负荷预测中基于小波分析的伪负荷数据的处理

论述了小波分解与重构法和非线性小波变换阈值法两种小波去噪方法。论述了一种应用于短期负荷预测中的伪数据处理方法:首先,利用小波变换将负荷序列投影到不同的尺度上;然后,在不同的尺度域分别计算模极大值,并根据负荷以天为周期波动的特性对模极大值进行处理;最后,通过小波重构得到去除伪数据的负荷序列。对实际负荷数据的计算表明了该方法的有效性。     

基于MRA与回归分析法的短期电力负荷预测

为提高电力系统短期负荷预测准确度,首先利用多分辨分析的小波变换对短期电力负荷序列进行分解处理,根据其在小波各尺度上子序列的特性分别进行回归预测,再将预测结果进行小波重构,得到了满意的预测结果。     

基于混沌时间序列的BP神经网络电力负荷预测

在混沌时间序列的基础上,应用BP神经网络对电力负荷进行了预测,并对模型特性进行了分析。理论分析和实例计算均表明该预测模型的精确度较高,适合在电力负荷预报中推广应用。     

基于时间序列分析的网络流量预测模型研究

通过对网络流量数据作为时间序列进行小波变换建模,应用于未来时间的网络流量数据预测.首先对流量数据序列进行多尺度分解,对分解到不同尺度上的数据分别利用不同的时间序列模型进行分析,然后进行预测数据的折衷处理,得到网络流量多尺度预测模型.仿真结果表明与单一应用RBF神经网络的时间序列预测模型相比,该模型预测效果良好,具有较高的预测精度和很好的模型适应性.     

电力负荷中期预测分析系统的仿真应用

本文介绍了开发电力负荷预测分析系统的主要技术，系统集成了人工神经BP算法和支持向量机SVM两种预测方法，运用多元回归模型和时间序列模型建立电力负荷中期预测模型。系统运用MATLAB科学计算工具实现模块设计、功能设计和数据存储设计，运用GUI(图形用户界面)实现系统仿真界面，方便了技术人员进行电力负荷预测的分析研究。     

基于SVD-LSTM的高校学生宿舍空调负荷预测

准确预测高校空调负荷是保证高校安全用电和电力高峰期区域配电网稳定运行的前提。文中以高校空调负荷中具有代表性的学生宿舍空调负荷为对象,建立了基于奇异值分解-长短期记忆网络的高校学生宿舍空调负荷预测模型。该方法以高校学生宿舍空调负荷特性为基础,使用奇异值分解进行降噪处理,通过长短期记忆网络对高校学生宿舍空调负荷进行预测。文中以武汉某高校的真实数据为样本进行了分析验证,通过与传统预测模型对比,证明所提预测模型的预测效果和精度优于传统预测方法。     

基于Attention-LSTM的电力负荷自动预测方法

电力负荷预测方法异常数据筛选能力较差,导致预测精度较低,为此,基于Attention-LSTM研究一种新的电力负荷自动预测方法,构建ZigBee组网协议下的数据采集信息组网,采集电力负荷原始数据,建立自动预测模型,将电力负荷数据输入到数据处理模块中,构建模态序列,将各个子序列中的模态分量结果重组叠加,得到电力负荷功率的预测结果。实验结果表明,该方法能够筛选出绝大部分异常数据,异常数据筛选率在90%以上,预测精度在99%以上,预测时间低于15 s。     

变参数QPSO算法优化神经网络的短期电力负荷预测

为了提高电力负荷预测精度,提出了一种变参数量子粒子群(VPQPSO)算法优化RBF神经网络的短期负荷预测模型(VPQPSO-RBFNN)。首先利用电力负荷的混沌性,对短期负荷时间序列进行相空间重构;然后采用变参数QPSO算法优化RBF神经网络参数对重构后的短期负荷时间序列进行学习,建立短期电力负荷最优预测模型;最后采用对某地区短期电力负荷进行预测。VPQPSO-RBFNN可以准确描述复杂多变的电力负荷变化趋势,提高了电力负荷的预测精度,仿真结果验证了VPQPSO-RBFNN可以用于电力系统负荷预测。     

