基于ESN的光伏发电功率预测模型研究

针对传统神经网络学习算法复杂且稳定性差的问题,本文基于回声状态神经网络,提出了光伏发电功率预测模型。回声状态神经网络的隐含层是一种动态储备池结构,具有回声状态属性,不仅增强了网络预测的稳定性,而且只需采用线性算法即可求得网络输出权值,简化了训练过程,同时克服了传统神经网络收敛速度慢和易陷入局部极小的问题。并利用实际光伏发电站的历史数据和气象数据进行仿真验证。仿真结果表明,ESN预测模型的平均预测误差和最大预测误差分别比BP-NN预测模型提高了13.52%和102.26%,表明ESN预测模型的预测精度明显高于BP-NN预测模型;而且无论从预测精度还是稳定性,ESN预测模型都好于BP-NN预测模型,从而验证了ESN预测模型的可行性。该研究为光伏发电功率模型的实用化提供了理论基础。     

基于梯度提升决策树的电力短期负荷预测模型

为提高短期负荷预测的预测精度,本文基于梯度提升决策树,对电力系统短期负荷预测模型进行研究。梯度提升决策树是通过将梯度提升机和决策树相结合,用大量的历史负荷和气象等数据进行训练,在损失函数负梯度的方向上生成新的决策树,不断优化预测结果。以某地区电力负荷数据为例,对比传统的BP-NN和RBF-NN预测模型。研究结果表明,与其它两个模型相比,基于梯度提升决策树的预测模型对于工作日负荷的预测误差分别降低了1.56%和1.73%,对于休息日负荷的预测误差分别降低了1.60%和1.53%,预测精度得到明显提高。而且该模型不仅可以克服易陷入局部极小值问题,还有效地减小了多因素之间关系互嵌、信息冗余对预测精度的不良影响,验证了该模型研究的合理性和有效性。     

基于PSO-DNN的电力系统短期负荷预测模型研究

为准确有效的预测电力系统负荷值,本文提出了基于粒子群算法(particle swarm optimization,PSO)优化深度神经网络(deep neural network,DNN)的电力系统短期负荷预测模型。DNN通过增加网络的前馈联接,利用多层隐含层对原始输入数据进行多次非线性映射变换,增强各隐层间的信息交换,有效解决传统神经网络易陷入局部极小值等问题。同时利用PSO优化DNN的隐含层结构和权值,通过迭代更新粒子状态确认网络最优参数,提高了模型的预测精度及稳定性。为研究DNN的预测性能,通过实际算例对所提出的预测模型与传统的BP-NN和RBF-NN预测模型进行比较分析。分析结果表明,PSO-DNN预测模型工作日预测误差分别降低了1.16%和1.04%;休息日预测误差分别降低了1.18%和1.07%,预测精度显著提高。该模型具有一定的可行性和实用性。     

基于RBF-NN的电动汽车充电站短期负荷预测研究

为了应对电动汽车大规模并网后对地区电网负荷模式和可靠运行带来的影响,本文以某电动汽车充电站的相关数据为依据,分析研究了电动汽车充电站的负荷特性以及影响负荷变化的主要因素,构建了基于RBF-NN的电动汽车充电站短期负荷预测模型,同时通过仿真算例验证并与BP-NN预测模型进行了比较。结果表明,基于RBF-NN的短期负荷预测模型具有更好的预测精度,适用于电动汽车充电站的短期负荷预测。该研究为下一步工程实践应用提供了理论依据。     

智能电网中电力负荷短期预测数据挖掘模型

依据数据挖掘理论对数据进行收集、整合,运用改进型BP神经网络模型处理数据,建立电力负荷模型进行短期预测.通过不同精度下的实验分析,结果表明,改进型神经网络负荷预测模型在高精度下预测结果优于低精度下预测结果,最大误差同比降低80%,适用实际负荷预测.     

计及尖峰电价机制的短期负荷预测研究

针对需求响应的实施对电力系统短期负荷预测带来的新挑战,本文构建了计及尖峰电价需求响应机制的电力系统短期负荷预测模型。研究了基于尖峰电价的需求响应机理,依据基于消费者心理学的用户响应模型,对实施需求响应后的负荷序列进行模拟。同时,构造了Elman神经网络短期负荷预测模型,由于Elman神经网络的承接层反馈使其具有较好的动态存储功能,使模型对非线性负荷序列具有良好的预测性能,并给出实际算例进行仿真分析。仿真结果表明,采用计及尖峰电价需求响应机制的Elman神经网络预测模型,能较准确预测在需求响应策略影响下负荷曲线的变化,最大相对误差为4.34%,平均绝对误差为2.14%;而未考虑需求响应的Elman神经网络预测模型,预测精度明显较低,其最大相对误差为10.76%,平均绝对误差为6.71%,说明将需求响应作为影响因素的预测模型可有效提高模型的预测精度。该研究为计及需求响应的短期负荷预测提供了理论依据。     

短期电力负荷组合预测方法研究

为了解决短期电力负荷不同预测方法的预测角度片面性、预测精度差等问题,提出了基于小波神经网络(WNN)的组合预测模型.首先用小波神经网络预测模型和历史平均模型分别进行预测,然后再通过小波神经网络对两单一模型的预测值进行组合.相比BP神经网络组合模型,该组合预测模型的预测精度大大提高.该模型同时引入模糊聚类分析的方法选取组合模型的训练样本,减少了训练样本的冗余性,提高了预测模型的精度.     

