负荷数据具有明显周期性的特点,将基于机器学习引入到短期电力负荷预测领域,提出一种基于岭回归估计的RBF神经网络短期电力负荷预测方法,该方法利用机器学习算法RBF在非线性拟合方面的优势,结合岭回归对RBF神经网络输出层权值进行参数估计,有效消除输入多重共线性问题,采用广义交叉验证法对构建的模型进行评估,寻找最优岭参数,提高了电力负荷预测精度。通过实际负荷预测案例,与传统BP神经网络负荷预测方法进行比对,验证了提出的电力负荷预测方法较传统方法具有较好的稳定性和较高的预测精度,为电力负荷预测提供了新思路。     

基于经验模态分解和计量经济学模型及混沌模型的短期负荷预测

为提高短期电力负荷的预测精度,提出一种基于经验模态分解、计量经济学模型和神经网络混沌模型的组合预测方法.首先,利用经验模态分解将负荷序列分解成一系列本征模态函数及余项;其次,针对不同分量的特性,建立不同的模型进行预测;最后,将所有分量的预测值求和作为最终的预测结果.以美国宾夕法尼亚州-新泽西州-马里兰州(Pennsyl...     

一种粗糙广义回归神经网络在集中供热负荷预测中的应用

为了减少预测模型的输入量,本文利用粗糙集理论智能数据分析的能力,对神经网络进行预处理,抽取关键成分作为神经网络的输入,从而确定粗糙神经网络的拓扑结构,设计了供热负荷预测的粗糙广义回归神经网络模型,并用实际数据进行了仿真检验。实验结果表明,该方法是有效的,而且对供热负荷预测具有较高的精度和可靠性。     

基于经验模式分解和最小二乘支持向量机的短期负荷预测

电力负荷是具有一定的周期性和随机性的非平稳时间序列,传统的预测方法是建立在负荷是平稳序列的前提下,难以精确的预测。为了进行有效的预测,提高预测精度,提出将经验模式分解EMD(Empirical Mode Decomposition)和最小二乘支持向量机LS-SVM(Least Square Support Vector Machine)相结合对短期负荷进行预测。首先,运用EMD将负荷序列自适应地分解成一系列不同尺度的本征模式分量IMF(intrinsic mode function),分解后的分量突出了原负荷的局部特征,能更明显地看出原负荷序列的周期项、随机项和趋势项;然后,根据各个IMF的变化规律,采用合适的核函数和超参数构造不同的LS-SVM进行预测,最后对各分量的预测值进行相加得到最终的预测值。仿真试验表明,此方法具有较高的精度和较强的推广能力。     

基于变分模态分解和深度学习的短期电力负荷预测模型

提升负荷预测的准确性对于指导电力系统的生产计划、经济调度以及稳定运行至关重要。提出一种基于变分模态分解(Variational Mode Decomposition, VMD)和长短期记忆(Long Short Term Memory, LSTM)神经网络的短期负荷预测模型。利用VMD算法将负荷序列分解成不同的本征模态函数(Intrinsic Mode Functions, IMF),每个IMF结合LSTM进行预测,将各部分预测结果叠加得到VMD-LSTM模型的预测结果。分析实验结果,相比单一LSTM和经验模态分解(Empirical Mode Decomposition, EMD)组合LSTM预测方法,该方法能有效的提升负荷预测的准确性。     

基于粗糙集神经网络和元胞自动机的空间负荷预测

在分析目前空间负荷预测方法的基础上,提出了一种新的空间负荷预测的方法。该方法主要是利用粗糙集理论对从空间数据库中提取出来的随机数据样本集进行属性简化,减少人工神经网络的输入变量的个数和样本数量,从而提高神经网络提取元胞自动机转换规则的收敛速度和准确性,提高了空间负荷预测的精确性。该方法结合了粗糙集和人工神经网络的优点,并利用元胞自动机的理论来模拟城市用地类型变化,进行空间负荷预测。某市城市规划区域的空间负荷预测实验,证明了该方法的有效性。     

基于EMD理论的短期负荷预测

提出将经验模态分解法(empirical mode decomposition,EMD)与自回归动平均(autoregressive and moving average,ARMA)时序分析相结合的短期负荷预测方法,利用EMD算法对负荷序列进行分解,再对分解得到的每一个基本模式分量(intrinsic mode function,IMF)分别进行ARMA预测,以改善短期负荷预测的效果。以我国某地区2008年夏季负荷高峰段的用电负荷预测为例,应用提出的预测方法对各负荷分量进行单独预测,得到的仿真结果表明,采用该方法进行短期负荷预测将显著改善预测的精度。     

基于级联神经网络的短期电力负荷预测

文章基于神经网络理论,针对武汉地区电力负荷曲线的特点,提出了采用级联神经网络进行电力负荷预测的模型,实例计算表明,该方法具有较高的预测精度和较强的适应能力。     

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。