电力负荷的模糊预测方法

提出了一种组合式的模糊短期负荷预测方法。通过对负荷历史数据的离线动态学习，训练出 有关参数，经过模糊推理获得提前一步的负荷预测。系统中引入闭环模糊控制方法用以在 线消除预测误差，并设计了自适应的输出修正算法以排除可能存在的扰动影响。在描述模糊 负荷预测系统的设计、实现和应用的同时，还提出了一些负荷预测中所遇到的问题的解决方 法。     

基于自适应神经模糊推理系统（ANFIS）的电力系统短期负荷预测

采用ANFIS（Adaptive Neuro-Fuzzy Interference System）进行电力系统短期负荷预测。ANFIS将模糊理论与神经网络融合，利用神经网络来实现系统的模糊逻辑推理，采用混合学习算法调整前提参数和结论参数，自动产生模糊规则。利用某局网负荷数据对网络进行训练和检测，所得结果表明利用ANFIS预测负荷有效。     

天气敏感型神经网络在地区电网短期负荷预测中的应用

针对地区电网负荷易受气象影响的特点，提出了一种具有天气敏感性的基于快速BP算法的神经网络预测模型，模型中合理地考虑了影响负荷变化的主要气象因素，使其能够适应天气的变化。地区电网的实际应用证明了该算法的有效性。     

受天气因素影响的电力系统短期负荷预测综述

1概述电力系统负荷预测[1,2]按照预测期限的不同,可以分为长期预测、中期预测、短期预测、超短期预测。短期负荷预测是指提前预报未来几小时、1天至几天的电力负荷,主要用于安排日开停机计划和发电计划。对一个电力企业而言,提高运行的安全性和经济性,提高发电设备的利用率和经     

短期负荷预测中考虑夏季气温累积效应的方法

由于气象因素对负荷的影响较大,在短期负荷预测中需合理考虑气象因素的影响。气温累积效应是夏季气象因素影响负荷的重要现象,是指待预测日之前若干日的气温对待预测日的负荷具有比较明显的影响,持续高温情况下影响尤其明显。对大量气象数据的分析表明,在不同条件下,累积效应的强度不同,对负荷的影响程度也不同。据此,提出了用离散的累积系数和温度修正公式来反映累积效应强度的方法,考虑了各种影响累积效应强度的因素,如待预测日的气温、高温持续天数等。实例表明,所提出的方法比较准确地反映了累积效应对负荷的影响。     

基于预测误差分布特性统计分析的概率性短期负荷预测

现有短期负荷预测方法一般只能给出确定性负荷预测结果，难以满足电力市场中不确定性风险分析决策的要求。文中提出了一种基于负荷预测误差特性的统计分析的概率性预测方法。该方法首先从时段与负荷水平2个联合维度上建立了对预测误差分布规律进行统计分析的模型，并提出了检验该统计规律有效性的原则和方法;将验证后的预测误差统计分布规律与确定性的负荷预测结果相结合，即可得到概率性的负荷预测结果。基于该结果，还能求取某一置信水平下的预测负荷曲线的包络线。结合实际电网数据验证了所提出方法的有效性和实用性，为概率性短期负荷预测提供了一条可行的新思路。     

短期负荷预测的Ensemble混沌预测方法

负荷记录中的噪声以及预测方法中矩阵数值计算的奇异性，使得一次预测得到的结果具有较大的误差。为了降低初值中噪声的不利影响，将数值天气预报中的Ensemble方法移植到短期负荷预测中。在混沌相空间重构预测中，在参考矢量上叠加一定强度的正态分布噪声，形成多个扰动后的参考矢量，分别预测后得到多个预测结果，再由这些预测结果合成概率化的预测结果。采用这种Ensemble技术，不仅可以提高预测准确率，还可以得到概率化的预测结果。     

短期负荷预测的综合模型

进行实际短期负荷预测时，对某个固定地区，用不同预测方法可能得到不同的预测结果。文中基于对这些不同的预测结果的分析，提出了以得到一个唯一的综合预测曲线为目标的优化模型。根据模式识别的基本原理，这个新模型以待预测日与历史日之间相关因素的最佳匹配为原则。通过虚拟预测结果与实际负荷曲线数据的误差平方和的最小化，可以得到综合模型中各种单一预测结果所占的权重值大小。实际算例研究表明，综合模型的预测结果优于各种单一方法的预测结果。     

电力系统短期负荷离线预测研究

针对某电网负荷预测问题，提出了对灰色预测法和单指数平滑法的有效改进，并将改进后的方法以及两种方 法的组合预测应用于实际负荷预测问题中，获得了满意效果。文中通过一个计算实例，比较了改进前后这几 种方法的预测精度，并列出了采用这几种方法进行负荷预测的满意结果。     

基于神经网络电力系统短期负荷预测的MATLAB实现

介于电力负荷预测在电力系统中的重要性,首先描述了电力负荷预测对电力系统的重要意义,分析了传统电力负荷预测方法的优缺点,在详细分析BP神经网络原理的基础上,设计了负荷分析方案,通过对某市负荷数据的分析,并且在充分考虑了日常负荷与天气因素的关系之后,建立了神经网络短期负荷预测模型,并进行短期预测,验证了其具有较高的精度,且具有很强的稳定性,适合多种不同的预测环境。     