基于ARIMA LSTM组合模型的楼宇短期负荷预测方法研究

在楼宇短期负荷预测中,针对单一预测模型难以充分学习负荷时间序列中的特性问题,提出了一种基于自回归差分移动平均-长短期记忆神经网络(ARIMA-LSTM)组合模型的楼宇负荷预测方法。首先,根据灰色关联度选取相似日时间序列数据为训练样本;然后,利用ARIMA模型预测负荷,并将原始数据和ARIM A预测数据之间的误差视为非线性分量;最后,通过LSTM神经网络对误差序列进行校正,得到楼宇短期负荷的最终预测值。通过对上海市某楼宇的预测效果分析,并将其与ARIMA模型、LSTM模型和ARIMASVM组合模型进行对比,验证了所提方法能够有效控制预测误差,提高楼宇负荷预测精度。     

基于Bagging算法和Elman-NN融合的短期负荷预测模型

针对传统神经网络经常无法满足短期负荷预测的实际应用要求,本文提出了基于Bagging算法和Elman神经网络结合的电力系统短期负荷预测模型。把经预处理过后的数据分为原始训练集和测试集,然后通过Bootstrap方式在原始训练集中随机抽取若干个子训练集,并建立相应的Elman神经网络负荷预测模型,并将子训练集分别用于训练不同的网络模型,最后利用测试集进行预测,最终的预测结果取不同模型预测结果的平均值。利用训练不同模型的Bagging算法,消除Elman神经网络的不稳定性,提高了预测模型的精度和稳定性。通过某城市负荷预测的实际算例,对所提出的预测模型与单一的Elman神经网络预测模型进行对比分析。分析结果表明,基于Bagging算法和Elman神经网络融合的预测模型具有较好的预测精度和稳定性。该研究具有一定的应用前景。     

基于分布估计算法的对角递归神经网络短期负荷预测模型研究

针对传统的BP算法易陷入局部极小点,收敛速度慢,编程复杂等缺点,本文提出基于分布估计算法的对角递归神经网络的短期负荷预测模型。该模型采用分布估计算法对对角递归神经网络进行优化,仿真结果表明,该预测模型平均绝对误差降低1.097%,最大相对误差降低2.55%,该模型获得较满意的预测精度,具有较高的预测稳定性和较好的适应能力。     

CEEMDAN组合DISPSO-LSTM的短期电力负荷预测

针对短期电力负荷预测精度低与准确性差的问题,设计了CEEMDAN-DISPSO-LSTM混合预测模型。运用自适应噪声的完全集成经验模式分解算法以获取平稳负荷序列,采用改进的动态个体-群体粒子群算法求解长短期神经网络参数的最优值,利用最优参数值构建的LSTM网络进行负荷预测。仿真结果表明:与其他模型相比,该混合预测模型取得了较低的电力负荷预测误差,其误差评价指标RMSE、MAE和MAPE分别为43.71 MW,28.53 MW和0.81%,有效地提高了短期电力负荷的预测精度和准确性。     

基于PSO-Elman神经网络的电力系统短期负荷预测模型研究

提出了基于粒子群优化算法—Elman神经网络的电力系统短期负荷预测模型,采用具有动态递归性能的Elman神经网络,可增强负荷预测模型的联想和泛化推理能力,保证负荷预测的精度。采用粒子群优化算法对Elman神经网络进行学习训练,可充分利用粒子群优化算法的全局寻优性能,克服常规学习算法易于陷入局部最优解、收敛速度慢、编程复杂等缺陷。通过对地区电网负荷系统的实例仿真证实了所提出方法的有效性,获得了较满意的预测精度,平均绝对误差和最大相对误差分别达到1.988%和4.673%。为该模型用于实际工程取得了有效的进展。     

基于FDNN的电力系统短期负荷预测模型研究

针对电力系统短期负荷预测,本文提出了基于模糊深度神经网络的电力系统短期负荷预测模型,将模糊处理与深度神经网络相结合。首先利用隶属度函数对气象因素进行模糊化处理,并在此基础上,构建了深度神经网络预测模型,通过增加隐含层数,使神经网络具有更强的非线性,对受限玻尔兹曼机进行预训练,同时利用粒子群优化算法,对初始化的深度神经网络进行权值和阈值优化,并通过实际算例进行分析。分析结果表明,模糊深度神经网络预测模型的平均绝对误差和最大相对误差分别达到了1.72%和6.24%,具有较高的预测精度。该研究为基于模糊深度神经网络的电力系统短期负荷预测模型的实际应用奠定了理论基础。     

基于改进PSO的神经网络短期电力负荷预测模型

针对短期电力负荷预测问题,提出了一种基于改进粒子群算法(PSO)的BP神经网络预测模型.选取与电力负荷大小密切相关的季节、天气情况、当天最高温度、当天最低温度、日期性质、上年同期历史数据为神经网络的输入变量,电力负荷大小为输出变量,建立基于BP神经网络的电力负荷预测模型,同时利用改进的粒子群算法对神经网络进行训练.该训练算法具有较高的精度,能够建立较精确的短期电力负荷测量模型.仿真结果表明,基于改进粒子群算法的BP神经网络电力负荷预测模型预测精度较高,具有一定的应用价值.     