Elman网络与BP网络在空调负荷预测中的应用对比研究

为了更准确地进行空调系统负荷的预测，应用了在处理序列输入输出数据具有优越性的Elman回归神经网络建立负荷预测模型，并用2003年7月份的统计数据进行检测。同时也应用了基于BP算法的静态前馈神经网络进行建模和检测，比较两种检测结果，证明了Elman网络在动态预测实验中与BP网络相比较的优势。     

基于引入取舍规则的Lyapunov指数法的电力负荷预测

基于Lyapunov指数法，在引入取舍规则基础上建立了电力负荷预测模型，并利用此模型对某农电局的电力负荷进行预测，取得了满意的结果。     

基于混沌时间序列的电力月负荷预测

采用一种基于混沌时间序列的负荷预测方法进行月用电量的预测。这种方法可以不考虑气候等因素，仅利用电力负荷的历史数据计算来进行预测，就可以得到较高的预测精度。     

综合能源系统主动配电网常规负荷预测模型

为实现高精度、高效率的电力负荷预测,构建一种综合能源系统中主动配电网常规负荷预测模型.首先建立综合能源等效模型,分析不可控负荷、可控负荷、可调负荷的特性;采用主动式负荷特性分析方法与储能特征分析方法分析主动配电网的友好负荷与储能特性,在设计目标函数和约束条件的基础上实现对综合能源系统中主动配电网常规负荷预测模型的求解....     

基于ARIMA-TARCH-BP神经网络模型的中长期负荷预测方法

中长期负荷预测是电力系统规划运行的重要基础。针对经济转型阶段多样化负荷呈现的强波动性致其预测精度难以保障的问题,利用电力负荷历史统计数据建立ARIMA-TARCH模型,对负荷时间序列的非平稳性、自相关性和非对称波动特性进行分析,并结合BP神经网络理论对负荷拟合残差值进行修正,进而对目标规划年的负荷进行预测。最后,以我国某地区的实际电网负荷为算例,预测未来五年的负荷变化趋势,验证所提预测方法的可行性和有效性。     

基于混沌时间序列的短期电力负荷预测

针对电力系统负荷的复杂性及非线性,提出了结合混沌的思想,充分利用数据信息,在重构相空间的基础上对负荷进行预测.结合混沌理论,采用加权一阶局域法建立了电力负荷预测模型,并进行了实际预测,取得了满意的结果.     

基于RBF神经网络的时间序列交叉供热负荷预报研究

针对供热过程的特点及节能控制的需要,提出基于RBF神经网络的时间序列交叉供热负荷预报法.首先对现场实测的供热负荷数据进行预处理,取得建立预报模型所需的负荷样本阵列;随后,应用自相关法求取RBF神经网络的输入维数,并分别建立时间序列的横向及纵向预报模型;最后用最小二乘法求出横向与纵向负荷预报的交叉权系数,得到RBF神经网络的时间序列交叉预报模型.仿真结果表明,RBF神经网络交叉负荷预报的精度高于横向负荷预报及纵向负荷预报,其实时性要优于BP神经网络交叉负荷预报.     

基于ANN和残差修正的电力系统短期负荷预测

提出了一种人工神经网络与灰色理论模型相结合的综合预测方法。在神经网络结构设计中分别选取带有横向和纵向特征的负荷作为输入，并充分考虑气候敏感因素及特殊负荷日的影响。在分析预测差值的基础上，将灰色理论残差校正模型运用到预测结果的修正当中去。算例表明所提出的方法提高了预测精度。     

Power short-term load forecasting based on big data and optimization neural network

With the reduction of the cost of power data acquisition and the interconnection of large scale power systems,the types of data available in the power network are becoming more and more abundant.In the past,the centralized fore-casting method was limited to the analysis of the massive power data.Therefore,a short-term power load forecasting based on large data and particle swarm optimization BP neural network was proposed,and short-term power load fore-casting model was established.The actual load data of the national grid,using the method of prediction,compared with the actual load data and centralized load forecasting results prove that this method is accurate enough,reduce the load forecasting time with feasibility in practical application.     

组合预测方法在电力系统负荷预测中的应用研究

本文阐述了组合预测方法与电力系统符合预测概念和组合预测方法的应用原则、模式和基本形式,并通过对组合预测在电力系统负荷预测中的作用及意义,就对组合预测方法在电力系统负荷预测中的应用研究进行了分析。