一种实用的超短期负荷预测曲线外推方法

超短期负荷预测对电网功率平衡控制具有重要作用。文中针对超短期负荷预测特点，提出一种基于曲线模式分析的曲线外推方法，并讨论了历史坏数据处理以及对当前负荷水平的特殊处理等实用性问题,以保证预测结果的稳定性。通过对几个实际系统的应用结果表明，该方法速度快，精度高，运行稳定可靠，同时具有较强的适应性。     

电力负荷预测方法研究

电力负荷预测的开展始于上世纪八十年代初。最早的电力负荷预测工作完全依靠预测人员的运行经验,没有科学的理论做指导,预测误差往往较大。随着电力行业的不断发展,电力系统日趋复杂,单纯地依靠人工预测己经远远不能满足预测的要求。因此,要求电力负荷预测更科学、更准确,极大地促发了电力负荷预测理论研究的开展。     

应用人工神经网与遗传算法进行短期负荷预测

针对BP网络的缺陷，提出了基于拟牛顿法的自适应算法和改进的遗传算法，以提高神经网的 学习效率，克服BP网络的局部收敛性的缺点，形成一种新的神经网与遗传算法相结合的短期 负荷预测模型。实测结果表明该模型和算法具有良好的性能和较高的预测精度。     

开放式SCADA/EMS系统支持的在线负荷预测系统

通过分析适用于负荷预测的数学方法，构成能在线实时运行的负荷预测系统。 为提高精度，采用自修改机制和加权组合方法。考虑了天气因素对电力负荷的 影响，并给出实际电网的计算结果。     

电力短期负荷预测相似日选取算法

短期负荷预测是电力系统安全经济运行的基础，相似日选取的准确与否直接影响到短期负荷预测算法的精度。针对短期负荷预测的特点，提出一种能便于考虑各种因素影响的新算法。分析了气象、日类型等因素对负荷影响的常见规律，便于识别主导负荷变化的因素，建立了在短期负荷预测中选取相似日的新方法。理论和实例均表明，该方法适应性较强，能够通过历史数据分析从历史日中选取最合适的相似日，对提高短期负荷预测的精度具有较大价值。     

模糊集理论在电力系统短期负荷预测中的应用

由于模糊系统能够在任意精度上一致逼近任何定义在致密集上的非线性函数，具有从大量数据中提取相似性的强大能力，且能同时利用数据信息和语言信息，因此模糊集理论在电力系统短期负荷预测中得到了越来越广泛的应用。文中对模糊集理论应用于电力系统短期负荷预测中的研究现状进行了综述，包括模糊集理论分别与专家系统、传统的预测技术、人工神经网络相结合在短期负荷预测中的应用，以及模糊逻辑系统在短期负荷预测中的应用，并指出了这一技术的发展趋势及应用前景。     

多节点超短期负荷预测方法

对多节点有功和无功负荷变化规律的动态自适应超短期预测进行了深入的研究和分析，提出将负荷数据分层分区的处理方法，建立它们之间相互牵制和联系的表达，在由递推最小二乘支持向量机（RLS-SVM）算法实现顶层预测的基础上，建立输电系统多节点负荷动态行为特征的描述模型，构建了自适应动态模型的超短期负荷预测总体构架。以山东电网为例的现场测试效果验证了所述方法的可行性和有效性。     

短期负荷预测相关因素的自适应训练

提高预测精度是短期负荷预测的基本目标。目前已提出了处理相关因素的规范策略和短期负荷预测的综合模型。在此基础上，将自适应训练的思想引入到短期负荷预测相关因素处理中，提出了相关因素自适应训练的若干概念，并分析了自适应训练中的基本问题，给出了短期负荷预测过程的抽象化模型，提出了两种训练负荷相关因素的算法：摄动算法和遗传算法，最后比较了这两种算法的优缺点。算例分析表明，通过自适应训练相关因素，实际预测的效果得到显著改善。     

基于多分辨率SVM回归估计的短期负荷预测

针对短期负荷预测支持向量机（SVM）方法的局部逼近能力和泛化能力进行研究，将多分辨率支持向量机（M-SVM）用于短期负荷预测中节点负荷预测曲线的回归估计。该理论在保持曲线总体逼近能力的同时提高了局部区域的逼近能力。文中根据短期负荷预测的具体特点，设计了负荷预测数学模型，采用96条回归曲线进行日负荷的曲线预测，并在该模型的基础上采用实际数据进行验证，分析了这种回归模型的泛化能力。实验结果表明M-SVM模型在预测精度和预测速度方面具有优良的特性。     

基于粒子滤波器的大容量冲击负荷短期预测方法

应用基于α稳定分布的概率模型建立了新的电力系统短期负荷时变模型,充分利用了α稳定分布对大容量冲击性负荷良好的模拟特性。应用粒子滤波器对所建立的短期负荷模型的时变参数进行估计,然后利用估计所得的最新参数预测短期负荷。粒子滤波器突破了以往研究的各种滤波器必须建立在负荷模型是高斯分布的线性模型以及模型的参数必须是定常数的局限,可以研究非高斯非线性的时变系数系统模型。结合实际电网负荷数据的实验验证了所提出的方法对大容量冲击性负荷预测的有效性。