电力系统短期负荷预测组合NN模型的研究与应用

针对单一预测模型不能完全反映电力负荷的变化规律和信息的问题,构造了组合NN预测模型,该模型由基于附加动量算法的AM-NN子模型和基于拟牛顿算法的QN-NN子模型构成,通过时变综合权系数将两个模型融合在一起,将气象因素数据引入到模型中,采用滚动优化策略,使模型具有较好的泛化性和收敛性。通过对实际电网负荷的预测仿真和测试,证实所提出的组合NN预测模型能有效提高预测精度,平均绝对误差和最大相对误差分别达到了1.84%和5.77%,将其作为实际电网短期负荷预测软件的预测子模块,能满足实际的调度预测要求。     

基于多层聚类和改进BP神经网络的短期负荷预测

随着电网规模的扩大,数据量的急剧增加,漏采、误采等不良数据及数据冗余会对短期负荷预测产生负面影响,造成预测准确度下降,预算结果无法正常使用.针对这些现象,提出一种基于多层聚类和改进BP神经网络的负荷预测模型.该模型基于多层聚类对原始数据进行预处理,选取形成与待预测数据相似的样本数据集,建立基于改进BP神经网络的预测模型.多层聚类模型减小了输入改进BP神经网络的数据量,避免了不良数据对预测模型造成的影响,预测模型更贴近待预测数据特点;改进BP神经网络避免了在训练过程中陷入局部最小解.预测结果表明:相比模糊C均值聚类方法,多层聚类与改进BP神经网络的负荷预测方法提高了预测精度与预测速度.     

基于加权残差聚类的建筑负荷预测区间估计

提出基于加权残差聚类的建筑负荷预测区间估计方法,旨在对建筑负荷预测模型的不确定性进行定量评估. 使用Shapley additive explanations方法量化负荷预测模型的每个输入对输出的贡献程度. 基于得到的贡献程度对模型输入进行加权聚类,获得不同聚类簇中的模型历史残差分布. 根据不同聚类簇中的残差分布估计模型的预测区间. 在深圳某办公建筑1 a的冷负荷数据集上进行验证. 结果表明,与传统不对输入进行加权的方法相比,该方法可以显著提高预测区间的估计精度. 期望得到的预测区间与该方法得到的预测区间的平均覆盖误差为1.87%,而传统方法的平均覆盖误差为2.27%. 该方法可以用于估计任何数据驱动的建筑负荷预测模型的不确定性,从而为优化控制和故障诊断提供更可靠的负荷预测模型.     

改进的Elman神经网络在短期电力负荷预测中的应用

为了提高Elman神经网络进行短期负荷预测时的精度,解决预测过程中易陷入局部最优解等问题,采用非线性阻尼最小二乘法对学习算法进行优化,并对激励函数进行改进,建立双隐含层Elman神经网络模型。Matlab仿真结果表明,改进后的模型对短期电力负荷进行预测的精度高于传统BP神经网络模型,达到了短期负荷预测所要求的误差范围,说明该方法和模型是可行有效的。     

基于GANO算法的电力系统中长期负荷预测研究

进行负荷预测时,由于中长期负荷历史数据较少而制约因素较多,因此预测难度较大。在分析了灰色预测和神经网络预测优缺点的基础上,提出了多因素灰色神经网络组合预测模型(GANO)。该模型首先采用灰色GM(1,n)模型处理多因素的影响,进而利用BP神经网络训练电力历史负荷数据,最后利用统计方差的倒数建立较为理想的优化组合预测模型。该优化模型结合了各模型优点且综合考虑了电力负荷的多种制约因素。经算例验证,优于单一历史负荷预测模型,有效地提高了中长期负荷预测精度。     

基于聚类分析和PSO优化的神经网络短期负荷预测研究

为了提高电力系统短期负荷预测的精度,本文在分析传统的负荷预测模型在实际应用中存在问题的基础上,提出了一种新的预测模型:基于聚类分析和粒子群优化的BP神经网络模型。由于负荷具有波动性大、日周期性强等特点,对初始负荷数据进行预处理,按时段对数据空间进行划分,对每个子空间的数据分别建模,可以大幅度的提高神经网络的预测精度和泛化能力,同时利用惯性权重线性微分递减的粒子群算法优化神经网络的连接权值和阀值,可以提高神经网络的全局搜索能力和收敛速度。以某市公布的全网负荷数据进行预测验证,证明了此方法所建立的模型的合理性和有效性。